[发明专利]基于深度学习的风机叶片图像全景拼接方法和系统

权利要求书

1.一种基于深度学习的风机叶片图像全景拼接方法，其特征在于，包括：

S1：构建卷积神经网络；

S2：利用预先获取的大量风机叶片图片进行位置标注，生成训练标签；

S3：利用所述训练标签对所述卷积神经网络进行训练，获得经训练的卷积神经网络模型；

S4：将待拼接的原始风机叶片图片输入所述经训练的卷积神经网络模型，获得所述原始风机叶片图片的位置关系数据并对所述原始风机叶片图片进行拼接。

2.根据权利要求1所述的基于深度学习的风机叶片图像全景拼接方法，其特征在于，所述S1包括：

利用回归网络构建所述卷积神经网络，所述卷积神经网络包括依次连接的第一卷积层、第二卷积层、第一最大池化层、第三卷积层、第四卷积层、第二最大池化层、第五卷积层、第六卷积层、第三最大池化层、第七卷积层、第八卷积层、第一全连接层和第二全连接层。

3.根据权利要求1所述的基于深度学习的风机叶片图像全景拼接方法，其特征在于，所述S2包括：

S21：从预先获取的大量风机叶片图片中选取两张可拼接图片并获得所述两张可拼接图片的相对位置关系数据；

S22：构建文本文档并在所述文本文档中存储所述两张可拼接图片的相对位置关系数据，生成训练标签；

S23：重复步骤S21和步骤S22，生成包括多个训练标签的训练标签集。

4.根据权利要求3所述的基于深度学习的风机叶片图像全景拼接方法，其特征在于，所述S21包括：

S211：从所述大量风机叶片图片中选取两张可拼接图片src1和src2；

S212：分别获得图片src1和图片src2的相对位置坐标x、y以及相对尺寸关系dx、dy：

x＝(x2-x1)*1.0/Width1

y＝(y2-y1)*1.0/Height1

dx＝(Width2*1.0)/Width1

dy＝(Height2*1.0)/Height1

其中，(x1，y1)表示图片src1的左上顶点的坐标，Width1表示图片src1的宽度，Height1表示图片src1的高度，(x2，y2)表示图片src2的左上顶点的坐标，Width2表示图片src2的宽度，Height2表示图片src2的高度；

S213：获得图片src1和图片src2的相对转动角度关系rx、ry、rz，其中，rx、ry、rz分别代表图片src2在x、y、z三个坐标轴上相对于图片src2的旋转角度。

5.根据权利要求1所述的基于深度学习的风机叶片图像全景拼接方法，其特征在于，所述S3包括：

S31：将来自训练数据集的可拼接图片对输入至构建的所述卷积神经网络中，其中，所述训练数据集包括大量可拼接图片对，所述可拼接图像对中包括可拼接在一起的至少两张图片；

S32：通过所述卷积神经网络进行前向传播计算并获得输出结果；

S33：利用所述输出结果与当前可拼接图片对相应的训练标签计算出误差并进行反向传播，以更新所述卷积神经网络的特性；

S34：重复步骤S31至步骤S33以进行迭代更新，生成最终经训练的卷积神经网络模型。

6.一种基于深度学习的风机叶片图像全景拼接系统，用于执行权利要求1至5中任一项所述的风机叶片图像全景拼接方法，其特征在于，所述系统包括：

图像标注模块，利用预先获取的大量风机叶片图片进行位置标注，获得多个可拼接图片对的相对位置关系数据；

图像数据存储模块，用于存储所述多个可拼接图片对的相对位置关系数据以作为训练标签集；

深度学习模块，包括卷积神经网络模型，用于获取待拼接的原始风机叶片图片的位置关系数据并对所述待拼接的原始风机叶片图片进行拼接，其中，所述卷积神经网络模型是由构建的卷积神经网络经过所述训练标签集训练获得的。