技术特征：
1.一种基于深度学习的圆检测方法，其特征在于：包括步骤：(1)对原始图像上的圆轮廓进行标注作为图像样品；(2)构建深度学习模型并采用步骤(1)得到的图像样品进行训练得到图像分割模型；(3)采用步骤(2)得到的图像分割模型对待检测图像进行分割，得到相应的圆轮廓，并据此对其进行圆拟合得到最终的圆。2.根据权利要求1所述的圆检测方法，其特征在于：所述步骤(1)中，对原始图像上的圆轮廓进行标注具体为：采用连续线段对原始图像的圆轮廓进行标注得到图像样品，线宽设置为7pixel。3.根据权利要求1所述的圆检测方法，其特征在于：所述步骤(2)的深度学习模型采用resnnet50+rpn+fcn网络结构。4.根据权利要求3所述的圆检测方法，其特征在于：将所述图像样品固定为640*640pixel，在对图像分割模型进行训练时使用经过步骤(1)标注得到的2000个目标框参与计算，对图像分割模型进行测试时使用经过步骤(1)标注得到的200个目标框进行计算。5.根据权利要求1所述的圆检测方法，其特征在于：在所述步骤(3)中，在得到相应的圆轮廓后还包括数据压缩步骤：在分割后的图像中像素只有0、1两个值，1表示图像分割的圆轮廓区域，0表示背景区域；则在图像上的行列上分别采用间隔采样的方式进行数据压缩，即将指定行列上像素值为1的像素的值置为0。6.根据权利要求1所述的圆检测方法，其特征在于：所述步骤(3)中圆拟合采用最小二乘法。7.根据权利要求6所述的圆检测方法，其特征在于：所述步骤(3)中最小二乘法进行圆拟合具体为：圆心公式如下：(x-x
c
)2+(y-y
c
)2＝r2其中，(x，y)为圆轮廓上一点，(x
c
，y
c
)表示圆心坐标；则转化为极值函数得到：f＝∑((x
i-x
c
)2+(y
i-y
c
)
2-r2)2则：则：则：则：则：则：其中，表示圆轮廓上所有点x轴坐标的平均值，表示圆轮廓上所有点y轴坐标的平均
值；x
i
表示圆轮廓第i个点的x轴坐标，y
i
表示圆轮廓第i个点的y轴坐标；n表示圆轮廓上数据点个数；u
i
表示圆轮廓第i个点的x轴坐标与圆轮廓上所有点x轴坐标的平均值之间的差值，v
i
表示圆轮廓第i个点的y轴坐标与圆轮廓上所有点y轴坐标的平均值之间的差值；u
c
表示圆心的x轴坐标与圆轮廓上所有点x轴坐标的平均值之间的差值，v
c
表示圆心的y轴坐标与圆轮廓上所有点y轴坐标的平均值之间的差值；则：f＝∑((u
i-u
c
)2+(v
i-v
c
)
2-r2)
222
通过上述极值函数即可求取得到对圆轮廓圆拟合的圆心坐标(x
c
，y
c
)和半径r。8.根据权利要求6所述的圆检测方法，其特征在于：在所述步骤(3)中，每次随机选取圆轮廓上点的数量的0.1倍进行最小二乘法进行圆拟合，并重复k次，统计其中拟合得到的所有圆中重合的个数，选取其中重合个数最多的圆作为最终检测得到的圆。9.一种如权利要求1～8任一所述的圆检测方法在接地刀闸操作中的应用。
技术总结
本发明公开了一种基于深度学习的圆检测方法，包括步骤：(1)对原始图像上的圆轮廓进行标注作为图像样品；(2)构建深度学习模型并采用步骤(1)得到的图像样品进行训练得到图像分割模型；(3)采用步骤(2)得到的图像分割模型对待检测图像进行分割，得到相应的圆轮廓，并据此对其进行圆拟合得到最终的圆。本发明是基于圆弧分割，结合最小二乘拟合和ransac算法筛选，能有效避免拟合误差，其筛选的判断条件是寻找拟合圆最大覆盖区域，精度高且性能稳定。精度高且性能稳定。精度高且性能稳定。
技术研发人员：王卓 毛成林 项导
受保护的技术使用者：亿嘉和科技股份有限公司
技术研发日：2021.11.01
技术公布日：2022/1/28