一种面向易形变特征检测的深度学习方法

摘要: 本发明属于图像检测领域,具体涉及一种面向易形变特征检测的深度学习方法。背景技术:1、在图像检测领域,传统的图像数据通常固定形状目标且可获得较好效果,但对于存在复...
一种面向易形变特征检测的深度学习方法

本发明属于图像检测领域,具体涉及一种面向易形变特征检测的深度学习方法。

背景技术:

1、在图像检测领域,传统的图像数据通常固定形状目标且可获得较好效果,但对于存在复杂形变特征的目标,如冲孔过程中的软质材料,传统方法往往难以精准建模其特征变化,从而影响检测精度。

2、当前深度学习技术已经广泛应用于目标检测、缺陷识别等领域,其依赖的神经网络大多以标准卷积核进行图像特征提取。然而,这类卷积结构普遍假设目标具有稳定且各向同性的空间分布,忽略了材料在实际冲压过程中由于形变所导致的边缘模糊、轮廓拉伸等形变问题。因此,在检测易形变特征时,这种各向均衡的感受野设置往往无法有效捕捉具有方向性变化的细粒度结构特征,导致识别准确率下降。

3、例如,当冰箱内胆在受到冲压后,其孔洞边缘往往因材料特性而呈现出一定方向上的拉伸或压缩。如果检测模型缺乏对该方向性特征的感知能力,极有可能将变形后的孔洞误判为正常结构,或将正常孔洞误识为缺陷区域,严重影响产品质量控制。

4、传统基于空间均匀采样的神经网络在此类的方向敏感特征检测任务中表现不佳,无法适应复杂工业场景中材料形态变化带来的显著图像差异。神经网络中常出现预测准确率不足的问题。

技术实现思路

1、根据以上现有技术的不足,本发明所要解决的技术问题是提出一种新的卷积结构,通过新的易形变特征检测深度学习方法,将原本采用各向同性特征提取的检测方法改变为能够针对特定方向增强特征敏感性的检测方法,通过方向敏感卷积osc(orientation-sensitive convolution)的各向异性特征提取有效地提高例如冰箱内胆易形变冲孔的检测精度,更好的满足了工业生产的需求。

2、为了解决上述技术问题,本发明采用的技术方案为:一种面向易形变特征检测的深度学习方法,包括以下步骤:

3、步骤一:获取待检测图像数据,所述图像数据包括具有易形变特征的目标对象图像,以冰箱内胆冲孔图像为例;

4、步骤二:将所述图像数据输入至具有3×3卷积结构的深度学习神经网络模型中,所述3×3卷积结构包含各向同性卷积阶段;

5、步骤三:在所述3×3卷积阶段引入并联结构的方向敏感卷积模块,所述方向敏感卷积模块由多个具有固定方向感知能力的卷积核组成,包含用于提取水平方向、垂直方向、以及45°方向图像特征的方向敏感卷积核;

6、步骤四:将图像数据同时输入3×3卷积模块与方向敏感卷积模块,分别进行特征提取操作,并将二者输出的特征图在通道维度进行融合,以保留形变方向信息;

7、步骤五:将融合后的图像特征输入至后续网络结构进行进一步处理与目标检测,输出冲孔区域的检测结果;

8、步骤六:根据输出结果,对易形变冲孔目标进行精度评估与定位识别,适配于工业场景下对变形目标的检测需求。

9、上述方法中,步骤三中引入的三个方向敏感卷积核是用于增强模型对不同方向变形特征的感知能力。进而可以提升对不规则冲孔、形变区域等复杂目标的检测能力。

10、步骤四中方向敏感卷积模块与3×3卷积模块的输出特征通过通道维度拼接实现特征融合,从而保留不同方向的特征响应信息;该融合方法不仅适用于冰箱内胆冲孔检测等工业质检场景,还能适配资源受限的边缘计算设备部署需求。

11、本发明有益效果是:本发明提供的一种面向易形变特征检测的深度学习方法,不同于传统深度学习对各个方向特征提取各向同性的特点,新的易形变特征检测方法,将图像数据输入具有3×3卷积结模块的结构中,再将方向敏感卷积并联在该卷积模块上,所述方向敏感卷积核包含水平、垂直及45°方向,能够显著提升模型对孔洞边缘特征的检测精度。再一步将图像数据特征在该卷积模块上进行特征提取。下一步,通道提取特征并融合特征。最后传递至后续网络层进一步处理与检测输出结果。

1.一种面向易形变特征检测的深度学习方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的易形变特征检测方法,其特征在于,步骤三所述的方向敏感卷积包含三个方向卷积核,分别为水平方向卷积核、垂直方向卷积核以及45°方向卷积核,用于增强模型对不同方向变形特征的感知能力。其参数初始化为:

3.根据权利要求1和权利要求2所述的方法,其特征在于,步骤四中方向敏感卷积模块与3×3卷积模块的输出特征在通道维度上进行拼接融合,保留各自方向特征响应信息。

4.根据权利要求1所述的方法,其特征在于,步骤四中所述方法适用于冰箱内胆冲孔检测及其他工业检测任务,可部署于资源受限的工业设备中。