多通道亚像素卷积神经网络的高精度工业零件测量算法制造技术

本发明专利技术涉及机器视觉工业测量技术领域，具体涉及多通道亚像素卷积神经网络的高精度工业零件测量算法。发明专利技术将图像信号中高频率和低频率的分量同时作为神经网络的输入，利用Roberts交叉微分算子和Sobel微分算子对图像进行计算，得到两种互补的边缘图像信息，然后将原始图像与两种边缘图像作为神经网络的输入，这样可以使能量较小的高频带信息在重建过程中起到作用，并得到保留，更有利于测量高精度工业零件。设计的网络由6层卷积神经网络构成，网络包含两个残差块，每个残差块由两个卷积层组成，从而使网络能学习到更多的图像细节特征。最后将两部分高分辨率重建图像叠加，从而使重建图像具有更清晰的细节，得到高分辨率的亚像素高清晰的图像。的亚像素高清晰的图像。的亚像素高清晰的图像。

【技术实现步骤摘要】
多通道亚像素卷积神经网络的高精度工业零件测量算法


[0001]本专利技术涉及机器视觉工业测量
，具体涉及多通道亚像素卷积神经网络的高精度工业零件测量算法。

技术介绍

[0002]随着计算机视觉工业测量技术的发展，高精度的边缘检测和边缘定位技术应运而生。边缘检测也是高精度机器视觉测量领域对所获取的图像进行分析判别的必要预处理步骤，在边缘被提取的前提下，其他基于边缘的诸如轮廓检测、尺寸测算等步骤才能进一步展开，从而完成整个高精度机器视觉的流程。高效且精确的检测技术将极大突破图像采集设备的硬件限制，既能提高边缘检测的精度，也可以降低设备成本和能源消耗，但是目前的很多提取算法存在一定程度的缺陷，需要进行优化或者多种算法组合。

