[发明专利]一种基于深度学习的钢卷端面边缘检测方法

权利要求书

1.一种基于深度学习的钢卷端面边缘检测方法，其特征在于，包括以下步骤：

S1，对深度卷积神经网络结构进行改进，分别对多尺度特征提取部分和多尺度特征融合部分进行改进；

S101，多尺度特征提取部分由五个不同尺度的特征提取模块组成，每个模块包含两到三个卷积核为3×3的卷积层以及一个核为2×2、步长为2的最大值池化层，第一个尺度特征提取模块包含两个卷积层，卷积滤波器数量为64，第二个尺度特征提取模块包含两个卷积层，卷积滤波器数量为128，后续三个尺度特征提取模块均包含三个卷积层，卷积滤波器数量随着尺度变化依次乘2，每经过一次池化层，则特征图的尺度会减半，所以5个特征提取模块一共输出了5种不同尺度的特征图；

S102，多尺度特征融合部分主要由卷积层和反卷积层组成，对每个尺度的特征图，首先会经过一个1×1的卷积层，然后会经过一个反卷积层，得到5个相同尺寸的特征图之后，将这5个特征图拼接到一起，然后再经过一个1×1的卷积层，这个卷积层的作用是自动学习不同尺度特征图的权重，最终将5个特征图进行加权求和得到网络的输出；

S2，进行图像采集，将采集后的图像送入深度卷积神经网络进行边缘检测，然后输出边缘检测结果；

所述边缘检测步骤如下：

输入训练样本，对训练样本进行多尺度特征提取，得到多个尺度特征图，多尺度特征融合部分对多个尺度特征图进行融合，然后进行类别损失函数的计算，类别损失函数计算公式如下：

其中，β为背景像素的个数除以总像素的个数。