【技术实现步骤摘要】
本专利技术属于计算机视觉，具体涉及一种基于yolo的目标单边缘检测方法。
技术介绍
1、随着工业自动化和智能化的不断推进，特别是在精密机器人、自动化质量检测和制造领域，对边缘检测技术的精度和可靠性要求不断提高。传统的边缘检测算法，如canny、sobel和prewitt，虽然在早期应用中取得了一定成功，但在复杂的实际应用场景中，这些方法往往受到噪声和光照变化的影响，从而导致检测精度不足。为了克服这些限制，研究者们开始采用基于深度学习的方法，例如卷积神经网络(cnn)。这些方法通过大量训练数据学习边缘检测特征，能够在多变环境中实现更为准确和稳定的边缘检测。
2、在精密测量领域，边缘检测不仅需要识别物体的轮廓，还需要以极高的精度完成任务，例如测量微小零件的尺寸或检测产品的微小缺陷。此时，传统边缘检测算法由于其识别精度的限制，难以满足高精度需求。因此，基于深度学习的边缘检测算法，如基于深度卷积网络的hed(holi stic edge detection)算法，以及基于结构化学习的rcf(richerconvolutional features)算法，已经被广泛用于提取更精细的边缘信息。这些算法能够在复杂背景下更好地区分物体边缘，但通常需要大量标注数据进行训练。
3、yolo(you only look once)模型在边缘检测技术中扮演了重要角色。yolo是一个实时目标检测系统，以其速度快和精度高闻名。在测量领域，yolo模型通过一次性处理整幅图像，进行物体边界和分类的预测，这种一步到位的方法显著提高了处理速
技术实现思路
1、本专利技术的目的在于提供一种基于yolo的目标单边缘检测方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种基于yolo的目标单边缘检测方法，基于yolov8n模型设置的yolov8n-seg模型，所述yolov8n-seg模型包括主干网络、颈部结构、检测头、proto模块和掩码处理模块，所述主干网络包括多层cbs模块，所述颈部结构设有多个输入端和多个输出端；
3、s1：原始图像输入所述主干网络，所述原始图像经过多层所述cbs模块进行卷积处理，每一层所述cbs模块输出一组初步特征图组，组合得到初步特征图库；
4、s2：所述初步特征图库的每组初步特征图组分别输入所述颈部结构的输入端，将每组初步特征图进行多尺度交叉融合，每个所述输出端均输出预测box特征图、预测cls特征图和mask系数特征图，组合得到最终特征图组，将多个输出端输出的最终特征图组组合得到最终特征图库；
5、s3：所述最终特征图库中每组的预测box特征图和预测cls特征图输入所述检测头，所述检测头通过分类分数阈值和nms阈值筛选处理，得到类别信息和位置信息，组合得到目标信息组；
6、s4：所述最终特征图库中每组的预测box特征图和预测cls特征图输入所述检测头，计算得到原生掩码和掩码系数；
7、s5：所述最终特征图库中每组的mask系数特征图输入所述proto模块，得到原生分割特征图；
8、s6：将所述原生掩码、所述掩码系数和所述原生分割特征图输入掩码处理模块，得到单边缘轮廓图像。
9、优选的，所述多层cbs模块包括p1-cbs模块、p2-cbs模块、p3-cbs模块、p4-cbs模块和p5-cbs模块，所述cbs模块包括p1-cbs模块、p2-cbs模块、p3-cbs模块、p4-cbs模块和p5-cbs模块通过串联方式组合。
10、优选的，所述p1-cbs模块为输入端，所述p3-cbs模块、p4-cbs模块和p5-cbs模块均设有输入端p。
11、优选的，所述颈部结构为pan+fpn结构，所述颈部结构设有3个所述输入端和3个所述输出端。
12、优选的，所述s6还包括：目标信息组经过非极大值抑制筛选得到最终的类别信息和位置信息，并利用原生掩码和掩码系数生成预测掩码；
13、对预测掩码进行批量裁剪，并利用阈值进行二值化，得到单边缘轮廓图像。
14、优选的，所述原始图像的尺寸为640*640，所述初步特征图组中包括多张初步特征图，所述初步特征图的尺寸为20*20。
15、优选的，所述颈部结构输出3张所述预测box特征图，3张所述预测box特征图的尺寸分别为80*80、40*40和20*20。
