[发明专利]一种基于深度学习的钢卷端面边缘检测方法有效
| 申请号： | 201910844889.4 | 申请日： | 2019-09-07 |
| 公开（公告）号： | CN110648316B | 公开（公告）日： | 2021-02-26 |
| 发明（设计）人： | 张发恩;范峻铭;黄家水;唐永亮 | 申请（专利权）人： | 创新奇智（成都）科技有限公司 |
| 主分类号： | G06T7/00 | 分类号： | G06T7/00;G06T7/13;G06K9/62;G06N3/04 |
| 代理公司： | 北京中南长风知识产权代理事务所(普通合伙) 11674 | 代理人： | 郑海 |
| 地址： | 610200 四川省成都市双流区东升街道银河路三段1*** | 国省代码： | 四川;51 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于深度学习的钢卷端面边缘检测方法，包括对深度卷积神经网络结构进行改进，分别对多尺度特征提取部分和多尺度特征融合部分进行改进，多尺度特征提取部分由五个不同尺度的特征提取模块组成，多尺度特征融合部分主要由卷积层和反卷积层组成，进行图像采集，将采集后的图像送入深度卷积神经网络进行边缘检测，然后输出边缘检测结果；本发明通过对深度卷积神经网络进行改进，深度卷积神经网络从数据中自动学习特征，能够学习到忽略数字的边缘，只将钢卷的边缘给表示出来，具有更好的鲁棒性，检测效果好。 | ||
| 搜索关键词： | 一种 基于 深度 学习 端面 边缘 检测 方法 | ||
【主权项】：
1.一种基于深度学习的钢卷端面边缘检测算法，其特征在于，包括以下步骤：/nS1，对深度卷积神经网络结构进行改进，分别对多尺度特征提取部分和多尺度特征融合部分进行改进；/nS101，多尺度特征提取部分由五个不同尺度的特征提取模块组成，每个模块包含两到三个卷积核3×3的卷积层以及一个核为2×2、步长为2的最大值池化层，第一个尺度特征提取模块包含两个卷积层，卷积滤波器数量为64，第二个模块包含两个卷积层，卷积滤波器数量为128，后续三个尺度特征提取模块均包含三个卷积层，卷积滤波器数量随着尺度变化依次乘2，每经过一次池化层，则特征图的尺度会减半，所以5个特征提取模块一共输出了5种不同尺度的特征图；/nS102，多尺度特征融合部分主要由卷积层和反卷积层组成，对每个尺度的特征图，首先会经过一个1×1的卷积层，然后会经过一个反卷积层，得到5个相同尺寸的特征图之后，将这5个特征图拼接到一起，然后再经过一个1×1的卷积层，这个卷积层的作用是自动学习不同尺度特征图的权重，最终将5个特征图进行加权求和得到网络的输出；/nS2，进行图像采集，将采集后的图像送入深度卷积神经网络进行边缘检测，然后输出边缘检测结果。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于创新奇智（成都）科技有限公司，未经创新奇智（成都）科技有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910844889.4/，转载请声明来源钻瓜专利网。
