一种快速多尺度的弱监督箱体边缘感知方法及装置制造方法及图纸

本发明专利技术提供一种快速多尺度的弱监督箱体边缘感知方法及装置，方法包括如下步骤：步骤S1、对深度学习模型进行训练；步骤S2、获取待识别图像的ROI并进行分段；步骤S3、边缘转换后无像素点的分段数量小于第一阈值，进入步骤S4，否则聚类分析后再进行边缘转换，进入步骤S4；步骤S4、滤除候选数据中的不可信数据，以得到最终候选数据；步骤S5、拟合出候选直线，并根据最终候选数据与候选直线之间的距离方差确定是否进入步骤S6；步骤S6、获取理想直线，将候选直线周围的数据点分为两类数据，并对这两类数据分别拟合得到两条候选直线，并确定最终边缘直线。本发明专利技术可感知复杂环境下箱体的边缘直线，检测更为迅速精准，有利于减少企业成本。有利于减少企业成本。有利于减少企业成本。

【技术实现步骤摘要】
一种快速多尺度的弱监督箱体边缘感知方法及装置


[0001]本专利技术涉及一种快速多尺度的弱监督箱体边缘感知方法及装置。

技术介绍

[0002]近年来，在物流行业中，物流运营机械化、自动化正成为企业降低成本提高效率的重要手段。随着人工智能的高速发展，采用机器视觉来模拟人的视觉功能可以让叉车完成更多智能化的工作，而机器视觉在工业叉车的应用不仅局限于引导和定位，还可以用于检测目标产品的外观轮廓和识别高精度边缘等。
[0003]目前国内较为流行的无人叉车系统在识别货物上采用了射频识别技术来定位货物，这需要大量的电子标签标注货物。且由于缺乏大量样本数据，仅仅使用深度学习也难以达到物流工作的要求。这些工作无疑都是需要大量成本和开销。针对这一痛点，如何在控制成本的情况下快速、精准地感知箱体边缘是一大难题。