16、优选的，所述颈部结构输出3张所述预测cls特征图，3张所述预测cls特征图的尺寸分别为80*80、40*40和20*20。
17、优选的，所述颈部结构输出3张所述mask系数特征图，3张所述mask系数特征图的尺寸分别为80*80、40*40和20*20。
18、与现有技术相比，本专利技术的有益效果是：
19、本专利技术基于yolov8n模型设置的yolov8n-seg模型，在实际调度过程中，基于yolov8n模型和yolov8n-seg模型是同时调用，通过双模型提高特定单边缘的检测的精度。双模型的适用性高，在要求超高精度的工业生产线上，提供精准的测量数据。
20、本专利技术的训练成本低，使用的双模型所需训练数据集少，仅需50张或以上数据量即可完成模型训练，训练后的模型检测结果良好。
21、本专利技术的推理速度快，使用的双模型性能优越，单张图片推理速度在0.11s左右，满足工业生产线的检测速度需求。
本文档来自技高网...【技术保护点】
1.一种基于YOLO的目标单边缘检测方法，其特征在于，基于YOLOV8n模型设置的YOLOV8n-seg模型，所述YOLOV8n-seg模型包括主干网络、颈部结构、检测头、Proto模块和掩码处理模块，所述主干网络包括多层CBS模块，所述颈部结构设有多个输入端和多个输出端；
2.根据权利要求1所述的一种基于YOLO的目标单边缘检测方法，其特征在于，所述多层CBS模块包括P1-CBS模块、P2-CBS模块、P3-CBS模块、P4-CBS模块和P5-CBS模块，所述CBS模块包括P1-CBS模块、P2-CBS模块、P3-CBS模块、P4-CBS模块和P5-CBS模块通过串联方式组合。
3.根据权利要求2所述的一种基于YOL0的目标单边缘检测方法，其特征在于，所述P1-CBS模块为输入端，所述P3-CBS模块、P4-CBS模块和P5-CBS模块均设有输入端P。
4.根据权利要求1所述的一种基于YOLO的目标单边缘检测方法，其特征在于，所述颈部结构为PAN+FPN结构，所述颈部结构设有3个所述输入端和3个所述输出端。
5.根据权利要求1所述
6.根据权利要求1所述的一种基于YOLO的目标单边缘检测方法，其特征在于，所述原始图像的尺寸为640*640，所述初步特征图组中包括多张初步特征图，所述初步特征图的尺寸为20*20。
7.根据权利要求1所述的一种基于YOLO的目标单边缘检测方法，其特征在于，所述颈部结构输出3张所述预测Box特征图，3张所述预测Box特征图的尺寸分别为80*80、40*40和20*20。
8.根据权利要求1所述的一种基于YOL0的目标单边缘检测方法，其特征在于，所述颈部结构输出3张所述预测cls特征图，3张所述预测cls特征图的尺寸分别为80*80、40*40和20*20。
9.根据权利要求1所述的一种基于YOLO的目标单边缘检测方法，其特征在于，所述颈部结构输出3张所述Mask系数特征图，3张所述Mask系数特征图的尺寸分别为80*80、40*40和20*20。
...【技术特征摘要】
1.一种基于yolo的目标单边缘检测方法，其特征在于，基于yolov8n模型设置的yolov8n-seg模型，所述yolov8n-seg模型包括主干网络、颈部结构、检测头、proto模块和掩码处理模块，所述主干网络包括多层cbs模块，所述颈部结构设有多个输入端和多个输出端；
2.根据权利要求1所述的一种基于yolo的目标单边缘检测方法，其特征在于，所述多层cbs模块包括p1-cbs模块、p2-cbs模块、p3-cbs模块、p4-cbs模块和p5-cbs模块，所述cbs模块包括p1-cbs模块、p2-cbs模块、p3-cbs模块、p4-cbs模块和p5-cbs模块通过串联方式组合。
3.根据权利要求2所述的一种基于yol0的目标单边缘检测方法，其特征在于，所述p1-cbs模块为输入端，所述p3-cbs模块、p4-cbs模块和p5-cbs模块均设有输入端p。
4.根据权利要求1所述的一种基于yolo的目标单边缘检测方法，其特征在于，所述颈部结构为pan+fpn结构，所述颈部结构设有3个所述输入端和3个所述输出端。
5.根据权利...
【专利技术属性】
技术研发人员：赵韦人，张志豪，黄明东，
申请(专利权)人：广东丰鑫智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。