[发明专利]一种基于深度学习的线缆顺序检测方法

说明书

本发明公开了一种基于深度学习的线缆顺序检测方法，包括以下步骤：步骤1：首先对线缆图像进行灰度化，为后续顺序检测做基础；步骤2：对图像某一行的相邻像素点灰度值进行差分运算，选取一个阈值和差分结果比较，输出定位结果图。步骤3：针对三色线缆图像的特点，提出了简化的特征提取网络和优化的锚框、ELU激活函数对Faster R‑CNN改进；步骤4：采用改进的Faster R‑CNN目标检测算法进行线缆顺序检测，并统计准确率和检测时间。本发明方法能够更加充分的提取三色线缆的特征，具有操作方便、效率高等优点，节省了很多的人力消耗，所采用的改进算法能同时减少了线缆的检测时间，减少误检，错检并大大提升了线缆检测的准确率。

技术领域

本发明涉及图像处理领域，具体设计一种基于深度学习的线缆顺序检测方法。

背景技术

现有的线缆顺序检测都是需要很多的人工检测。采取这种方式会消耗大量的人力资源，人工进行检查会影响检测的效率，成本高昂，而且采用高强度的人工检查容易造成误检，错检，不能满足如今工业自动化生产的需求；已有的线缆检测算法缺乏通用性，检测结果并不理想，实用性不是很高，对企业的产品品质和生产效率造成一定的影响。

发明内容

针对上述背景技术中的不足，本发明为解决现有的技术问题而提供一种快速、精准的基于深度学习的线缆顺序检测方法。

本发明的技术方案如下：一种基于深度学习的线缆顺序检测方法，包括如下步骤：

步骤1：首先对三色线缆图像进行灰度化，为后续顺序检测作基础；步骤2：对图像某一行的相邻像素点灰度值进行差分运算，选取一个阈值和差分结果比较，输出定位结果图；步骤3：针对三色线缆图像的特点，提出了简化的特征提取网络和优化的锚框、ELU激活函数对Faster R-CNN改进；步骤4：将改进后的Faster R-CNN算法进行线缆顺序检测，并统计准确率和检测时间。

进一步，所述的步骤2中，在三色线缆区域的灰度图中，取某一行像素点的灰度值。对这一行相邻的像素灰度值进行差分运算。

进一步，所述的步骤2中，设置阈值为5，统计出大于阈值5的像素点的坐标，最后输出大于阈值5的坐标并输出三色线缆区域的定位结果图。

进一步，所述的步骤3简化的特征提取网络，具体采用简化的共享卷积层网络来提取特征，分别删除了共享卷积层网络中卷积层3和卷积层4中的一个卷积层。

进一步，所述的步骤3中对锚框做了一些优化，设计的锚框尽可能把线缆区域包括在里面，优化的锚框采用1∶1.5、1∶1、1∶2的锚框提取目标区域特征。

进一步，所述的步骤3，在Fast R-CNN网络中，采用ELU函数代替ReLU函数。

进一步，线缆图片共4000张，将线缆图片分为两个图片集：2800张作为训练集，1200张作为测试集

1.首先进行线缆图像的灰度化，把三色线缆图像转换为灰度图像；

2.取图像某一行的灰度值并对相邻像素点的灰度值进行差分运算；

3.经过实验获得一个合适的阈值m，将第2步得到的结果和阈值比较，输出大于阈值的坐标并输出线缆定位结果图。

4.提出了改进的Faster R-CNN目标检测算法，选取了更符合线缆图像特点的锚框以及简化的特征提取网络；

5.采用Faster R-CNN目标检测算法进行线缆顺序的检测。最后采取mAP指标来对模型的效果进行评价。