技术实现思路

[0004]本专利技术提出一种快速多尺度的弱监督箱体边缘感知方法及装置，无需大量样本数据即可感知复杂环境下箱体的边缘直线，检测更为迅速精准，有利于减少企业成本。
[0005]本专利技术通过以下技术方案实现：
[0006]一种快速多尺度的弱监督箱体边缘感知方法，包括如下步骤：
[0007]步骤S1、获取箱体图像作为训练数据，对识别箱体轮廓的深度学习模型进行训练；
[0008]步骤S2、获取待识别图像，利用训练好的深度学习模型对该待识别图像进行识别，根据识别结果选取ROI并对该ROI进行分段；
[0009]步骤S3、对ROI进行边缘转换，若边缘转换后，无像素点的分段的数量小于设定的第一阈值，进入步骤S4，否则，对ROI的RGB进行聚类分析后，再对ROI进行边缘转换，进入步骤S4；
[0010]步骤S4、分别根据最近邻策略从各分段内提取候选数据，根据定义ROI中像素点的置信度将候选数据中的不可信数据过滤，得到可信数据，并从可信数据中找到异常值边界后依据异常值边界对可信数据再次进行过滤，得到最终候选数据；
[0011]步骤S5、对最终候选数据采用最小二乘法拟合出候选直线，并判断最终候选数据与候选直线之间的距离方差是否小于设定的方差阈值，若是，则候选直线为最终识别的边缘直线，否则，进入步骤S6；
[0012]步骤S6、根据步骤S3的识别结果获取理想直线，将候选直线周围的数据点根据PCA的第二主成分方向分为两类数据，并采用二次PCA对这两类数据分别拟合得到两条候选直线，分别根据两候选直线与理想直线的相似度确定最终边缘直线。通过选取少量的候选数据来感知箱体边缘直线，大大减少了计算量，若边缘转换后存在过多的无像素区域，说明数据严重缺失，对于这种情况则先对这部分图像进行聚类分析，再进行边缘转换，以改善局部模糊、不清晰的图像的边缘转换结果，利于提高最终的识别结果，故本专利技术无需大量样本数
据即可感知复杂环境下箱体的边缘直线，受内外部复杂环境或图案纹理的影响较小，检测更为迅速精准，有利于减少企业成本，且本专利技术不仅适用于智能叉车的识别箱体工作中，也可以为未来的标注工作提供帮助。
[0013]进一步的，所述步骤S1中，获取箱体图像后，对图像进行标注后保存为XML或者JSON格式文件，以作为所述深度学习模型的训练数据，所述深度学习模型为RotatedFasterR
‑
CNN。
[0014]进一步的，所述步骤S2中，所述识别结果为多条箱体轮廓直线，所述ROI根据这些轮廓直线确定。
[0015]进一步的，所述步骤S2中，通过等比划分的方式对ROI进行分段。
[0016]进一步的，所述步骤S3中，采用Canny算子进行边缘转换，利用KMeans算法进行聚类分析。
[0017]进一步的，所述步骤S4中，利用箱形图法从可信数据中找到异常值边界。
[0018]进一步的，所述步骤S5中，采用最小二乘法拟合直线，在拟合过程中不断更新候选数据，并在更新前后的候选数据一致时结束拟合过程，得到所述候选直线。
[0019]进一步的，所述步骤S6中，所述识别结果包括箱体宽度、高度以及所述轮廓直线，结合识别结果与箱体的矩形特征计算所述理想直线。
[0020]本专利技术还通过以下技术方案实现：
[0021]一种快速多尺度的弱监督箱体边缘感知装置，包括以下模块：
[0022]训练模块：用于获取箱体图像作为训练数据，对识别箱体轮廓的深度学习模型进行训练；
[0023]ROI分段模块：用于获取待识别图像，利用训练好的深度学习模型对该待识别图像进行识别，根据识别结果选取ROI并对该ROI进行分段；
[0024]边缘转换模块：用于对ROI进行边缘转换，若边缘转换后，无像素点的分段的数量小于设定的第一阈值，则分别根据最近邻策略从各分段内提取候选数据，否则，则针对无数据的分段所对应的待识别图像，对其RGB进行聚类分析以使其边缘差异化更明显，再分别对各分段进行边缘转换，并分别根据最近邻策略从各分段内提取候选数据；
[0025]候选数据确定模块：用于根据定义ROI中像素点的置信度将候选数据中的不可信数据过滤，得到可信数据，并从可信数据中找到异常值边界后依据异常值边界对可信数据再次进行过滤，得到最终候选数据；
[0026]边缘直线确定模块：对最终候选数据采用最小二乘法拟合出候选直线，当最终候选数据与候选直线之间的距离方差小于设定方差阈值时，该候选直线即为最终识别的边缘直线，否则根据深度学习模型的识别结果获取理想直线，将候选直线周围的数据点根据PCA的第二主成分方向分为两类数据，并采用二次PCA对这两类数据分别拟合得到两条候选直线，分别根据两候选直线与理想直线的相似度确定最终边缘直线。
附图说明
[0027]下面结合附图对本专利技术做进一步详细说明。
[0028]图1为本专利技术的流程图。
[0029]图2为本专利技术结合聚类分析的边缘转换结果示意图。
具体实施方式
[0030]如图1所示，快速多尺度的弱监督箱体边缘感知方法包括如下步骤：
[0031]步骤S1、获取小样本的箱体图像作为训练数据，对识别箱体轮廓的深度学习模型进行训练；其中，通过拍摄获取箱体图像，对拍摄的图像进行标注后保存为XML或者JSON格式文件，以作为所述深度学习模型的训练数据，本实施例中的深度学习模型为RotatedFasterR
‑
CNN；
[0032]步骤S2、拍摄获取待识别图像，利用训练好的深度学习模型对该待识别图像进行识别，根据识别结果选取ROI(感兴趣区域)并对该ROI进行分段；该识别结果为多条箱体轮廓直线，ROI则根据这些轮廓直线确定，并通过等比划分的方式将ROI划分为N段；
[0033]步骤S3、采用Canny算子对ROI进行边缘转换可以得到边缘图像，但因拍摄的待识别图像无法保证各个部分均是足够清晰的，为了得到更准确的边缘图像，采用Canny算子对ROI进行边缘转换后需要进行判断，即若边缘转换后，无像素点的分段的数量小于设定的第一阈值，说明得到了轮廓明显的边缘本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种快速多尺度的弱监督箱体边缘感知方法，其特征在于：包括如下步骤：步骤S1、获取箱体图像作为训练数据，对识别箱体轮廓的深度学习模型进行训练；步骤S2、获取待识别图像，利用训练好的深度学习模型对该待识别图像进行识别，根据识别结果选取ROI并对该ROI进行分段；步骤S3、对ROI进行边缘转换，若边缘转换后，无像素点的分段的数量小于设定的第一阈值，进入步骤S4，否则，对ROI的RGB进行聚类分析后，再对ROI进行边缘转换，进入步骤S4；步骤S4、分别根据最近邻策略从各分段内提取候选数据，根据定义ROI中像素点的置信度将候选数据中的不可信数据过滤，得到可信数据，并从可信数据中找到异常值边界后依据异常值边界对可信数据再次进行过滤，得到最终候选数据；步骤S5、对最终候选数据采用最小二乘法拟合出候选直线，并判断最终候选数据与候选直线之间的距离方差是否小于设定的方差阈值，若是，则候选直线为最终识别的边缘直线，否则，进入步骤S6；步骤S6、根据步骤S3的识别结果获取理想直线，将候选直线周围的数据点根据PCA的第二主成分方向分为两类数据，并采用二次PCA对这两类数据分别拟合得到两条候选直线，分别根据两候选直线与理想直线的相似度确定最终边缘直线。2.根据权利要求1所述的一种快速多尺度的弱监督箱体边缘感知方法，其特征在于：所述步骤S1中，获取箱体图像后，对图像进行标注后保存为XML或者JSON格式文件，以作为所述深度学习模型的训练数据，所述深度学习模型为RotatedFasterR
‑
CNN。3.根据权利要求1所述的一种快速多尺度的弱监督箱体边缘感知方法，其特征在于：所述步骤S2中，所述识别结果为多条箱体轮廓直线，所述ROI根据这些轮廓直线确定。4.根据权利要求1或2或3所述的一种快速多尺度的弱监督箱体边缘感知方法，其特征在于：所述步骤S2中，通过等比划分的方式对ROI进行分段。5.根据权利要求1或2或3所述的一种快速多尺度的弱监督箱体边缘感知方法，其特征在于：所述步骤S3中，采用Canny算子进行边...

【专利技术属性】
技术研发人员：陈叶旺，陈宝华，曾国耀，
申请(专利权)人：福建科盛智能物流装备有限公司，
类型：发明
国别省市：