一种基于卷积神经网络的碳纤维丝道识别与编号方法技术

一种基于卷积神经网络的碳纤维丝道识别与编号方法，涉及图像处理的技术领域。利用工业相机得到采样数据；对采样数据进行预处理，包括训练丝道预测网络、用于实际场景下的碳纤维丝道号标注；输出处理结果，得到碳纤维丝道的标注编号。本发明专利技术前期利用碳纤维丝的图像和标注数据，训练卷积神经网络，对碳纤维丝的丝道号进行预测。模型的参数量少，计算快速高效，后处理需要的操作较少，可实现对碳纤维丝的丝道实时标注，且具有一定的泛化能力和稳定性能。能。能。

【技术实现步骤摘要】
一种基于卷积神经网络的碳纤维丝道识别与编号方法


[0001]本专利技术涉及图像处理的
，尤其涉及一种基于卷积神经网络的碳纤维丝道识别与编号方法。

技术介绍

[0002]在碳纤维丝生产过程中，表面缺陷(毛丝、断丝、接头等)问题突出，严重威胁碳纤维丝制品质量(如飞机制造碳纤维复合材料、补强碳纤维混凝土结构物等)。而表面缺陷的出现，是因为碳纤维丝生产中由于凝固速度慢丝条的表面存在一定的粘性或浸渍油剂不均匀产生并丝，导致碳纤维丝缺陷定位追溯难，缺陷严重影响了碳纤维丝制品的质量和使用年限。
[0003]为此在碳纤维丝的质检工作中，需要确定碳纤维丝表面缺陷的准确位置，以通知工作人员对缺陷的碳纤维进行及时地处理。由于存在并丝、断丝等问题，目前市面上基于传统图像处理的算法并不适用。即图像数据中存在多个碳丝重叠在一起或出现中间不连续的碳丝，这些碳纤维丝经过工业相机的采集，在视觉上往往不具备区分性，在图像上也不存在明显的区分特征。传统的算法很难对这些数据进行处理。因此如何在不具备明显区分特征的条件下，对并丝或断丝等情况也能较准确的进行编号是一个值得探讨的问题。

