[发明专利]一种标准件深度全卷积特征边缘检测方法

说明书

本发明公开了一种标准件深度全卷积特征边缘检测方法，包括：训练全卷积特征神经网络，作为初始边缘检测模型采集标准件图像I₁,I₂,I₃…I_n…I_N，其中n∈[1,N],n∈Z，并通过初始边缘检测模型分别提取标准件图像，得到标准件边缘图对比标准件图像I_n与标准件边缘图标注标准件边缘图上的关键边缘非关键边缘与错误边缘并将关键边缘作为正样本，非关键边缘与错误边缘作为负样本，得到专家辅助标注标准件边缘图对初始边缘检测模型进行强化学习，得到新的边缘检测模型使用边缘检测模型提取标准件图像边缘，得到标准件边缘图并判断是否准确提取到关键边缘且提取到的关键边缘是否能满足需求，未能满足需求，重新执行步骤C；满足检测需求，则以为最终边缘检测模型M_Edge进行应用。

技术领域

本发明涉及深度学习边缘检测方法，尤其涉及一种标准件全卷积特征边缘检测方法。

背景技术

装配指按规定的技术要求，将零件或部件进行配合连接，使之成为半成品或成品的工艺过程。装配是产品制造工艺的重要工序，装配的好坏，对产品的质量起决定性作用。提取装配标准件的边缘是定量评价装配质量的关键步骤，深度学习在图像模式识别、分类与检测中取得了巨大的成功，若应用深度学习技术到标准件的边缘检测上，将可提升边缘检测方法的认知能力，实现人工智能深度学习到标准件图像上的关键边缘，智能地将无用边缘剔除，只保留图像上标准件的有效边缘。

发明CN107871133A公开一种边缘检测网络的优化方法、路面病害的识别方法及系统。边缘检测网络用于识别指定路面病害。该优化方法包括：将每张样本路面图片分割成多个第一网格，并根据第一网格是否具有指定路面病害，得到每张样本路面图片对应的第一矩阵；将每张样本路面图片输入边缘检测网络进行指定路面病害识别，并输出每张样本路面图片对应的第二矩阵；根据每张样本路面图片对应的第一矩阵的向量和第二矩阵的向量，计算得到每张样本路面图片的损失函数；优化边缘检测网络的网络参数，直到网络参数优化后的边缘检测网络输出的第二矩阵使计算得到的所有样本路面图片的损失函数的算数平均值最小。该发明提出了由2个矩阵组合而成的损失函数，优化了路面病害识别网络的训练过程，而本发明则由数据源开始，修改用于训练的结果图，从而优化训练结果。

发明CN107610140A提出了一种基于深度融合修正网络的精细边缘检测方法、装置，该方法包括：步骤S1，通过卷积神经网络的前向传播部分网络，获取输入图像的多尺度特征；步骤S2，通过卷积神经网络的反向修正部分网络，采取逐渐增大特征分辨率的方法获取和输入图像具有相同分辨率的最终图像特征；步骤S3，将最终图像特征的特征通道降维为单通道，通过拟合函数生成边缘检测结果。旨在解决图像中边缘定位不够准确、检测的边缘不够精细的问题，其核心思想为将结果图像超分辨率重建重而实现传统意义上亚像素级的边缘检测；而本发明则是旨在应用人工智能来分别关键边缘，核心思想是通过专家标准边缘图中的边缘的重要程度，目的、手段、最终效果均不相同。

发明CN108053413A、CN107993241A基于改进型遗传算法、粒子群算法找到从全局并发求解灰度阈值，明显提高检测精度和抗噪声能力。采用传统特征进行检测，计算量小，但需要由人工设计图像特征提取算法，而采用深度学习、人工智能的方法，则可以自动地学习到图像中边缘的特征，而不再需要人为去设计具体特征提取算法，与本发明相比各有优劣。

发明内容

为解决上述技术问题，本发明的目的是提供一种标准件深度全卷积特征边缘检测方法，包括训练全卷积特征边缘检测模型、采集标准件图像并提取边缘、专家辅助标注标准件图像边缘、标准件图像关键边缘强化学习，本发明的目的通过以下的技术方案来实现：

一种标准件深度全卷积特征边缘检测方法，包括：

A训练全卷积特征神经网络，作为初始边缘检测模型