[发明专利]一种针织鞋面布料的轮廓检测方法

说明书

本发明公开了一种针织鞋面布料的轮廓检测方法，包括如下步骤：S1.数据获取；S2.构建主干网络；S3.构建边缘网络；S4.损失函数的设置；S5.训练网络模型。这种方法能精准定位边缘信息，布料轮廓边缘检测精度细，准确率高。

技术领域

本发明涉及针织鞋面布料图像的轮廓边缘检测研究，属于工业应用下的机器视觉领域的图像处理领域，具体是一种针织鞋面布料的轮廓检测方法。

背景技术

图像边缘检测的算法研究是许多高级计算机视觉任务的基础，比如分割、图像复原、目标检测等。随着深度学习在机器视觉应用领域的更新发展，图像边缘检测技术的难点聚焦于如何检测出一个完整的边缘轮廓和如何让检测的边缘更加精细化。许多研究学者围绕该问题也展开了大量的学术性研究，目前基于深度学习的边缘检测算法研究也取得了一定的进展。例如，方法[Xie S 2015]使用卷积神经网络进行边缘检测研究被认为是将卷积神经网络应用于边缘检测领域的开山之作。该方法使用VGG16作为主干网络对输入图像进行特征提取，通过深监督的方式对主干网络的每个阶段进行监督，生成边缘图的边缘网络是简单地组合主干网络各个阶段的中间层输出然后降维至单通道的灰度图进而得到预测的边缘图(Xie S,Tu Z.Holistically-nested edge detection[C]//Proceedings of theIEEE international conference on computer vision.2015:1395-1403.)。随后，后续的一些学者也提出了一些基于主干网络VGG16的新的边缘检测网络，比如RCF、BDCN等。方法[liu Y 2017]从卷积的角度入手，利用丰富的卷积特征构建期了一个新的边缘检测网络(Liu Y,Cheng M M,Hu X,et al.Richer convolutional features for edge detection[C]//Proceedings of the IEEE conference on computer vision and patternrecognition.2017:3000-3009.)；方法[He J 2019]从特征图的尺度入手，认为每个尺度都有不同的特征可以学习，从而通过双向级联的方式构建了新的边缘检测网络，效果也比之前所有的边缘检测网络更好(He J,Zhang S,Yang M,et al.Bi-directional cascadenetwork for perceptual edge detection[C]//Proceedings of the IEEE/CVFConference on Computer Vision and Pattern Recognition.2019:3828-3837.)；另外，方法[Su Z 2021]也提供了新的思路，把传统的边缘检测方法中的计算梯度的操作整合进深度学习中，使得在深度学习中进行边缘检测推理是计算图像的梯度，进而提高边缘检测的精度(Su Z,Liu W,Yu Z,et al.Pixel difference networks for efficient edgedetection[C]//Proceedings of the IEEE/CVF International Conference onComputer Vision.2021:5117-5127.)。

现有技术的缺陷：

对于有着复杂纹理的布料图像的获取往往是通过工业相机和相应的光源打光来获取的。由于获取到的图像质量跟光源打光有着非常大的关系，所以获得的布料图像是否清晰取决于打光的效果是否足够好。目前的轮廓边缘检测方法都存在着一些缺陷，其一是几乎所有的边缘检测方法都不是端到端的，都需要后续的后处理算法才能获得比较好的边缘质量；其二是目前的低层特征图都不具备很好的语义信息，高层网络不具备重要的细节信息；其三是随着网络深度的加深，细节信息难以保留。在针织鞋面布料的轮廓边缘检测过程中图像是没有颜色差异的，所以如何解决上述问题是至关重要的。

发明内容

本发明的目的是满足应用于工业机器视觉领域的耗时需要，同时把布料轮廓边缘检测完整，而提供一种针织鞋面布料的轮廓检测方法。这种方法能精准定位边缘信息，布料轮廓边缘检测精度细，准确率高。