[发明专利]基于机器视觉与深度学习的类圆对象识别计数检测算法

权利要求书

1.基于机器视觉与深度学习的类圆对象识别计数检测算法，其特征在于：包括以下步骤：

步骤一、采用工业相机对所要统计的滤棒对象的垂直截面图像进行采集；

步骤二、从获得的垂直截面图像中利用自适应阈值二值化和FindContours()函数获得滤棒对象的感兴趣区域，大小为l×w；

步骤三、将获得的感兴趣区域切成a个A*A像素子图；

步骤四、将获得的a个A*A像素子图放入改进的SAA-unet模型中进行分割；

SAA-unet模型训练在采样时采用one-stage目标检测，融合self attention argument模块，并通过focalloss损失函数降低简单的负样本在训练中所占的权重，同时抑制有严重畸变、粘连的滤棒对象目标；

Self-Attention机制流程表示为：

为了加强深层网络中紧凑特征的学习能力，通过SAA-Unet网络在第D1层到第D2层网络部署了Self-Attention Argument模块，其他层保留传统卷积操作；在Self-Attention基础上，通过独立添加相对宽(W)和相对高(H)实现二维相关自注意力；对于像素i＝(i_x,i_y)关于像素j＝(j_x,j_y)的a维Attention计算方式如下所示：

q_i表示对于i的查询矢量，也就是Q的第i行，也就是长为D_k的矢量；

k_j表示对于j的查询矢量，也就是K的第j行，也就是长为D_k的矢量；

和表示对于相对宽度j_x-i_x和相对高度j_y-i_y学习到的嵌入表示，各自均为D_k长度的矢量，对应于r组成的参数矩阵r^W和r^H是(2W-1,D_k)和(2H-1,D_k)；输出的包含位置信息的注意力权重矩阵如下所示：

Self Attention Argument模块；采用e×e卷积核对SAA模块得到的编码特征进行组合拼接；最后将输入项通过一个标准f×f卷积得到的feature map和拼接好的编码特征组合成一个新的feature map作为输出结果，以代替常规卷积操作，由于Self AttentionArgument均为矩阵操作，所以在计算复杂度方面仅有少量增加；

同时对SAA-unet模型中得损失函数进行专项设计：

步骤五、将训练完的a个A*A像素子图进行复原，重新获得感兴趣区域；

步骤六、再将重新获得的感兴趣区域进行滤棒对象的统计计数。

2.根据权利要求1所述的基于机器视觉与深度学习的类圆对象识别计数检测算法，其特征在于：步骤二中通过自适应阈值二值化算法将获得的图像转换为二值化图像，再采用FindContours()函数通过设置参数对二值化图像进行轮廓检测，选择最大的外轮廓区域，作为感兴趣区域；所述参数为image、contours、hierarchy、int mode、int method、Point偏移量；且int mode设置为CV_RETR_CCOMP建立两个等级的轮廓，CV_RETR_TREE建立一个等级树结构的轮廓；int method设置为CV_CHAIN_APPROX_NONE存储所有的轮廓点，相邻的两个点的像素位置差不超过1。