一种基于VGG-16的高精度光斑中心检测方法技术

本发明专利技术公开了一种基于VGG

【技术实现步骤摘要】
一种基于VGG
‑
16的高精度光斑中心检测方法


[0001]本专利技术涉及一种光斑中心检测方法，特别是一种基于VGG
‑
16的高精度光斑中心检测方法。

技术介绍

[0002]激光光斑中心的检测定位在工业测量领域有着广泛而重要的应用，如何准确检测激光光斑中心是一项关键技术，当前的激光光斑中心检测技术有重心法、插值法、加权插值法等，但这些方法均存在不同程度的抗干扰能力差、检测精度低的问题。

技术实现思路

[0003]为了克服现有技术的不足，本专利技术提供一种基于VGG
‑
16的高精度光斑中心检测方法。
[0004]本专利技术解决其技术问题所采用的技术方案是：一种基于VGG
‑
16的高精度光斑中心检测方法，包括以下步骤：（1）、获取激光光斑图并进行中心标注，标注完成的激光光斑图在进行归一化后制作为光斑数据集；（2）、基于VGG
‑
16构建光斑中心检测神经网络；（3）、对光斑数据集进行数据增强后输入至光斑中心检测神经网络，将光斑中心检测神经网络训练收敛为光斑中心检测模型；（4）、将需要进行中心检测的待测光斑图归一化后输入至光斑中心检测模型内，光斑中心检测模型输出归一化坐标；（5）、将归一化坐标结合待测光斑图进行测算后，获取待测光斑图的中心坐标位置。
[0005]所述步骤2的光斑中心检测神经网络由依次相连的十四个卷积层和一个全连接层构成，最后一卷积层的尺寸为1x1，全连接层的神经元个数为2，且全连接层采用的激活函数为线性激活函数。
[0006]所述卷积层的通道数为64。
[0007]所述步骤3采用的损失函数为SmooohL1，采用的优化策略为随机梯度下降法。
[0008]所述步骤1的激光光斑图获取的变化因素包括场景、入射角度和激光器。
[0009]所述步骤3的数据增强是对光斑数据集的激光光斑图进行包括角度旋转、翻转、翻转后角度旋转、模糊增强以及亮暗调节的处理，原始的激光光斑图在进行数据增强后均进行归一化，形成新的激光光斑图一并制作为光斑数据集。
[0010]本专利技术的有益效果是：本专利技术通过获取标注激光光斑图后制作光斑数据集，以光斑数据集将光斑中心检测神经网络训练收敛为光斑中心检测模型，将需要进行中心检测的待测光斑图输入至光斑中心检测模型内以获取归一化坐标，最终测算出待测光斑图的中心坐标位置，整个方法的实现与应用都极为便捷有效，能快速地对光斑图进行高精度的光斑
中心检测，且具有抗干扰性强、普适性高的优点。
附图说明
[0011]下面结合附图和实施例对本专利技术进一步说明。
[0012]图1是本专利技术的方法流程图；图2是光斑中心检测神经网络的结构示意图。
具体实施方式
[0013]参照图1，一种基于VGG
‑
16的高精度光斑中心检测方法，包括以下步骤：（1）、获取激光光斑图并进行中心标注，激光光斑图获取的变化因素包括场景、入射角度和激光器，通过采用不同的激光器、入射角度以及场景而获取多类型的激光光斑图，使得激光光斑图在制作成数据集所训练出的模型具有极高的抗干扰能力及泛化能力，中心标注的目的是令光斑中心检测模型具有高精度的特性，标注的方法主要是人工找出激光光斑图的光斑中心进行标注(即光斑在图像中的x，y坐标)，标注完成的激光光斑图在进行归一化后制作为光斑数据集，作为模型训练的监督信息。
[0014]（2）、基于VGG
‑
16构建光斑中心检测神经网络，参照图2，光斑中心检测神经网络由依次相连的十四个卷积层（前十三个卷积层中夹杂着五个池化层MAXPOOL，与VGG
‑
16相同）和一个全连接层构成，而VGG
‑
16的网络结构是由十三个卷积层和三个全连接层构成，与VGG
‑
16网络的主要区别在于光斑中心检测神经网络的十三个卷积层后增加了一个卷积层，这最后一卷积层的尺寸为1x1，三个全连接层也改进为一个全连接层，全连接层的神经元个数为2，对应激光光斑在图像中坐标，且全连接层采用的激活函数为线性激活函数（本实施例采用的是双曲正切激活函数），替代原VGG
‑
16的非线性激活函数Relu6，卷积层的通道数由512降为64,确保中心检测效果最佳的情况下有效地降低运算量。
[0015]（3）、对光斑数据集进行数据增强后输入至光斑中心检测神经网络，将光斑中心检测神经网络训练收敛为光斑中心检测模型，激光光斑中心检测是一个回归问题，因此训练采用的损失函数为SmooohL1，采用的优化策略为随机梯度下降法，数据增强是对光斑数据集的激光光斑图进行包括角度旋转、翻转、翻转后角度旋转、模糊增强以及亮暗调节的处理，原始的激光光斑图在进行数据增强后均进行归一化，形成新的激光光斑图一并制作为光斑数据集，这会使得训练出的光斑中心检测模型具有极高的普适性。
[0016]（4）、将需要进行中心检测的待测光斑图归一化后输入至光斑中心检测模型内，光斑中心检测模型输出归一化坐标；（5）、将归一化坐标结合待测光斑图进行测算后，获取待测光斑图的中心坐标位置，主要是归一化坐标乘上待测光斑图的宽高即可获取待测光斑图的光斑中心坐标位置，因此，本专利技术方法的实现与应用都极为便捷有效，能快速地对光斑图进行高精度的光斑中心检测，且具有抗干扰性强、普适性高的优点。
[0017]以上的实施方式不能限定本专利技术创造的保护范围，专业
的人员在不脱离本专利技术创造整体构思的情况下，所做的均等修饰与变化，均仍属于本专利技术创造涵盖的范围之内。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于VGG
‑
16的高精度光斑中心检测方法，其特征在于它包括以下步骤：（1）、获取激光光斑图并进行中心标注，标注完成的激光光斑图在进行归一化后制作为光斑数据集；（2）、基于VGG
‑
16构建光斑中心检测神经网络；（3）、对光斑数据集进行数据增强后输入至光斑中心检测神经网络，将光斑中心检测神经网络训练收敛为光斑中心检测模型；（4）、将需要进行中心检测的待测光斑图归一化后输入至光斑中心检测模型内，光斑中心检测模型输出归一化坐标；（5）、将归一化坐标结合待测光斑图进行测算后，获取待测光斑图的中心坐标位置。2.根据权利要求1所述的基于VGG
‑
16的高精度光斑中心检测方法，其特征在于所述步骤2的光斑中心检测神经网络由依次相连的十四个卷积层和一个全连接层构成，最后一卷积层的尺寸为1x1，全连接层的神经元个数为2，且全连接层采用的激...

【专利技术属性】
技术研发人员：潘新建，张崇富，邓春健，杨亮，吴洁滢，李奇，李志莉，徐世祥，王婷瑶，温贺平，高庆国，刘凯，易子川，迟锋，刘黎明，
申请(专利权)人：电子科技大学中山学院，
类型：发明
国别省市：