技术实现思路

[0003]针对上述技术背景提到的不足，本专利技术的目的在于提供多通道亚像素卷积神经网络的高精度工业零件测量算法。
[0004]本专利技术的目的可以通过以下技术方案实现：
[0005]多通道亚像素卷积神经网络的高精度工业零件测量算法，所述高精度工业零件测量算法采用两种算子来提取图像边缘特征，分别是Roberts交叉微分算子和Sobel微分算子，生成工业零件的边缘图像LX1，LX2，再将原始图像与边缘图像一起作为神经网络的输入，网络由6层卷积神经网络构成，网络包含两个残差块，每个残差块由两个卷积层组成，从而使网络能学习到更多的图像细节特征，最后将两部分高分辨率重建图像叠加，从而使重建图像具有更清晰的细节，从而得到高分辨率的亚像素高清晰的图像。
[0006]进一步的，所述高精度工业零件测量算法的具体步骤如下：
[0007]S1、采用边缘提取Roberts、Sobel对图像进行边缘得取，得到图像的边缘图像LX1，LX2；
[0008]S2、使用低分辨率多通道图像X和边缘图像LX1，LX2一同作为网络输入Y；
[0009]S3、设计的网络为6层的深度卷积网络，网络包含两个残差块，每个残差块由两个卷积层组成，在每个残差块之间增加跳跃连接，跳跃连接使用恒等映射，从而使网络能学习到更多的图像细节特征，
[0010]网络中的激活函数选择Leaky ReLU，Leaky ReLU数学表达式为：
[0011][0012]式(1)中的参数a取0～1之间的小数，Leaky ReLU是对ReLU的改进，ReLU在输入值为负时，输出始终为0，因此将导致神经元不能更新参数，Leaky ReLU对这一现象进行了改进，可确保输出为负值时，也有一个很小的输出，从而能确保参数不断被更新，得到满意结
果；
[0013]S4、在Conv1层通过卷积完成特征提取，首先利用32个3
×
3的卷积核对输入网络的双通道图像进行卷积操作来提取特征，以此得到32幅特征图并构成C1层，然后运用激活函数对特征进行非线性映射，具体实现公式为
[0014]F1(Y)＝max(0,W1*Y+B1)+a*min(0,W1*Y+B1)
ꢀꢀꢀꢀ
(2)
[0015]其中，F1(Y)表示该层输出的特征图；参数a＝0.01；*表示卷积操作；W1和B1分别表示Conv1的卷积核和偏差，W1＝c
×
n1×
f1×
f1，n1是该层滤波器数量，n1＝32，c表示所处理图像的通道数，本文中c＝3，f1×
f1表示该层卷积核的大小为3
×
3；
[0016]S5、Conv2、Conv3、Conv4和Conv5为非线性映射层，C1层的特征图作为残差网络的输入，Conv2与Conv3分别与32个3
×
3的卷积核进行卷积操作，分别得到包含32幅特征图的C2和C3层，实现方法与Conv1相同，Conv2和Conv3实现公式分别为：
[0017]F2(Y)＝max(0,W2*F1(Y)+B2)+a*min(0,W2*F1(Y)+B2)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0018]F3(Y)＝max(0,W3*F2(Y)+B3)+a*min(0,W3*F2(Y)+B3)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0019]W2和B2分别表示Conv2的卷积核和偏差，W3和B3分别表示Conv2的卷积核和偏差；
[0020]S6、第一个残差块输出C3的特征图与其恒等映射分支C1的特征图进行卷积操作，形成包含32幅特征图的C4层，Conv4卷积操作公式分为
[0021]F4(Y)＝max(0,W4*(F3(Y)+F1(Y))+B4)+a*min(0,W4*(F3(Y)+F1(Y))+B4)
ꢀꢀ
(5)
[0022]式(5)中，W4和B4分别表示Conv4的卷积核和偏差，W4＝n3
×
n4
×
f4
×
f4；
[0023]S7、第二个残差块的输出特征图及其恒等映射的分支特征图与32个3
×
3的卷积核进行卷积操作形成32幅特征图的C5层，其实现方法与Conv1相同，
[0024]F5(Y)＝max(0,W5*F4(Y)+B5)+a*min(0,W5*F4(Y)+B5)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0025]S8、最后一层Conv6是上采样与重建，如果r为放大系数，首先在C6层通过大小为1
×
1的亚像素卷积核生成r2幅特征图，然后重新排列这些特征图并得到放大r倍的高分辨率的图像即HR，其过程操作可表示为
[0026]HR＝F6(Y)＝PS(W6*(F5(Y)+F3(Y))+B6)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0027]式(7)中，W6和B6表示卷积核与偏差，W6＝n4
×
n5
×
f6
×
f6，F5(Y)，F3(Y)分别表示第2个残差模块的卷积分支和恒等映射分支；PS表示一个周期的变换算子，用于实现像素的重新排列，生成一个r
×
H
×
r
×
W高分辨率图像，F6(Y)表示重建后的高分辨率图像，通过亚像素卷积层实现超分辨率重建操作，将学习到的特征图中位于同一位置的像素点进行重新排列，得到高分辨率深度图像。
[0028]进一步的，所述Roberts交叉微分算子为一种斜向偏差分的梯度计算方法，梯度的大小代表边缘的强度，梯度的方向与边缘的走向垂直(正交)，交叉微分算子定义如下：
[0029]▽
f(i,j)＝|f(i+1,j+1)
‑
f(i,j)|+|f(i+1,j)
‑
f(i,j+1)|
ꢀꢀꢀ
(8)
[0030]按照图像处理的模板描述形式为因此，有下式：
[0031]▽
f(i,j)＝|D1(f(i,j))|+|D2(f(i,j本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.多通道亚像素卷积神经网络的高精度工业零件测量算法，其特征在于，所述高精度工业零件测量算法采用两种算子来提取图像边缘特征，分别是Roberts交叉微分算子和Sobel微分算子，生成工业零件的边缘图像LX1，LX2，再将原始图像与边缘图像一起作为神经网络的输入，网络由6层卷积神经网络构成，网络包含两个残差块，每个残差块由两个卷积层组成，从而使网络能学习到更多的图像细节特征，最后将两部分高分辨率重建图像叠加，从而使重建图像具有更清晰的细节，从而得到高分辨率的亚像素高清晰的图像。2.根据权利要求1所述的多通道亚像素卷积神经网络的高精度工业零件测量算法，其特征在于，所述高精度工业零件测量算法的具体步骤如下：S1、采用边缘提取Roberts、Sobel对图像进行边缘得取，得到图像的边缘图像LX1，LX2；S2、使用低分辨率多通道图像X和边缘图像LX1，LX2一同作为网络输入Y；S3、设计的网络为6层的深度卷积网络，网络包含两个残差块，每个残差块由两个卷积层组成，在每个残差块之间增加跳跃连接，跳跃连接使用恒等映射，从而使网络能学习到更多的图像细节特征，网络中的激活函数选择Leaky ReLU，Leaky ReLU数学表达式为：式(1)中的参数a取0～1之间的小数，Leaky ReLU是对ReLU的改进，ReLU在输入值为负时，输出始终为0，因此将导致神经元不能更新参数，Leaky ReLU对这一现象进行了改进，可确保输出为负值时，也有一个很小的输出，从而能确保参数不断被更新，得到满意结果；S4、在Conv1层通过卷积完成特征提取，首先利用32个3
×
3的卷积核对输入网络的双通道图像进行卷积操作来提取特征，以此得到32幅特征图并构成C1层，然后运用激活函数对特征进行非线性映射，具体实现公式为F1(Y)＝max(0,W1*Y+B1)+a*min(0,W1*Y+B1)
ꢀꢀꢀ
(2)其中，F1(Y)表示该层输出的特征图；参数a＝0.01；*表示卷积操作；W1和B1分别表示Conv1的卷积核和偏差，W1＝c
×
n1×
f1×
f1，n1是该层滤波器数量，n1＝32，c表示所处理图像的通道数，本文中c＝3，f1×
f1表示该层卷积核的大小为3
×
3；S5、Conv2、Conv3、Conv4和Conv5为非线性映射层，C1层的特征图作为残差网络的输入，Conv2与Conv3分别与32个3
×
3的卷积核进行卷积操作，分别得到包含32幅特征图的C2和C3层，实现方法与Conv1相同，Conv2和Conv3实现公式分别为：F2(Y)＝max(0,W2*F1(Y)+B2)+a*min(0,W2*F1(Y)+B2)
ꢀꢀꢀꢀ
(3)F3(Y)＝max(0,W3*F2(Y)+B3)+a*min(0,W3*F2(Y)+B3)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(4)W2和B2分别表示Conv2的卷积核和偏差，W3和B3分别表示Conv2的卷积核和偏差；S6、第一个残差块输出C3的特征图与其恒等映射分支C1的特征图进行卷积操作，形成包含32幅特征图的C4层，Conv4卷积操作公式分为F4(Y)＝max(0,W4*(F3(Y)+F1(Y))+B4)+a*min(0,W4*(F3(Y)+F1(Y))+B4)
ꢀꢀꢀ

【专利技术属性】
技术研发人员：梁兴柱，林玉娥，任志远，方贤进，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：