[发明专利]一种基于深度学习的钢卷端面边缘检测方法

说明书

本发明公开了一种基于深度学习的钢卷端面边缘检测方法，包括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，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，多尺度特征融合部分主要由卷积层和反卷积层组成，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；本发明通过对深度卷积神经网络进行改进，深度卷积神经网络从数据中自动学习特征，能够学习到忽略数字的边缘，只将钢卷的边缘给表示出来，具有更好的鲁棒性，检测效果好。

技术领域

本发明涉及工业视觉技术领域，具体涉及一种基于深度学习的钢卷端面边缘检测方法。

背景技术

钢卷端面具有极强的规律性纹理边缘特征，为了自动化检测钢卷端面缺损情况，则第一步需要检测钢卷端面的边缘，为后续缺损检测提供辅助信息。

现有技术中，基于传统图像处理的边缘检测算法往往都是从计算图像像素梯度角度出发，采用各种不同的边缘检测算子，通过卷积滤波的方式对图像进行滑动窗口计算，其中最常用的就是canny边缘检测算法。然而应用在钢卷端面的边缘检测领域，基于传统图像处理的算法得到的边缘图像往往会具有很多噪声点，比如光照产生的高光、阴影，钢卷表面由于氧化产生的不平滑部分等，都会对传统算法检测到的边缘图像产生很大的干扰，且传统的边缘检测的损失函数会采用逐像素的二值交叉熵损失函数，然后进行逐像素损失值求和得到最终的损失值，即是由于边缘线条所占的像素往往很少，背景像素则特别多，两类的类别失衡，会导致网络训练的过程中容易陷入局部极值，导致计算结果精确度较低。

发明内容

本发明的目的在于克服现有技术中存在的上述问题，提供一种基于深度学习的钢卷端面边缘检测方法，通过对深度卷积神经网络进行改进，深度卷积神经网络从数据中自动学习特征，能够学习到忽略数字的边缘，只将钢卷的边缘给表示出来，具有更好的鲁棒性，检测效果好。

为实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现：

一种基于深度学习的钢卷端面边缘检测方法，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，反卷积层的效果主要是对特征图进行上采样，使得不同尺度的特征图最终都能够变为和输入图像相同大小的特征图，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。

进一步地，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。

本发明的收益效果是：