技术实现思路

[0004]本专利技术针对以上问题，采用卷积神经网络对线阵工业相机采集的碳丝图像进行处理，提取深层语义特征，对碳纤维丝和背景进行分离，并对每个丝道进行标注和编号。由于算法的灵活性，也能对并丝、断丝等数据进行较好的处理。
[0005]一种基于卷积神经网络的碳纤维丝道识别与编号方法，包括如下步骤：步骤S1：利用工业相机得到采样数据；步骤S2：对采样数据进行预处理；步骤S3：输出处理结果，得到碳纤维丝道的标注编号。
[0006]优选的是，本专利技术步骤S2中的对采样数据进行预处理，包括步骤S21训练丝道预测网络，具体过程为：步骤S211：数据预处理；具体的：将采样数据分为训练集和测试集两部分；其中为的碳纤维丝原始图像，为的丝道标签，丝道位置的值为1，背景位置的值为0；对于训练集，每张碳纤维丝原始图像分别做Resize，归一化，色彩明亮度、饱和度随机增强，随机垂直翻转的预处理操作，每个丝道标签需要根据碳纤维丝原始图像Resize后的宽度进行调整；其中碳纤维丝原始图像的Resize操作选择双线性插值算法，标签的调整选择双立方插值算法；
对于验证集，每张碳纤维丝原始图像只需要做Resize和归一化的预处理操作，每个丝道标签需要根据图像Resize后的宽度进行调整；上述训练集、验证集中Resize后的图像大小是相同的。
[0007]步骤S212：预测网络输出预测向量；具体的：预测网络包含四层卷积块，每层卷积块含有卷积层、池化层和非线性激活函数；其中卷积层包含长的卷积核，步长的设置横向上的值小于纵向的值，padding设置为（0，1）；每张碳纤维丝原始图像输入网络计算预测向量；步骤S213：计算BCELoss；使用BCE损失函数计算预测值与真实值的损失，；步骤S214：优化预测网络参数；使用优化预测网络参数；步骤S215：输出最优预测模型；使用验证集计算验证集下的损失，选择损失最小的模型作为最优预测网络，输出最终的预测网络。
[0008]优选的是，本专利技术步骤S2中的对采样数据进行预处理，还包括S22用于实际场景下的碳纤维丝道号标注，具体过程为：步骤S221：对于测试数据，将每张碳纤维丝原始图像进行Resize和归一化操作；步骤S222：将处理后的测试图像输入到步骤S21中得到的最优预测网络，得到预测网络输出的预测向量；步骤S223：统计预测向量的分位点，并得到相应的阈值，其中，初始时设置为0.5，为预测向量的长度，是指将预测向量的数值由小到大排列后第个位置所对应的数值；步骤S224：预测向量中数值小于阈值的记为0，大于阈值的记为1，得到丝道预测向量，丝道预测向量中连续为1的区域标记为单个碳丝，并统计碳丝的数量；步骤S225：判断碳丝数量是否在合理范围。如果碳丝数量少于合理范围，调高的数值，并回到步骤S223中继续执行；否则，如果碳丝数量大于合理范围，降低的数值，并回到步骤S223中继续执行；如果碳丝数量在合理范围之内，向下执行；步骤S226：输出丝道预测向量，并对碳丝进行编号。
[0009]本专利技术前期利用碳纤维丝的图像和标注数据，训练卷积神经网络，对碳纤维丝的丝道号进行预测。模型的参数量少，计算快速高效，后处理需要的操作较少，可实现对碳纤维丝的丝道实时标注，且具有一定的泛化能力和稳定性能。
附图说明
[0010]图1是本专利技术碳纤维丝道识别与编号方法的流程图；图2是本专利技术训练丝道预测网络的流程图；图3是本专利技术用于实际场景下的碳纤维丝道号标注的流程图。
实施方式
[0011]下面结合附图对本专利技术的技术方案进行详细描述：如图1所示，一种基于卷积神经网络的碳纤维丝道识别与编号方法，包括如下步骤：步骤S1：利用工业相机得到采样数据；步骤S2：对采样数据进行预处理；如图2所示，步骤S21训练丝道预测网络，具体过程为：步骤S211：数据预处理；具体的：将采样数据分为训练集，验证集两部分；其中为的碳纤维丝原始图像，为的丝道标签，丝道位置的值为1，背景位置的值为0，、分别为训练集和验证集的样本总数；对于训练集，每张碳纤维丝原始图像分别做Resize，归一化，色彩扰动，随机垂直翻转的预处理操作，每个丝道标签需要根据碳纤维丝原始图像Resize后的宽度进行调整；其中碳纤维丝原始图像的Resize操作选择双线性插值算法，标签的调整选择双立方插值算法；归一化的具体操作为：，为该样本的均值，为方差。
[0012]色彩扰动的具体操作为：对于一个像素，假设每个通道的值在之间。Color Jitter会对每个通道进行以下操作：
[0013]其中为当前通道的值，为处理后的新值，为调整强度，通常为之间的小数，为一个均匀分布在之间的随机数。经过上述操作后，新的颜色为，其中：
[0014]其中为取整函数，将计算结果四舍五入为整数，并将其转化为图像上的像素值。
[0015]随机垂直翻转：按照一定的概率对当前图像样本随机进行垂直翻转，设置为0.5。
[0016]Resize:假设我们要将一个大小的图像Resize为，首先需要计算缩小后的每一个像素在原图像中对应的位置，假设原图中第个像素在缩小后的图像中的位置为，则：，。Resize中双线性插值算法和双立方插值算法分别为：
[0017]1、计算Resize后图像每个位置在原始图像中对应位置的四个最近邻像素的坐标：，，和，其中和为最大的满足且的整数，和为最小的满足且的整数。
[0018]2、对于Resize后图像中每个坐标位置的像素值为，具体计算如下：
[0019]其中 和 是权重系数。
[0020]我们需要根据的值计算出缩小后图像的像素值。具体地，对于第个像素，它的像素值可以通过以下公式计算得到：
[0021]其中，，表示与相邻的16个像素的左上角像素的位置。表示原始图像上第行、第列像素值，是加权系数，它是根据
计算得到的。具体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的碳纤维丝道识别与编号方法，其特征在于包括如下步骤：步骤S1：利用工业相机得到采样数据；步骤S2：对采样数据进行预处理；包括步骤S21训练丝道预测网络，具体过程为：步骤S211：数据预处理；具体的：将采样数据分为训练集和测试集两部分；其中为的碳纤维丝原始图像，为的丝道标签，丝道位置的值为1，背景位置的值为0；对于训练集，每张碳纤维丝原始图像分别做Resize，归一化，色彩明亮度、饱和度随机增强，随机垂直翻转的预处理操作，每个丝道标签需要根据碳纤维丝原始图像Resize后的宽度进行调整；其中碳纤维丝原始图像的Resize操作选择双线性插值算法，标签的调整选择双立方插值算法；对于验证集，每张碳纤维丝原始图像只需要做Resize和归一化的预处理操作，每个丝道标签需要根据图像Resize后的宽度进行调整；上述训练集、验证集中Resize后的图像大小是相同的；步骤S212：预测网络输出预测向量；具体的：预测网络包含四层卷积块，每层卷积块含有卷积层、池化层和非线性激活函数；其中卷积层包含长的卷积核，步长的设置横向上的值小于纵向的值，padding设置为（0，1）；每张碳纤维丝原始图像输入网络计算预测向量；步骤S213：计算BCELoss；使用BCE损失函数计算预测值与真实值的损失，；步骤S214：优化预测网络...

【专利技术属性】
技术研发人员：古玲，武继杰，
申请(专利权)人：南京矩视科技有限公司，
类型：发明
国别省市：