一种基于椭圆畸变感知的目标检测模型及方法

本发明涉及基于视觉的目标图像检测领域，尤其涉及一种基于椭圆畸变感知的目标检测模型及方法。

背景技术：

1、随着人工智能技术的飞速发展，机器视觉检测技术在工业生产领域的应用日益广泛。基于深度学习的 yolo 系列目标检测算法可高效处理工业场景下的目标识别任务。然而，现有通用检测技术在铝合金压铸生产线场景中，仍存在对滤网椭圆畸变特征建模不足、缺乏物理约束导致定位偏差、复杂工业环境抗干扰能力弱等问题，致使检测准确性与鲁棒性无法满足生产需求。

2、因此，亟需一种结合椭圆畸变感知与物理一致性约束的方法，以实现铝合金压铸生产线滤网放置状态的高精度检测与稳定判断。

技术实现思路

1、本发明的目的之一在于提供一种目标检测模型，通过使用检测模型进行检测提高检测精度和稳定性。

2、为实现上述目的，本发明提供如下技术方案：一种目标检测模型，基于对yolov11模型的改进，包括：

3、畸变感知检测头，所述畸变感知检测头基于类圆卷积构建动态环形采样结构，通过对特征图中每一像素中心生成环形采样点集合，并利用偏移预测卷积对采样点进行二维位置偏移学习，使采样结构能够根据目标形态产生自适应形变，从而增强模型对椭圆畸变边界结构的响应能力。

4、其中，类圆卷积是指以目标理想圆形轮廓为几何先验，将传统矩形卷积核的规则采样方式调整为环形基准采样方式，并通过可学习二维偏移量使环形采样点沿目标边界发生自适应形变的卷积结构。对于铝合金压铸过滤网等近圆形目标，目标在放置歪斜或视角变化时通常由理想圆形投影为椭圆形；因此，类圆卷积先覆盖圆形轮廓附近的关键边界区域，再通过偏移学习贴合椭圆长轴和短轴方向的边界变化，从而能够比普通矩形卷积核更集中地提取圆形或椭圆形边界特征。

5、进一步的，所述动态环形采样结构包括：在预设半径范围内构建满足环形约束条件的采样点集合，通过批归一化与非线性激活函数对预测偏移量进行范围约束，并基于双线性插值方式获取变形采样位置的特征响应，对环形采样特征进行聚合后完成特征增强表达。

6、进一步的，所述目标检测模型采用圆参数建模方式对目标进行几何表达，将目标表示为圆心坐标与半径参数形式，并通过尺度映射恢复至原图空间，实现与环形感知结构一致的几何建模方式。

7、进一步的，所述目标检测模型在训练阶段采用融合物理一致性约束的类圆改进型距离交并比损失函数对预测结果进行优化，所述损失函数在圆形交并比计算基础上，引入圆心距离惩罚项与半径差异惩罚项构建几何一致性约束，并结合椭圆轴比物理参数构建物理一致性约束项，使预测结果在几何匹配的同时满足物理结构合理性要求。

8、进一步的，所述类圆改进型距离交并比损失函数包括内部区域交并比约束机制和区间调制机制，用于增强对目标中心区域匹配程度的优化能力，并对不同重叠程度区域进行差异化优化，以提升训练稳定性。

9、具体而言，内部区域交并比约束机制是指在预测圆和真实圆的原始半径基础上引入预设缩放系数，得到对应的内圈圆区域，并计算内圈圆区域之间的交并比；该内圈交并比与整体圆形交并比共同约束模型，使模型不仅关注外轮廓是否重叠，也关注目标中心区域是否对齐。区间调制机制是指按照交并比大小将样本划分为低重叠、中等重叠和高重叠等区间，并对不同区间的损失贡献进行非线性压缩或权重调节，避免极端样本主导训练过程。

10、进一步的，替换yolov11原检测头的边界框回归分支为类圆模块，该模块预先生成半径为2的环形基准采样坐标，模拟滤网的理想圆形轮廓。

11、本发明的另一目的在于提供一种基于椭圆畸变感知的目标检测方法，用来提高检测精度和稳定性。

12、为实现上述目的，本发明提供如下技术方案：一种基于椭圆畸变感知的目标检测方法，包括获取铝合金零部件滤网放置图像；

13、将所述目标图像输入上述方案中的目标检测模型中，输出目标类别、结构参数及置信度信息；

14、进一步的，还包括提取椭圆畸变物理参数；其中，目标分割掩膜是指由人工标注或分割算法得到的、用于表示目标所在像素区域的二值掩膜。通过统计该掩膜中目标像素点的空间分布，获得目标区域的外接轮廓、中心位置、主轴方向、次轴方向、主轴长度和次轴长度，并计算主轴与次轴比值作为椭圆畸变程度表征参数，用于反映目标在成像过程中的结构拉伸或压缩程度

