[发明专利]基于语义分割的旋开盖图像处理方法

权利要求书

1.基于语义分割的旋开盖图像处理方法，其特征在于，包括如下步骤：

第一步，通过工业相机从流水线上采集旋开盖图像，并将旋开盖图像传输到工业控制计算机上，工业控制计算机保存图像集并对其进行处理；

第二步，对旋开盖所有图像去噪，使用高斯滤波方法对每张图片进行去噪；

第三步，实现对旋开盖正面、反面图像的分割，获得瓶盖正面数据集和瓶盖反面数据集；

第三步中利用颜色分选方法实现旋开盖正面、反面图像的分割，具体实现方式如下；

(31)颜色空间变换，瓶盖图像原本属于RGB颜色空间，为了更好地分选出瓶盖正面与反面，使用HIS模型进行颜色分选，RGB坐标与HIS坐标的转换为：

(32)颜色特征提取，采用颜色直方图描述瓶盖图像颜色的全局分布，根据瓶盖的颜色，将颜色划分为A，B，C，白色，其中A，B，C表示瓶盖正面的颜色等级，瓶盖正面的等级需根据实际情况来设定，提取出H，S，I三个通道的颜色直方图信息作为样本数据；

(33)使用欧式距离分选算法来分选出瓶盖正面与反面图像，向量各个元素的平方求和，再求平方根，若白色等级相同，则为瓶盖反面；

第四步，针对瓶盖正面数据集，采用求质心法、RANSAC算法和最小二乘拟合方法相结合的方法，提出了一种基于改进的RANSAC图像分割方法，得到旋开盖正面外沿图像；

第四步的具体实现方式如下，

(41)首先对旋开盖正面图像作二值化处理，使瓶盖正面与背景具有明显的边界；

(42)确定二值化图像的外接矩形；

(43)使用原图像在外接矩形内的像素点与矩形的横纵坐标计算，得出瓶盖中心点坐标(x,y)；

(44)提取原图像边缘点，所有边缘点构成点集D，令当前循环次数k＝0；

(45)随机抽样移除点集D的p％的样本点，将留下来的点集D_k，利用最小二乘拟合计算圆的参数模型，得到圆的参数[x_c,y_c,R]，圆心(x_c,y_c)，半径R，若圆的半径R的范围在预设的范围之内，则转(46)；否则转(47)；

(46)计算(45)的圆心(x_c,y_c)与(43)的瓶盖中心点坐标(x,y)的二范数，即它的欧式距离将d_k与d_k-1比较，选择距离小的欧式距离作为当前最优的拟合圆；

(47)k＝k+1，若k＞K_max，则结束；否则转(43)；

第五步，针对瓶盖反面数据集，首先基于改进的RANSAC图像分割方法进行分割，得到旋开盖反面外沿图像；然后构建卷积神经网络，利用训练好的卷积神经网络处理分割后的瓶盖反面数据集，最终获得旋开盖反面内沿图像；所述旋开盖反面外沿图像定义为整个瓶盖反面图像，旋开盖反面内沿图像定义为除去瓶盖盖爪部分的图像。

2.如权利要求1所述的基于语义分割的旋开盖图像处理方法，其特征在于：(43)中利用最小二乘拟合计算圆的参数模型的具体实现方式如下，

假设图像集D_k中有一系列数据点这些点为圆的轮廓点，中心点为(x_c,y_c)，半径为R，根据圆的表达式和最小二乘拟合要求的平方和最小，得出式：

(x_i-x_c)²+(y_i-y_c)²＝(x_i+1-x_c)²+(y_i+1-y_c)²(i＝1,2,...,m-1)

对上式进行简化：

令上式中

得：

a_ix_c+b_iy_c＝c_i(i＝1,2,...,m-1)

误差函数为：

通过求导，得出圆的中心坐标(x_c,y_c)为：

令

则圆的半径为

3.如权利要求1所述的基于语义分割的旋开盖图像处理方法，其特征在于：第五步中的卷积神经网络的网络结构分为编码器和解码器两大部分，在编码器中旋开盖图像通过特征提取网络提取了旋开盖的特征，经过1*1卷积，扩展率为6、12、18的3*3卷积，以及全局平均池化层和1*1的卷积；在解码器端，低层特征和编码器端的输出分别经过卷积和上采样进行特征融合，最后经过卷积和上采样输出最后的分割图像。