[发明专利]一种基于深度学习的三维编制物编制密度检测方法

权利要求书

1.一种基于深度学习的三维编制物编制密度检测方法，其特征在于，包括如下步骤：

步骤1、采集三维编制物表面图像，根据先验知识对采集的三维编制物表面图像进行类别和位置标注，获得三维编制物表面数据集；所述三维编制物表面数据集划分为训练集和验证集；

步骤2、构建深度学习网络模型，将所述训练集输入所述深度学习网络模型中进行训练，当损失函数值小于1且不再下降时，停止训练；

将所述验证集输入经训练的深度学习网络模型中，输出标有纵横线类别和位置的三维编制物表面图像，将输出的三维编制物表面图像的类别与位置与所述验证集的类别和位置标注进行比较，若准确率均高于设定值，则完成对深度学习网络模型的训练；所述设定值为90％；

步骤3、实时获取一张三维编制物表面图像，将该图像输入到训练好的深度学习网络模型中，输出标有纵横类别和位置的图像，依据各纵横线单体的位置坐标，计算出编制密度值；

步骤2中，所述深度学习网络模型包括用于特征图的提取的特征提取模块和用于预测三维编制物表面图像上的纵横类别与位置坐标的检测模块；所述特征提取模块的输出端与所述检测模块的输入端连接；

所述检测模块包含在单特征层上作用一个空洞卷积；

步骤2中，所述深度学习网络模型的损失函数L为：

其中，N表示提取到的预测框总数，L_cls表示focal损失函数，L_reg表示交叉熵损失函数，(x,y)表示特征图中预测纵横单体的位置坐标；α为超参数，用于平衡两者损失，取值为1；

步骤3中，编制密度计算方法包括：根据所述深度网络模型输出的三维编制物表面图像上的预测纵横线单体坐标，先提取出处于同一条纵向线或横向线上的纵横线单体，然后根据坐标值，计算出每像素点上的单体个数，最后再根据标定的尺寸，得到编制密度；

具体地，包括：

步骤S301、对于横向的纬线，需要找到处在同一横向线上的所有纬线单体，取纬线单体的位置坐标中的左上坐标，当纵坐标的相差值在±20时，都认为处于同一横向线上，统计同一横向线上的纬线单体个数x，取三维编制物表面图像的宽w，得到纬线在像素级上的密度值为“x÷w”，单位为“纬线个数/每像素”，再根据标定的尺寸，扩展到现实世界中的密度单位，统计整张三维编制物表面图像上的所有横向线上的密度值，求均值得到图像的纬线密度值；

步骤S302、对于纵向的经线，需要找到处在同一纵向线上的所有经线单体，取经线单体的位置坐标中的左上坐标和右下坐标，取定左上坐标值最小的经线单体作为图像最顶端的纵向线起始端，找到剩余经线单体中左上坐标与该单体的右下坐标相比，横纵坐标相差值均在±15的经线单体作为该纵向线的下一级经线，重复，直到找不到下一级经线单体，得到一条完整纵向线上的所有经线单体，统计同一纵向线上的经线单体个数y，取三维编制物表面图像的高h，得到纬线在像素级上的密度值为“y÷h”，单位为“经线个数/每像素”，再根据标定的尺寸，扩展到现实世界中的密度单位，因为纵向经线存在当前图像中缺失部分的情况，所以最终取纵向线上经线单体数最多的作为整个图像的经线密度值。