[发明专利]基于深度强化网络残差连接的轮廓检测方法

摘要

本发明旨在提供一种基于深度强化网络残差连接的轮廓检测方法，包括以下步骤：A、构建包含7个等级、5个阶段的深度神经网络结构；B、预设训练数据集，输入训练数据集中的训练图像及其真实轮廓图，训练深度神经网络；C、利用双线性插值算法对待检测图像进行处理，分别得到待检测放大图像、待检测缩小图像，分别输入深度神经网络得到输出响应，将各像素点在上述三个轮廓响应图中对应的特征值取平均值，得到各像素点最终轮廓响应特征值；D、对各像素点的最终轮廓响应特征值使用非极大值抑制和二值化处理，得到最终轮廓图。该方法克服现有技术缺陷，具有融合特征多、检测准确率高的特点。

主权项

1.一种基于深度强化网络残差连接的轮廓检测方法，其特征在于包括以下步骤：A、构建深度神经网络结构，深度神经网络结构具体如下：设定7个等级，分别为等级Ⅰ‑等级Ⅶ，其中，等级Ⅰ中包含5个阶段，分别为阶段Ⅰ‑阶段Ⅴ，所述的每个阶段中分别设置有一个以上的卷积层；所述的等级Ⅱ中设有5个卷积层，分别对应等级Ⅰ中的阶段Ⅰ阶段Ⅴ，设为卷积层Ⅰ‑卷积层Ⅴ；所述的等级Ⅲ设有3个卷积层，分别为卷积层Ⅵ‑卷积层Ⅷ；所述的等级Ⅳ设有4个卷积层，分别为卷积层Ⅸ‑卷积层ⅩⅡ；所述的等级Ⅴ设有3个卷积层，分别为卷积层ⅩⅢ‑卷积层ⅩⅤ；所述的等级Ⅵ设有2个卷积层，分别为卷积层ⅩⅥ‑卷积层ⅩⅦ；所述的等级Ⅶ设有卷积层ⅩⅧ；所述的阶段Ⅰ‑阶段Ⅴ以及等级Ⅱ中的卷积层公式均为m*n‑k conv+relu，其中，m*n表示卷积核的大小，k表示输出通道数，conv表示卷积公式，relu表示激活函数；m*n、k均为预设值；所述的等级Ⅲ‑等级Ⅶ的中卷积层公式均为m*n‑k conv；所述的阶段Ⅰ的第一卷积层的输入响应为原始图像，阶段Ⅰ的其他卷积层的输入响应为该阶段上一卷积层的输出响应；阶段Ⅱ‑阶段Ⅴ中，除了该阶段中的第一卷积层的输入响应之外，该阶段中的其他卷积层的输入响应为上一卷积层的输出响应；阶段Ⅰ‑阶段Ⅳ中最后一个卷积层的输出响应，一方面经过最大池化后作为下一个阶段的第一卷积层的输入响应；另一方面，作为输入响应分别输入到等级Ⅱ中对应的卷积层中，得到卷积层Ⅰ‑卷积层Ⅳ的输出响应；阶段Ⅴ中最后一个卷积层的输出响应直接作为输入响应输入到卷积层Ⅴ，得到卷积层Ⅴ的输出响应；将卷积层Ⅴ的输出响应进行反卷积处理后与卷积层Ⅳ的输出响应相加，并将相加结果分别作为卷积层Ⅵ、卷积层ⅩⅡ的输入响应，得到卷积层Ⅵ、卷积层ⅩⅡ的输出响应；将卷积层Ⅵ的输出响应进行反卷积处理后与卷积层Ⅲ的输出响应相加，并将相加结果分别作为卷积层Ⅶ、卷积层ⅩⅠ的输入响应，得到卷积层Ⅶ、卷积层ⅩⅠ的输出响应；将卷积层Ⅶ的输出响应进行反卷积处理后与卷积层Ⅱ的输出响应相加，并将相加结果分别作为卷积层Ⅷ、卷积层Ⅹ的输入响应，得到卷积层Ⅷ、卷积层Ⅹ的输出响应；将卷积层Ⅷ的输出响应进行反卷积处理后与卷积层Ⅰ的输出响应相加，并将相加结果作为卷积层Ⅸ的输入响应，得到卷积层Ⅸ的输出响应；对于卷积层Ⅹ‑卷积层ⅩⅡ，依次分别将当前卷积层的输出响应进行反卷积处理后与上一卷积层的输出响应相加，并将相加结果分别作为卷积层ⅩⅢ‑卷积层ⅩⅤ的输入响应，得到卷积层ⅩⅢ‑卷积层ⅩⅤ的输出响应；对于卷积层ⅩⅣ‑卷积层ⅩⅤ，依次分别将当前卷积层的输出响应进行反卷积处理后与上一卷积层的输出响应相加，并将相加结果分别作为卷积层ⅩⅥ‑卷积层ⅩⅦ的输入响应，得到卷积层ⅩⅥ‑卷积层ⅩⅦ的输出响应；将卷积层ⅩⅦ的输出响应进行反卷积处理后与卷积层ⅩⅥ的输出响应相加，并将相加结果作为卷积层ⅩⅧ的输入响应，得到卷积层ⅩⅧ的输出响应；即为深度神经网络的输出响应；B、预设训练数据集，训练数据集包含训练图像及其对应的真实轮廓图，输入训练数据集中的训练图像及其真实轮廓图，预设图像批量大小，权重衰减参数，学习率，学习率衰减，最大迭代次数，优化方案和代价函数，以训练数据集中的训练图像作为输入，对应的真实轮廓图作为理想化输出，训练深度神经网络，确定使得深度神经网络输出响应最接近理想化输出的各个卷积核的参数，得到训练完毕的深度神经网络；C、利用双线性插值算法对待检测图像进行处理，分别得到尺寸是待检测图像2倍的待检测放大图像、尺寸是待检测图像0.5倍的待检测缩小图像，将待检测图像、待检测放大图像、待检测缩小图像分别作为深度神经网络的输入，经过深度神经网络输出分别得到待检测图像轮廓响应图、待检测放大图像轮廓响应图、待检测缩小图像轮廓响应图，将各像素点在上述三个轮廓响应图中对应的特征值取平均值，作为该像素点最终轮廓响应特征值，从而得到各像素点最终轮廓响应特征值；D、对各像素点的最终轮廓响应特征值使用非极大值抑制和二值化处理，得到各像素点的最终轮廓值，进而得到最终轮廓图。