[发明专利]神经网络训练方法、激光扫描图像处理方法及装置

说明书

一种神经网络训练方法、激光扫描图像处理方法及装置，其中，所述训练方法包括：获取在时域上连续的若干帧图像作为训练图集，若干帧图像包含无干扰激光扫描图像和存在干扰的激光扫描图像；基于预设规则对训练图像集进行扩展得到扩展数据集合；将扩展数据集合输入至卷积神经网络进行训练得到训练后的卷积神经网络，然后通过此卷积神经网络完成实际激光扫描图像干扰和非干扰部分的分类。相对于现有技术中，提取语义特征的方式，本发明实施例的方案可以减少复杂的语义特征提取，提高图像处理通用性。

技术领域

本发明涉及激光扫描视觉技术领域，具体涉及一种神经网络训练方法、激光扫描图像处理方法及装置。

背景技术

2D激光轮廓度仪是一种线结构激光扫描的视觉系统，可以用于3D成像测量方式，它使用线状激光投影到物体表面，然后图像传感器接收激光光斑图像，完成测量过程。在激光轮廓度仪使用过程中，经常出现的激光图像对比度变化问题，测量表面材质、表面的曲率、倾斜角都会影响到激光接收能量的变化，导致测量数据不稳定。反映在激光扫描数据上会产生很多干扰噪声点，影响到后续的点云创建和建模过程。

为了解决以上过程，传统的图像处理算法包括回归、区域分析、聚类等机器学习算法能解决一部份干扰问题，但是适用范围比较狭窄，往往根据特定的应用配置算法，通用性差。并且计算过程复杂，包含太多的逻辑判断过程，难于使用FPGA并行硬件加速。因此常规激光光斑识别方法只能针对连续平滑和漫发射系数物体表面，难于适应快速变化的物体表面，这样就给激光线结构光测量的推广应用到来很多问题，不能快速形成应用系统，限制了激光结构光的测量范围。

因此，如何减少复杂的语义特征提取，提高图像处理通用性成为亟待解决的技术问题。

发明内容

本发明要解决的技术问题在于如何减少复杂的语义特征提取，提高图像处理通用性。

为此，根据第一方面，本发明实施例公开了一种神经网络训练方法，包括：

获取在时域上连续的若干帧图像作为训练图集，若干帧图像包含无干扰激光扫描图像和存在干扰的激光扫描图像；基于预设规则对训练图像集进行扩展得到扩展数据集合；将扩展数据集合输入至卷积神经网络进行训练得到训练后的卷积神经网络。

可选地，基于预设规则对训练图像集进行扩展得到扩展数据集合包括：按第一预设梯度对训练图像集中各帧图像设置多个干扰深浅浓度；按第二预设梯度对训练图像集中各帧图像设置多个成像光条角度，成像光条角度为被测对象的轮廓曲率。

可选地，在基于预设规则对训练图像集进行扩展得到扩展数据集合和将扩展数据集合输入至卷积神经网络进行训练得到训练后的卷积神经网络之间，还包括：对扩展数据集中的各帧图像分别进行裁剪得到样本数据集；将扩展数据集合输入至卷积神经网络进行训练得到训练后的卷积神经网络包括：将样本数据集输入至卷积神经网络进行训练得到训练后的卷积神经网络。

根据第二方面，本发明实施例公开了一种激光扫描图像处理方法，包括：

选取待处理图像集，待处理图像集为时序上连续的若干帧激光扫描图像；将待处理图像集输入卷积神经网络，卷积神经网络采用上述第一方面任意一项公开的训练方法训练而成；接收卷积神经网络输出的各个像素块的质量评价得分；判断质量评价得分是否超过第一阈值；如果质量评价得分超过第一阈值，则确定质量评价得分的像素块为有效激光光点像素。

可选地，在判断质量评价得分是否超过第一阈值和确定质量评价得分的像素块为有效激光光点像素之间，还包括：如果质量评价得分超过第一阈值，则判断质量评价得分对应的像素块的像素值是否大于第二阈值；如果质量评价得分对应的像素块的像素值超过第二阈值，则确定质量评价得分的像素块为有效激光光点像素。

根据第三方面，本发明实施例公开了一种神经网络训练装置，包括：