基于Mask RCNN的滤袋开口检测方法.pdf

该【基于Mask RCNN的滤袋开口检测方法 】是由【司棋夸克】上传分享，文档一共【6】页，该文档可以免费在线阅读，需要了解更多关于【基于Mask RCNN的滤袋开口检测方法 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。万方数据
滤袋开口检测方法基于的王宪保,朱啸咏,姚明海憬ひ荡笱畔⒐こ萄г海贾引言在滤袋的智能生产中,需要对滤袋进行卡扣的自动化安装,而实现这一过程的前提是获得滤袋开口的准确位置及滤袋所属的类别。伴随着滤袋制造工艺的提升以及需求的多样化,滤袋大小、纹理等变得更加丰富,这为滤袋开口检测问题带来了更为严峻的挑战。本文的滤袋开口检测实际上是一种目标检测,它是一种包含目标定位与目标分类任务,使用图像处理、机器学****等方法,在图像中搜索感兴趣对象的计算机视觉技术一般先通过目标分类判断是否含有目标对象,再进行更细粒度的检,并将搜索到的目标通过方框进行标注。计算机视觉处理中,图像一般以像素矩阵的形式存储,对其进行类别以及位置信息的相关特征提取方可实现目标检测∽4衬勘昙觳馑惴ㄔ谕枷窬ピ搿⒃銮俊⒉眉等预处理之后,对图像采用滑动窗口遍历并生成候选区域,对每个候选区域采取特征提取,例如方向梯度直方图。,尺度不变特征变换,等,最后通过州等机器学****算法对目标进行分类,然后依据类别对目标进行边框回归。由于上述目标检测模型对于不同的特征需要设计不同分类器,导致其泛用性差、鲁棒性不足。年之后,计算机视觉技术在深度学****的带动下开始了迅猛的发展,以深度卷积神经网络为代表的方法替代了手工特征方法。在目标检测领域,“为基于深度学****的目标检测方法提供了新的方向。前者由于共享卷积操作降低了网络整体的计算消耗,后者在前者基础上融合全卷积网络的思想,提出通过区域提议网络,嬖鹊膕】以及算法。另一种基于回归的思路由年等“提出的计算机测量与控制..摘要:滤袋开口的检测与定位在滤袋智能生产过程巾占据着至关重要的地位;但由于滤袋具有柔性的特点,常规检测方法很难有效进行,且定位精度也不能满足生产要求;针对此问题,提出一种结合可变形卷积与掩码信息的多尺度目标检测器,该检测器使用可变形卷积改进主二二网络高层中的固定卷积,结合特征金宁塔技术实现多尺度信息融合;然后将所得多尺度信息通过区域提议网络生成候选区域,采用改进的—椒ń猩秆。钪账腿爰觳馔方惺侗鹩敕指睿煌ü舜枷袷菁惺验;结果表明,。关键词:目标检测;可变形卷积;;改进—琙收稿日期:一—;修回日期:—一。基金项目:国家自然科学基金项目;浙江省科技计;浙江省基础公益研究计划项目作者简介:王宪保,男,山东菏泽人,博士后,剐教授,主要从事模式识别、神经网络及图像处理方向的研究。姚明海,男,浙江嘉兴人,教授,主要从事模式识别和图像识别方向的研究。,文章编号:/.¨一..中图分类号:文献标识码:八,琙—%划项目琱”,。。,—~‘—琀,篽:。。,,.琣—:“;;;。礼:.。·
万方数据