15、进一步的，通过引入内圆iou，增强对椭圆中心区域畸变的感知；

16、计算几何惩罚项，包括圆心距离惩罚((cxgt-cxpr)2+(cygt-cypr)2)与半径误差惩罚((rgt-rpr)2)，并归一化至图像尺寸范围。

17、进一步的，基于变形坐标执行双线性插值采样，获取椭圆轮廓上的关键特征点，通过分组卷积聚合特征后，经groupnorm归一化与silu激活输出椭圆畸变基础特征：

18、

19、其中，为变形采样坐标邻近的四个整数坐标，为坐标小数偏移量，为对应坐标的特征值。

20、综上所述，本发明与现有技术相比具有以下有益效果：

21、1、本发明通过引入基于类圆卷积构建的动态环形采样结构，能够自适应匹配实际生产中存在畸变的滤网轮廓，解决了常规检测模型对椭圆畸变特征建模不足的问题，提升了模型对目标畸变边界的特征提取能力；

22、2、采用圆参数结合椭圆物理参数的几何建模方式，搭配融合物理一致性约束的改进损失函数，为模型训练引入了明确的物理结构约束，有效减少了定位偏差，提升了预测结果的合理性；

23、整体改进依托yolov11模型结构实现，仅修改检测头与损失函数，无需大幅调整网络整体架构，推理速度满足工业生产线的实时检测要求，针对复杂工业环境下的铝合金压铸滤网检测任务，拥有更高的检测精度与更强的鲁棒性，能够满足实际生产的检测需求。

1.一种目标检测模型，其特征在于，基于对yolov11模型的改进，包括：畸变感知检测头，所述畸变感知检测头基于类圆卷积构建动态环形采样结构；所述类圆卷积是指以目标的理想圆形轮廓为先验，在特征图像素中心周围生成环形基准采样点，并通过偏移预测卷积学习各采样点二维偏移量的卷积结构；所述畸变感知检测头利用该类圆卷积使采样结构能够根据目标形态产生自适应形变，从而增强模型对椭圆畸变边界结构的响应能力。

2.根据权利要求1所述的一种目标检测模型，其特征在于，所述动态环形采样结构包括：在预设半径范围内构建满足环形约束条件的采样点集合，通过批归一化与非线性激活函数对预测偏移量进行范围约束，并基于双线性插值方式获取变形采样位置的特征响应，对环形采样特征进行聚合后完成特征增强表达。

3.根据权利要求1所述的一种目标检测模型，其特征在于，所述目标检测模型采用圆参数建模方式对目标进行几何表达，将目标表示为圆心坐标与半径参数形式，并通过尺度映射恢复至原图空间，实现与环形感知结构一致的几何建模方式。

4.根据权利要求1所述的一种目标检测模型，其特征在于，所述目标检测模型在训练阶段采用融合物理一致性约束的类圆改进型距离交并比损失函数对预测结果进行优化，所述损失函数在圆形交并比计算基础上，引入圆心距离惩罚项与半径差异惩罚项构建几何一致性约束，并结合椭圆轴比物理参数构建物理一致性约束项，使预测结果在几何匹配的同时满足物理结构合理性要求。

5.根据权利要求4所述的一种目标检测模型，其特征在于，所述类圆改进型距离交并比损失函数包括内部区域交并比约束机制和区间调制机制；其中，所述内部区域交并比约束机制是指按照预设缩放系数对预测圆与真实圆的半径进行缩放后计算内圈交并比，并将其与外圈圆形交并比共同作为重叠度约束；所述区间调制机制是指根据交并比所处区间对损失值进行非线性压缩或加权，使低重叠区域、中等重叠区域和高重叠区域具有不同的优化强度，以提升训练稳定性。

6.根据权利要求1所述的一种目标检测模型，其特征在于，所述畸变感知检测头替换yolov11原检测头的边界框回归分支为类圆模块，该类圆模块预先生成半径为2的环形基准采样坐标，以模拟滤网的理想圆形轮廓，并通过可学习偏移将环形基准采样坐标调整为适配椭圆畸变轮廓的变形采样坐标。

7.一种基于椭圆畸变感知的目标检测方法，其特征在于，包括：获取目标放置图像；将所述目标放置图像输入权利要求1-6任意一项所述的目标检测模型中，由所述目标检测模型输出目标类别、结构参数及置信度信息；根据所述结构参数判断目标放置状态。

8.根据权利要求7所述的一种基于椭圆畸变感知的目标检测方法，其特征在于，还包括提取椭圆畸变物理参数；其中，所述目标分割掩膜为标注或分割得到的目标区域二值图像，通过对目标分割掩膜中属于目标区域的像素点坐标进行统计，确定目标区域的主轴方向、次轴方向、主轴长度和次轴长度，并计算主轴与次轴比值作为椭圆畸变程度表征参数，用于反映目标在成像过程中的结构拉伸或压缩程度。

9.根据权利要求7所述的一种基于椭圆畸变感知的目标检测方法，其特征在于，通过引入内圆iou，增强对椭圆中心区域畸变的感知；

10.根据权利要求7所述的一种基于椭圆畸变感知的目标检测方法，其特征在于，基于变形坐标执行双线性插值采样，获取椭圆轮廓上的关键特征点，通过分组卷积聚合特征后，经groupnorm归一化与silu激活输出椭圆畸变基础特征: