[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

说明书

本发明公开了基于机器视觉与深度学习的类圆对象识别计数检测算法，包括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；从获得的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；将获得的感兴趣区域切成a个A*A像素子图；将获得的a个A*A像素子图放入改进的SAA‑unet模型中进行训练；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；再将重新获得的感兴趣区域进行滤棒对象的统计计数，本发明加入了SAA‑unet数学理论、结构构造原理来提高检测的效率的计数检测方法，更为高效与智能，解决了人工计数高强度作业，工作效率低，误差大等容易出错的问题，算法准确率高达98.7%。

技术领域

本发明涉及一种识别计数检测算法，具体涉及一种基于机器视觉与深度学习的类圆对象识别计数检测算法。

背景技术

滤棒对象在生活中无处不在，如棒材、药品、香烟装箱等。此滤棒对象在生活中不可避免需要统计；目前，对于装箱的滤棒对象技术往往采取人工直接计数或者不检测方式，利用人工直接检测方式计数方法劳动强度大，眼睛易疲劳，计数精度低，且误差因人而异。特别是在对于大规模数量滤棒检测时，严重的视力恶化和注意力不集中的不适可能发生在检察员身上，这绝对会损害其计数准确性和工人健康；由于稳定性、准确性和廉价的优点，机器视觉已经成为目标检测领域重要的解决方案，并且已经有很多成熟的检测系统能够满足工业现场实际要求。

相较于传统视觉算法，基于机器学习的检测算法能够有较好的普适性。在面对复杂光照条件下生成的图片基于机器学习的检测算法具有良好的精度，摆脱了传统算法中依赖人工主观设置；对于本次设计中我们使用传统的视觉算法进行粗定位的功能，大大减少了计算负荷同时使用机器学习模型对样本数据进行训练，对粗定位精确，提高了系统计数准确性；利用机器学习精确定位时兼顾了图像像素间的区局特征而且保留了灰度图像上的局部特征，对于滤棒目标地识别、定位、计数具有更高的准确率以及高速率，其优秀性能完全能够达到工业现场要求。

在专利CN 106529551 A《面向包装行业的滤棒对象智能识别计数检测算法》中采用了工业相机采集所要统计的滤棒对象的垂直截面图像，从获取图像中利用固定阈值方法获得滤棒对象感兴趣区域，再从中截取有效区域进行去噪，对去噪后的图像利用自适应局部二值化图像，删除无效区域和无效点处理；涉及到的滤棒统计计数算法包括正常滤棒检测、缺陷滤棒检测、凹凸区域检测、边界漏检处理；而在此基础上加入深度学习理论、结构构造原理来提高检测的效率的计数检测方法尚未见报道。

发明内容

发明目的：针对技术的不足，本发明的目的是提供基于机器视觉与深度学习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，对CN 106529551 A的计数检测方法进行了优化，更为高效与智能，解决现有技术中存在的人工计数高强度作业，工作效率低，误差大等容易出错的问题。

技术方案：为了实现上述发明目的，本发明采用的技术方案为：

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；

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。