一种基于主干边缘特征提取的工业零件空载率计算方法

技术特征：
1.一种基于主干边缘特征提取的工业零件空载率计算方法，其特征在于，包括步骤：s1、对正投影拍取的工业零件输送箱的原始图像进行腐蚀、扩展、图像打开操作和图像关闭操作四个基本动作，得到预处理图像；s2、采用多尺度cnn卷积网络对所述预处理图像进行边缘提取，得到融合边缘图；s3、获取所述融合边缘图的最小闭合区域；s4、根据所述最小闭合区域的面积与工业零件输送箱的总面积得到该工业零件输送箱的空载率。2.根据权利要求1所述的一种基于主干边缘特征提取的工业零件空载率计算方法，其特征在于，在所述步骤s2中，所述多尺度cnn卷积网络包括顺序连接的cnn卷积模块、上采样块和融合模块；所述cnn卷积模块包括5个顺序连接的cnn块；所述步骤s2具体包括步骤：s21、5个顺序连接的cnn块分别提取所述预处理图像在5个尺度下的特征，得到5个尺度下的特征图像；s22、所述上采样块对5个尺度下的特征图像进行特征对齐，得到尺寸相同的5个特征图像；s23、所述融合模块对所述上采样块输出的5个特征图像进行融合，得到融合边缘图。3.根据权利要求2所述的一种基于主干边缘特征提取的工业零件空载率计算方法，其特征在于，在所述多尺度cnn卷积网络的训练过程中，利用邻域信息训练所述cnn卷积模块，采用的损失函数为：采用的损失函数为：采用的损失函数为：其中，表示所述cnn卷积模块的权重，表示减弱背景的损失函数，表示增强边缘的损失函数，x
k
表示原始输入图像像素的对应的实际二值边缘像素，x

和x-分别为处于非边缘区域和边缘区域的真实值标签；η和1-η分别表示边缘像素和非边缘像素占总像素的数量比率，用于平衡边缘检测中不均衡的边缘样本和背景样本；和分别表示像素为非边缘像素和边缘像素的概率，和和分别表示包含了邻居信息的边缘预测区域中属于非边缘像素和边缘像素的概率，概率由sigmoid函数得到，结
果为[0，1]，α是调整邻域间平衡的超参数，假设众多邻居x
p
集合为则每个邻居为m是定义的邻居数，z
j
具有与单色图像中的二值化属性相关的二值，即z
j
＝1或0。4.根据权利要求2或3所述的一种基于主干边缘特征提取的工业零件空载率计算方法，其特征在于：所述融合模块包括第一叠加单元、第二叠加单元、第一串联单元、第二串联单元、1
×
1卷积层；所述步骤s23具体包括步骤：s231、所述第一叠加单元对所述上采样块输出的第一个特征图像和第二个特征图像进行叠加后输入第一串联单元；s232、所述第二叠加单元对所述上采样块输出的第三个特征图像和第四个特征图像进行叠加后输入第一串联单元；s233、所述第一串联单元对所述第一叠加单元和所述第二叠加单元的输出进行串联；s234、所述第二串联单元对所述第一串联单元的输出与所述上采样块输出的第五个特征图像进行串联后输入至所述1
×
1卷积层；s235、所述1
×
1卷积层执行卷积操作后输出融合边缘图。5.根据权利要求4所述的一种基于主干边缘特征提取的工业零件空载率计算方法，其特征在于：所述cnn卷积模块包括顺序连接的第一cnn块、第二cnn块、第三cnn块、第四cnn块、第五cnn块；所述第一cnn块包括顺序连接的第一3
×
3卷积层、第一批标准化层、第一最大池化层；所述第二cnn块包括顺序连接的第二3
×
3卷积层、第二批标准化层、第三3
×
3卷积层、第三批标准化层、第二最大池化层，所述第三cnn块包括顺序连接的第四3
×
3卷积层、第四批标准化层、第三最大池化层，所述第四cnn块包括顺序连接的第五3
×
3卷积层、第五批标准化层、第六3
×
3卷积层、第六批标准化层、第四最大池化层，所述第五cnn块包括顺序连接的第七3
×
3卷积层、第七批标准化层；所述第一批标准化层、所述第三批标准化层、所述第四批标准化层、所述第六批标准化层、所述第七批标准化层连接所述上采样块。6.根据权利要求5所述的一种基于主干边缘特征提取的工业零件空载率计算方法，其特征在于，在所述上采样块中设计一对卷积和反卷积运算来进行特征对齐：其中和ρ(
·
)分别表示卷积和反卷积的作用函数，bn(
·
)表示批量归一化，表示所述cnn卷积模块输出的5个尺度下的特征图像，表示所述上采样块输出的5个特征图像，i＝1，2，3，4，5。7.根据权利要求2～6任一项所述的一种基于主干边缘特征提取的工业零件空载率计算方法，其特征在于，所述步骤s3具体包括步骤：s31、通过轮廓检测算法获得所述融合边缘图的闭合区域，其中闭合区域的数量及其位置分别表示为k和∑(h
i
，v
i
)|i＝1，2，...，k}，(h
i
，v
i
)＝∑(h
j
，v
j
)，j＝1，2，...，m，m是闭合区域中的边缘像素量；s32、求出最小闭合区域：
8.根据权利要求7所述的一种基于主干边缘特征提取的工业零件空载率计算方法，其特征在于，在所述步骤s31中，通过轮廓检测算法获得所述融合边缘图的闭合区域的过程包括步骤：s311、通过滑动窗口样式算法密集分配一组方形边界框，方形边界框的中心区域应覆盖所述融合边缘图的边界像素；s312、采用方形边界框沿所述融合边缘图的边界提取一系列边界块；s313、通过抑制非极大值的冗余目标搜索出局部最优解，来过滤掉一部分边界块，期间通过调整非最大抑制阈值来控制重叠量；s314、将剩余的边界块和掩膜块调整大小后送入细化网络hrnetv2进行细化，得到融合边缘图的闭合区域。9.根据权利要求7所述的一种基于主干边缘特征提取的工业零件空载率计算方法，其特征在于，在所述步骤s4中，通过下式计算工业零件的空载率l
none
：其中，a
t
为工业零件输送箱的总面积，a
min
是最小封闭区域(h
min
，v
min
)的面积。

技术总结
本发明涉及工业零件识别技术领域，具体公开了一种基于主干边缘特征提取的工业零件空载率计算方法，包括步骤：对正投影拍取的工业零件输送箱的原始图像进行腐蚀、扩展、图像打开操作和图像关闭操作四个基本动作，得到预处理图像；采用多尺度CNN卷积网络对所述预处理图像进行边缘提取，得到融合边缘图；获取所述融合边缘图的最小闭合区域；根据所述最小闭合区域的面积与工业零件输送箱的总面积得到该工业零件输送箱的空载率。本方法构造了一个多尺度CNN卷积网络，通过具有深特征和浅特征的混合操作来学习工业零件的基本信息，获取工业零件的主干并过滤细节。本方法步骤简明，所构建的网络模型结构简单，计算工业零件空载率的过程快速而又准确。过程快速而又准确。过程快速而又准确。


技术研发人员：利节 覃锐 黄琦麟 吴瑞 杜忠凯 颜定江 黄晓薇
受保护的技术使用者：重庆科技学院
技术研发日：2022.03.18
技术公布日：2022/6/4