[发明专利]基于深度学习和图像处理算法的目标检测方法

说明书

基于深度学习和图像处理算法的目标检测方法，本发明涉及图像目标检测方法。本发明的目的是为了解决现有机械臂应用于小目标的精密作业时，单纯用深度学习进行检测与定位，小目标位置的确定误差大，精度低的问题。过程为：步骤一、建立数据集，根据数据集对SSD网络进行训练，得到最终训练好的SSD网络，使用最终训练好的SSD网络模型对待检测的图像中的插针进行检测，在图像上用预选框把插针所在范围框出；步骤二、使用大津算法将预选框中的图像内容进行二值化，即分为插针及非插针两部分；步骤三、通过漫水填充算法，将二值化后的插针部分从图像中分离出来，并计算出插针的位置中点。本发明属于目标检测领域。

技术领域

本发明涉及目标检测方法。本发明属于目标检测领域。

背景技术

随着计算机技术的发展和计算机视觉原理的广泛应用，利用计算机图像处理技术对目标进行实时跟踪研究越来越热门，对目标进行动态实时跟踪定位在智能生产制造、智能化交通系统、智能监控系统、军事目标检测及医学导航手术中手术器械定位等方面具有广泛的应用价值。

近年来，深度学习基于强大的学习特征表达的能力，在模式识别和计算机视觉领域快速发展，迅速替代了以往基于先验知识的人工构造特征的方式。基于卷积神经网络的深度学习在图像识别、图像检测和图像分割等领域都取得了显著成就。其中的目标检测技术与传统的方法相比在准确率以及速度上有十分大的优势，并且具有较强的鲁棒性，能够适应复杂环境下的许多变化。

但当机械臂应用于小目标的精密作业时，需要对操作目标进行精确的检测和定位，对坐标点的精确度要求高，单纯用深度学习进行检测与定位，小目标位置的确定误差大，精度低。

发明内容

本发明的目的是为了解决现有机械臂应用于小目标的精密作业时，单纯用深度学习进行检测与定位，小目标位置的确定误差大，精度低的问题，而提出基于深度学习和图像处理算法的目标检测方法。

基于深度学习和图像处理算法的目标检测方法具体过程为：

步骤一、建立数据集，根据数据集对SSD网络进行训练，得到最终训练好的SSD网络，使用最终训练好的SSD网络模型对待检测的图像中的插针进行检测，在图像上用预选框把插针所在范围框出；

步骤二、使用大津算法将预选框中的图像内容进行二值化，即分为插针及非插针两部分；

步骤三、通过漫水填充算法，将二值化后的插针部分从图像中分离出来，并计算出插针的位置中点。

本发明的有益效果为：

当机械臂应用于小目标的精密作业时，需要对操作目标进行精确的检测和定位，对坐标点的精确度要求高。单纯用深度学习进行检测与定位，位置的确定误差大，精度低。本发明提出的目标检测方法，首先用深度学习识别目标，再引入大津算法和漫水填充算法，对深度学习的算法结果进行处理。在原先深度学习算法的效率高、鲁棒性的强的基础上，增强了算法的准确度，减小了小目标位置确定的误差，提高了小目标位置确定的精度。在对凹槽中的插针进行准确的检测与定位后，帮助机械臂很好地完成所需的任务。处理的帧数能够达到100帧/秒，准确率达95％以上。

附图说明

图1为本发明数据集图片示意图；

图2为本发明SSD网络的训练loss值曲线图，k为千；

图3为本发明算法流程图；

图4为本发明算法检测效果展示图；

图5为本发明SSD网络架构图；