◆⋯⋯虎搿趇慧鬟是硇川嘬2苝,“危一▲旷㈦螅,瑊弧M遾∑,!琾相关工作惴ㄆ舴ⅲ饫嗨惴ňǘ炔患这类基于候选区域方法,但其检测速度却是前者的倍,后续又提出了,等。本文将”门作为基本框架,并针对具体目标对象进行改进,建立了一种用于滤袋的有效检测方法。本文的主要工作有:首先,针对固定卷积中感受野形状固定,不能灵活地覆盖目标对象,降低了特征提取效果这一问题,采用可变形卷积网络,‘慕潭ň砘ü攵钔獾钠评刺嵘间采样能力。其次,提出一种改进的狽,方法,对缡涑鲈黾右淮紊秆。嵘蜓∏虻闹柿浚跎候选区域的数量。最后,利用本文提出的目标检测器在滤袋数据集上进行实验,结果证明可以有效检测滤袋开口,相较于基准方法高了个百分点。本文的组织结构如下:首先在第一节对基础框架等技术进行介绍;第二节对本文提出的检测器进行详细介绍;第三节通过实验,验证了本文提出的检测器在滤袋开口检测中的有效性,并通过与基准检测器的对比,展现了本文检测器的性能优势;第四节对全文工作进行总结与展望。模型建立在的基础上,将替换为,消除了二次量化的误差,并在头部网络中增加掩码分支用于实现实例分割,提升了对象的检测精度。网络结构的结构如图尽DP桶糜谔卣魈取的主干网络、候选区域生成的约巴凡网络。主干网络的选择主要有,5龋浣系列卷积进行堆叠,逐层提取图像中的语义信息,形成特征映射图。我獯笮〉氖淙胪枷褡;晃R蛔楹蟹质木形框作为⑼笮绻蚕硖卣魈崛⊥贾的特征信息,在输入的每个空间位置采样足个不同尺度的Mü笮掷嗤缍哉庑゛进行评估,挑选出可能含有对象的⒍云浣斜呓缈虻木蓿作为目标候选区域。与目标对象交并比琲最大的约昂椭辽僖桓龆韵蟮腎恍∮谠ど桡兄的ū蛔魑猵阒械恼荆溆嘧魑8貉本用以后续训练。根据式訰进行训练:式中,乃饕滴猧,夕,代表索引值为哪勘甓韵概率。代表真实标签值表示正样本,硎靖貉。雈,。分别表示第鯽谋呓缧正数值与真实标签中的边界修正数值。骸J欠掷嗨鹗Ш表示预测类别与标签之问的误差,采用交叉熵损失函数实现。1硎颈呓缈蚧毓榈乃鹗Ш咛逋ü中的瑃砌函数实现。浅问糜诜掷嗨鹗в牖毓樗鹗之问的平衡。总体损失通过梯度下降法修正。最终,训练好的梢陨筛咧柿康暮蜓∏蛭:笮碜鲎急浮遮嵌訰挠呕空间金字塔池化,将氖涑鲎魑J淙耄涑鲆蛔楣定大小的特征张量作为后续处理的输入。但是引入了两次量化操作,带来了量化误差,降低了和其对应特征之间的一致性。针对此问题,ü性插值法解决,对每个先进行分割,之后在分割得到的每个子区域中采样话闳龅悖悦扛龅憬双线性插值得到其像素值,之后将最大的像素值作为该子区域的像素值。这种方式避免了引入量化操作带来的量化误差,实现了与特征的一致,提升了后续分类以及回归框的精度。头部网络由于引入了特征金字塔生成不同尺度的特征图,所以需要根据尺度选择特定层级的金字塔输出作为后续处理的输入,具体选择如公式式中,走。一校瑉表示对应区域的宽和高,杂特征金字塔第五层的尺度。经过涑龉潭ù笮〉奶卣髡帕浚讲闳连接网络之后分别传送给分类器和回归器,以实现目标对象的分类和边界框的回归。掩码分支的输入也由计算机测量与控制第卷猙以及瑈猰的中的网络结构‘”’瑈引、,∽、瑈,。瑀”、琩图.·
