基于CNN的十字像中心检测.doc

基于CNN的十字像中心检测
摘要:十字线中心检测是反射法测量透镜中心偏的重要组成部分,十字中心的检测精度决定了透镜中心偏的测量精度。针对边缘不规则、对比度差、信噪比低的图像,提出了基于深度卷积神经网络的十字线中心检测算法。算法备来说,设备的测量范围往往是有限的,原因在于测量镜头焦距大小是有限的。根据中心偏测量原理可知,当测量镜头焦点和被测镜面曲率半径中心重合时,才能得到清晰的十字像,进而测量透镜中心偏,所以一般只能测量曲率半径小于测量镜头焦距的镜片。对于曲率半径大于测量镜头焦距的被测镜面来说,测量头焦点只能移动到被测镜面曲率半径中心附近,这种情况下会得到一个模糊十字像。因此,为了实现在模糊十字像下的准确定位,本实验通过采集在各种情况下所呈模糊十字像,加入训练集,通过基于CNN的十字像中心定位模型训练,来精确预测这些十字像的中心点。如图4所示为测量镜头焦点距被测镜面曲率半径中心不同远近情况下采集到的十字像,从左至右表示测量镜头焦点距被测镜面曲率半径中心越来越远。
(2)镜片表面质量差。在进行中心偏测量时,由于镜片表面质量比较差,反射回的光线经十字划线板后在CCD上所呈十字像会非常模糊,图像背景和十字像的对比度也要低很多。在这种条件下,用传统十字像中心定位算法无法有效拟合出十字像边缘,也无法对十字像角点进行有效检测。因此,将此类图片加入到样本集中,经过神经网络模型训练,可以提升针对此类图片的检测精度。采集的部分图片如图5所示。 (3)不同的角度。在实际的测量过程中,偏心仪测量设备的光源和相机的抖动很容易造成十字像的偏转,将各种不同旋转角度的图像采集作为样本,可以显著地提高深度学****算法的鲁棒性,同时也增加了样本集的多样性,图5展示了不同角度的图片。
(4)图片差异性。在对所拍摄图片挑选过程中,充分考虑各个图片之间的差异性。采集了22种不同规格的镜片在不同条件下所呈十字像。在一定程度上,这可以避免数据的重叠,同时降低训练的难度,避免计算资源的浪费,提升深度学****算法的泛化性能。
综合考虑以上各种因素,共拍摄了882张十字像图片。由于图像样本在采集过程中充分考虑了镜片类型、光源、相机抖动、镜面质量、角度等因素,使得整个样本集中包含的图片在宽度、清晰度、倾斜度、颜色、背景等方面都具备了较大的差异性。从总体上看,本章采集的图像样本比较有代表性,能够有效反应中心偏测量过程中十字像各方面的特征。

本实验对采集到的原图像做预处理的目的是突出十字像的特征,即增强十字像与背景的对比度,同时处理一些常见的图像噪声,提升卷积神经网络的泛化性能,减少噪声带来的干扰。如图6所示,十字像十分模糊,相对于背景的对比度比较低,不利于卷积神经网络的识别,可能会被视为异常从而影响卷积神经网络模型的性能,因此,通过预处理来增强十字像的信号。通过观察发现,图像中的十字像都呈现淡蓝色,对于模糊的图像,首先将RGB图像中的蓝色通道的图像提取出来作为初始的灰度图,接着对该灰度图进行滤波、平滑、去噪等操作,进一步得到初步处理后的图像。经过上述预处理后,可以看到中间图片中的十字像相对于背景还是比较模糊。对此,可以采用灰度变换的方法来提升图像的对比度。灰度变换中的幂变换和对数变换都可以实现图像灰度级的扩展和压缩,除此之外,对数变换还有一个性质,它可以压缩图像灰度值变化范围较大的图像的动态范围。对数变换的计算公式如下:
s=c×lg(1+r)(6)式中:c表示一个常数;r表示图像中某个像素的灰度值;s表示图像中某像素经过对数变换后得到的灰度值。从式中可以看出,对数变换可以将原图像中范围较宽的的高灰度值区间映射到范围较窄的灰度区间,同时将范围较窄的低灰度值映射到范围较宽的灰度区间。图6(c)经过灰度变换后的图像相对于图6(a)没有经过灰度变换的图像,十字像变得更加清晰,和背景的对比度也显著提高了。

对于十字像中心检测的任务,对十字像的标注有三种方案可选择,如图7所示。
(1)中心点标注。利用halcon软件读取图像的中心点并做亚像素级别的标注。人工找出十字像的中心区域,通常情况下会描绘出一个矩形区域,根据矩形区域的四个顶点坐标,,记为[x,y],作为算法的测试和训练数据。
(2)角点标注。利用halcon软件读取图像后,找到十字像的四个角点坐标。在角点标注的过程中,图像放大后十字像的交叉处并不是严格意义上的垂直,而是呈弧形,这给角点标注带来了比较大的困难。通中心点标注相似,在交叉处选取一个小的矩形区域,通过求解矩形区域的中心点得4个角点的坐标来作为样本的标签使用,从左上角第1个角点坐标起,按顺