[发明专利]一种基于全卷积神经网络的自动压痕测量方法

权利要求书

1.一种基于全卷积神经网络的自动压痕测量方法，其特征在于，包括以下步骤：

步骤一：对压痕图像进行预处理，得到其二值图像；

步骤二：在二值图像中寻找最大连通域，确定最大连通域的外接框；对该外接框进行拓展，裁剪下二值图像上拓展后的外接框区域；

步骤三：将裁剪后的图像输入训练好的全卷积神经网络，输出二值化的压痕像素遮罩图片，由此得到输入图片上精确的压痕形状与位置信息；

对于需要进行压痕对角线测量场合，首先寻找压痕像素遮罩图片中压痕像素区域的目标外接框，然后将该目标外接框的宽与高作为压痕的两对角线长度；其中寻找目标外接框的方法如下：

1)确定压痕像素遮罩图片中，压痕像素区域的外接框；

2)顺时针方向旋转压痕像素遮罩图片，求解旋转后压痕像素遮罩图片中压痕像素区域的外接框，记录当前旋转角度、当前外接框的面积、压痕像素区域各角点与各自所在的外接框边缘的中心点的距离；

3)重复步骤2)，直至压痕像素遮罩图片旋转一周；在此过程中，若存在一外接框，满足压痕像素区域各角点都位于各自所在的外接框边缘的中心点，则以该外接框作为目标外接框输出；若不存在，则以此过程中面积最大的外接框作为目标外接框输出。

2.根据权利要求1所述的基于全卷积神经网络的自动压痕测量方法，其特征在于，所述步骤一中的预处理包括全图直方图均衡、滤波和二值化处理。

3.根据权利要求1所述的基于全卷积神经网络的自动压痕测量方法，其特征在于，所述步骤二中对外接框进行拓展采用如下方法：

设外接框的长与宽为(w,h)，压痕图像的长与宽为(w_i,h_i)，通过如下公式计算得到拓展后的外接框的长与宽(w_e,h_e)：

其中，p为比例系数，p≥1。

4.根据权利要求1所述的基于全卷积神经网络的自动压痕测量方法，其特征在于，所述步骤三中全卷积神经网络的训练过程如下：采集多种压痕图片，人工将压痕图片上的像素点分类为压痕像素点和非压痕像素点；以采集到的压痕图片为输入，以图片上各个像素点的分类标签为输出，对全卷积神经网络进行训练，得到优化后的全卷积神经网络。

5.根据权利要求1所述的基于全卷积神经网络的自动压痕测量方法，其特征在于，所述步骤三中全卷积神经网络包括依次连接的一个卷积块、N个卷积池化块、N个卷积上采样块和一个卷积块；第一个卷积块的输入为输入图像；N个卷积池化块的输入分别为其前一个模块输出的特征图；第i个卷积上采样块的输入为由其前一个模块输出的特征图x₂与输入第N-i+1个卷积池化块的特征图x₁拼接而成的特征图x；最后一个卷积块的输入为第N个卷积上采样块的输出的特征图；其中卷积块包括依次连接的第一卷积层、第一归一化层、第一激活层、第二卷积层、第二归一化层和第二激活层；所述卷积池化块是在卷积块的前部添加一个最大池化层得来；卷积上采样块是在卷积块的前部添加一个双线性插值层得来。

6.根据权利要求5所述的基于全卷积神经网络的自动压痕测量方法，其特征在于，特征图x₂与特征图x₁拼接得到特征图x的运算流程如下：

1)对x₁进行双线性插值操作，放大x₁；

2)计算放大后的x₁与x₂的高度差diff_y和宽度差diff_x：

3)对放大后的x₁的左、右、上、下用空值0进行填充，左、右、上、下填充的宽度分别为和其中round( )为四舍五入取整函数；

4)将填充后的x₁堆叠至x₂特征维度通道上，得到拼接后的特征图x。

7.根据权利要求1所述的基于全卷积神经网络的自动压痕测量方法，其特征在于，建立画布坐标系；确定图像上某一区域的外接框的方法为：构造两对与该区域x轴和y轴方向四个端点相切的切线，由这四条切线构成外接框；所述四个端点即最大横坐标点P_xmax、最小横坐标点P_xmin、最大纵坐标点P_ymax、最小纵坐标点P_ymin，与P_xmax和P_xmin相切的两条切线与画布坐标系的y轴平行，与P_ymax和P_ymin相切的两条切线与画布坐标系的x轴平行。