万方数据
显一铜炒黼匍抄一钥∥融合可变形卷积的#一航。。,。一貉乡。。纾△目标的检测效果。将残差网络中,删删琭築一∥一,厅,粄#琋、,,其中且幌盗泻,候生产生,但其尺寸大小与分类和回归不同。网络训练采用多任务损失函数,通过学****不断下降的损失函数的值,直至获得最优解。损失函数的公式由式觥F渲邪项,分别对应分类损失,边框回归损失以及掩码分割损失。中使用固定卷积,这类卷积在空问采样上不够灵活,容易引入对象周边的噪声信息,干扰后续的识别与分类。针对此问题,本文引入可变形卷积来改进主干网络中的部分固定卷积,以实现更加灵活的空间采样。针对绮暮蜓∏蛱岢鲆恢指慕腟狽方法进行进一步筛选与整合,在降低候选框冗余的同时提升候选框的质量,从而达到提升目标检测性能的目的。本文将可变形卷积加入中,从而得到更好的空间采样结果,并用改进的徊秸虾蜓区域降低其冗余程度,最终实现对滤袋开口的有效、精确检测。图隽吮疚哪勘昙觳饽P偷淖芴褰峁埂U瞿型分为糠郑谝徊糠治V鞲赏纾迪滞枷裉卣鞯奶取工作;第二部分是糜诤蜓∧勘甑纳桑坏谌分是ê蜓∏蚨杂Φ奶卣饔成涑鼗涑鑫固定大小的特征张量,为后续处理做准备;第四部分是头部网络,由三个分支构成,分别实现目标类别的识别、目标边界框的修正以及目标掩码信息的生成。最后将掩码信息与边界框信息整合得到更为精确的定位。主干网络本文选取残差网络作为提取特征的主干网络。残差网络利用跳接纬刹胁羁椋ü训胁羁榈方式构建残差网络。残差块可以用公式硎荆狥。瑊瑌丁其中:硎静胁羁榈氖涑觯琓为残差块的输入,丁,,表示待学****的残差映射。残差网络通过跳接结构,降低了随着模型深度的增加产生过拟合的可能性,为构建更深的模型提供了基础。传统的卷积结构空间采样不够灵活,无法有效处理目标形变。本文引入可变形卷积对原始残差网络进行改进,替换掉其高层中的固定卷积层,从而更有效地实现对目标的特征提取,提升检测效果。传统的卷积从数学形式上可以用式硎荆渲衟。代表卷积核中每个点对应中心点的空间偏移,硎揪砘核对应的各个空间位置偏移。相较于传统的卷积,可变形卷积引入了一个空间偏移△8闷撇问梢酝ü暗姆绞交竦谩?杀湫尉砘表示如公式由于增加的△户,,一般是小数,并没有与之对应的输入,所以通过双线性插值的办法来获得这一位置对应的输入。随着卷积网络的加深,顶层感受野的大小增加,高层语义信息变得更多,更适合分类,但同时也损失底层信息,这对小目标的检测会造成较大影响。因此本文构建特征金字塔,【慈诤细叩筒慵的语义信息,实现对各个层级卷积输出的捕获,提升对小的输出分别用珻珻.,硎尽在氖涑錾贤ü一个的卷积,将其通道数由原先的降为得特征映射图譲。之后对篜猩喜裳倍:【的输出经过一个的卷积将其通道数下降为褂锰卣图相加的方式将两者结合得到譴。通过上述方式依次得到。,:,之后对:,。,;,直鹗褂靡桓×的卷积以降低上采样带来的混叠现象,得到海琍。,,,构成了特征金字塔。区域提议生成候选目标区域的质量与数目直接影响到目标检测的效果与速度。本文通过椒ɡ胊苹竦迷嫉候选区域,同时依据所用数据集中目标的尺度对的大小做出了调整,调整后的参数为,,长宽比为,,。傻脑继嵋榭蚴恐诙啵谡庑┖蜓】蛑杏些包含背景图像,为减少这类样本,提升候选框的质量,一般采用非极大值抑制对候选框进行筛选。由于掷结果与候选框位置之间没有明确的线性关系,所以传统椒ɑ岬贾潞芏嗨淙恢氐前勘瓴灰谎暮蜓框被直接删除。为此,本文提出一种改进的—法,给出了改进后的伪代码。虎耄荨,粄,⋯,乩,琽为输出框,F涠第期王宪保,等:基于的滤袋开口检测方法狶。,,。。。。融合可变形卷积的猭网络结构焊慕膕—椒选框,瞧涠杂Φ牡梅郑珿,为阈值应的得分猧狵狟—检测头部网络图傥餯成归生回码框掩类界割分边分ぁひ籥蔙·
万方数据
卜∥一事蒜籢,弧猒㈩笛榻峁敕治预测框居州,。,,删,删硎尽A秸上述算法中,计算得分的公式由式觯罴押选框位置调整的方法由式觯式校谴砹送鼻白罡叩梅值暮蜓】蛑銲于阈值的候选框的总数,之后根据得分进行加权修正。网络的联合训练本文采取端到端的训练方式,将绲难盗啡挝同主干网络以及头部检测网络的检测任务结合起来,通过构建一个多任务损失函数,训练整体结构。损失函数由式给出:!#籐!主干网络部分采用在上训练的P徒谐跏蓟琑以及检测头采用在数据集上训练的参数进行初始化。本文采用梯度下降法进行神经元参数的迭代调整。本文使用本实验室构建的滤袋数据集。为增加训练样本个数,通过旋转、裁剪以及翻转等数据增强方式对数据集进行了增广。使用工具对数据集进行标注。得到数据集褪菁,两个数据集共有样本拧J据集邪类不同圆形开口的滤袋,每类均有磐像,按的比例分为训练集和测试集。数据集泻嗖煌衷残慰?诘穆舜坷嗑张图像,同样以的比例分为训练集和测试集。表捅分别给出了数据集褪菁的具体信息。图屯展示了数据集对应的部分图像。评价标准本文的评价指标为各类平均精度,中心偏移距离以及检测速度。本文对比的模型为以及两种主流的两阶段目标检测模型。NU媸抵当昵┯∥∥∥。硎荆之间的距离记作心。,!#,可以根据公式计算:我粂加。,丁∥一。/其中:#。/琓。,一一’/瑈。,一本文的模型在数据集胧菁上进行评估。参数设置实验的硬件环境为H砑肪澄猅芄梗笛橛镅为。训练时设置学****率为,权重衰减系数为捎么康瑂优化器迭代训练,动量设置为,训练迭代次,猻柚梦。实验主要由以下几部分组成:第一个实验将对比本文算法与基准算法之间的性能差异;第二个实验为消融实验将验证提出的改进—椒ǖ计算机测量与控制第卷¨,;.R籐籢,.粆一表菁痩中每一类包含的图片数目圆型小圆形大带十字带字花带花纹带横线类别花纹开纹开口等开口数日表菁中每一类包含的图片数目类另紫色椭圆白色椭圆数目数据集计纠图菁图片示例猟瘂,’搿∥薄#/瑉一。,。,。—圆形。开口于残涡】?残未罂?只ㄎ瓶?只ㄎ瓶?ㄎ瓶?残沃械瓤?挚?嵯呖?图仙衷咨衷琋—.、“.口·
万方数据
■■■皿圆墨盟匝圆■结束语有效性;第三个实验将数据集褪菁合并,检验算法在输入类别增加情况下的鲁棒性。算法比较实验一:在本实验中,通过将、以及本文的融合可变形卷积在滤袋数据集涎盗泛筒馐裕玫饺绫展示的结果。图隽部分检测结果。在表锌梢钥吹剑疚牡乃惴ㄔ谥行钠凭嗬胝庖指标上优于对比算法,。—潭院蜓】虻闹卣岣吡苏庖恢副辍本文构建的特征金字塔实现了特征的融合,提升了对小目标的检测精度,使得模型的漏报率下降,提升了模型的召回率。藉此,总体的嘟嫌诿挥刑卣鹘鹱炙峁也得到了提升。同时,可变形卷积带来了更加灵活的空间采样,引入改进那蛱嵋樯成网络提供了更高质量的候选框,给本文方法在洗来了高于对比算法的性能,相较于提升了个百分点。在检测速度方面,由于本文模型基于构建,其增加了掩码分支且本文在模型中加入金字塔结构以及可变形卷积,在一定程度上提升了模型的复杂度,致使本文算法相较于的推理速度有所下降,但是相当。实验何A搜橹じ慕鳶狽的有效性在实验数据集辖邢谑笛椤J笛榻峁绫所示。对比采用的是椒ǎ疚氖褂玫氖歉慕腟狽方法,其余部分两者相同皆为融合可变形卷积的。可以看到本文提出的—椒ㄏ嘟嫌诖砃在数据集蟤指标实现了个百分点的提升,同时中心偏移距离提升了鱿袼兀橹ち吮疚奶岢龅母慕鳶椒ǖ挠行裕卣暮蜓】蛑柿咳肥涤庞谠候选框。实验何A搜橹に惴ǖ姆夯阅埽疚挠檬菁和数据集运惴ń醒橹ぃ峁绫所示。可以看到引入可变形卷积并使用改进—椒ê螅疚哪P托阅依旧高于其他对比算法,证明了本文方法在增加对象类别之后仍然可以具有较好性能。为了进一步检验其性能,将来自不同数据集的对象放在同一环境采集,继续测试,结果如图尽J笛榻峁っ鞅疚哪P涂梢杂行У丶觳獠同滤袋开口,具有良好的鲁棒性。本文提出了一种基于深度学****的滤袋开口检测算法,实验结果表明,本文算法在滤袋开口检测问题上比传统基于深度学****的目标检测方法表现得更好,且检测速度较快。由于本文构建的数据集规模较小,后续工作中将尝试建立种类更为全面的大型数据集供滤袋开口检测算法的训练和测试,并且进一步通过剪枝算法压缩模型体积,提升运算速度。第期王宪保,等:基于的滤袋开口检测方法在数据集霞觳獾慕峁示例在吸尘器尘袋测试集卜的检测准确率以及中心偏移距离中心偏移距离的和表改进一椒ǖ挠行在数据集系募觳饨峁图谕煌计辛街植煌敬募觳庑Ч参考文献:锖侠祝∈ぃ诔の埃龋∮谀勘昙觳饧案俚氖悠嫡要技术研究扑慊蒲В甆图、—::—.·
万方数据
拶若世’矗掣帷缣埂唷啊坦’对坩’哥“’硅捷猟’寸垲’寸“’’苦“’苦坦’埂孥睢纭啊’啊ǔ父纭啊坦’寸掣睢咎埂焐’埂帷鎑’拶寸帷纭啊鄞!啊簟啊坦’寸掣寸綿’诗!啊痙“’对3竏垲’诗坦,——第六届中国航守计算机测量与控制第卷肀叵婧,⒄...:..:.:—./.狢甀琧.:.辖拥赵媛媛,>⒋,,邓晓衡,关培源,,⒄梗:理设计暇┖,,预测与健康管理技术研究浜豪砉ご笱аПǎ航煌ǹ蒲施巍松,张星洲,:现状与展望扑与工程版,,—机研究与发展,荒龋捉荩窕收显げ庥虢】倒芾硐低扯ゲ慵芄姑患赵梓铭,刘芳,蔡志平,:平台、应用与挑战技术研究扑慊饬坑肟刂疲:—.扑慊芯坑敕⒄梗:.τ窳帷8咝『,学会青年科技论坛琈琓輌。∞甅:/.琎—,吕··琓—’,琽猧,,:—琑琺琩。瓼:“癳珼.,瑅甋#珼篒篤.,,—:—“現。:,,.:珿;,.琇.:簅琙。猻琑—&.琙.,.簅:—..痑一.。畂一】痑瑇——.—.