一种高精度图像识别方法与流程

本发明属于图像识别技术领域，属于人工智能的重要分支，具体涉及一种高精度图像识别方法。

背景技术：

目前，机器视觉技术已成功应用到工业生产领域，通过对采集到的图像进行识别处理，进而实现检测的目的。但是由于生产车间的“光污染”、“油污”等恶劣环境对图像造成的干扰，所以在精度方面提出了很高的要求。现有的图像识别方法大致可以分为两类：一类是基于图像处理的方法，一类是基于深度学习的目标检测方法。基于图像处理的方法首先对图像进行预处理，包括灰度化、滤波、边缘检测、二值化等操作，得到二值边缘图像，然后利用图像中特征的边缘梯度等信息识别出特征；基于深度学习的目标检测算法通过对大量样本的训练，利用卷积、池化等操作提取图像不同层次的特征，从而实现目标特征的定位。然而这些方法都有着不足之处。基于图像处理的方法虽然在速度上略胜一筹，但对噪声敏感，容易受到环境的干扰；基于深度学习的方法通过训练可以得到具有很强鲁棒性的模型，排除恶劣环境的影响，但是只能确定目标大致区域，并不能准确识别特征轮廓，所以不能进行更精细的检测。

技术实现要素：

为了解决上述问题，既能得到特征的准确位置，又能排除无关噪声的干扰，本发明提出一种高精度的机器视觉图像识别方法，该方法将基于深度学习的目标检测方法与基于图像处理的特征检测方法结合，使用深度学习准确选出感兴趣区域roi(目标特征所在区域)，再使用基于图像处理的特征检测方法在roi区域内识别，可以有效排除无关信息的干扰，实现高精度的图像识别。具体包括：

(1)制作专用数据集来训练深度学习模型，使损失函数最小，得到训练完成的目标检测模型；

(2)将待检测图像输入基于深度学习的目标检测模型，输出带有预测框(矩形roi)的图像，实现目标特征的定位，预测框内为目标特征；

(3)对预测框内的图像作为图像处理算法的输入，算法对roi图像进行细化检测，拟合目标特征轮廓。

另一方面现有的图像处理的方法速度和精度上存在很大的问题，精度高的算法迭代次数多，导致算法运行消耗时间长，无法满足工业上实时性的要求；速度快的算法精度差，容易受到环境的影响，在“光污染”、“油污”等环境时，识别精度差，错误率高，不能满足工业的检测需求。

针对上述问题，我们提出了一种新型的图像处理算法，比现有的算法有更快的处理速度，并能保证检测的准确性，该算法采用直角三角形采样策略，随机选取一点作为直角三角形的直角顶点，进而做行、列扫描得到其余两顶点，根据几何性质从而检测到圆，为了进一步增加检测的准确性，针对随机采样带来的精度下降的问题采用了优化流程，加入了边缘像素的距离和尺寸约束，使得检测特征既快又准。具体包括如下步骤：

(1)对图像进行预处理，灰度化、滤波、二值化和边缘检测，输出为边缘二值化图像；

(2)在步骤(1)生成的边缘二值化图像上随机采样一个边缘点作为直角三角形的直角顶点，对直角顶点所在的行和列分别进行扫描，得到另外的两个顶点，构成直角三角形；

(3)根据性质，可确定直角三角形的外接圆，并且直角三角形斜边的中点是外接圆的圆心；

(4)对步骤(3)得到的候选外接圆进行优化，根据性质“弦的垂直平分线是圆的直径”，并且加入边缘点与该垂直平分线的距离约束和边缘点梯度方向与该垂直平分线的角度差约束，最终确定新的直径，得到优化后的圆。

有益效果：

本发明提出一种高精度的图像识别方法，将基于深度学习的目标检测方法与图像处理算法结合，通过基于深度学习的目标检测方法可以消除环境因素对图像造成的干扰，从而对目标特征区域进行准确的定位，再结合图像处理算法，实现对目标特征的高精度识别；另一方面由于目前的图像处理算法在精度和速度方面都没能有一个很好的平衡，本发明提出了一种新的圆检测算法，使用随机采样和优化流程，保证了检测的实时性和准确性。

本发明解决了在生产车间复杂恶劣环境的影响下图像识别的精度问题，能够极大的提高检测的准确率，减少检测错误率，能够省去二次检测，降低成本。

附图说明

图1为本发明流程图。

图2为本发明新型的图像处理算法流程图。

具体实施方式

下面结合实施例及附图，对本发明作进一步地的详细说明，但本发明的实施方式不限于此。

针对车间的生产制造环境复杂恶劣，并且出现“光污染”、“油污”等污染现象，本发明提出一种高精度的图像识别方法，该方法结合了深度学习与传统的检测方法，解决了，在生产车间复杂恶劣环境的影响下图像识别的精度问题，有效避免了上述影响。

如图1所示，前期采集足够多的目标图像建立数据集，对深度学习模型进行训练，得到训练好的优化模型。接下来是在线检测部分，将该模型移植到工控机上，待检测目标图像经过深度学习模型以及图像处理算法的检测，最终输出目标特征的位置。具体步骤包括：

(1)制作专用数据集来训练深度学习模型，使损失函数最小，得到训练完成的目标检测模型；

(2)将待检测图像输入基于深度学习的目标检测模型，输出带有预测框(矩形roi)的图像，实现目标特征的定位，预测框内为目标特征。为了能将全部的特征像素包围，我们将其稍微扩大得到后期检测的感兴趣区域(roi框)，深度学习模型经过大量图像的训练学习之后，具有很好的识别性能，能准确识别出图像特征所处的位置区域。

(3)我们将这个步骤(2)中的位置区域经过裁剪操作得到预测框内新的图像，如图2所示，对输入的图像进行预处理，得到边缘二值化图像，并建立边缘像素点集合，接下来判断是否满足采样条件、优化流程条件和设定的边缘点阈值条件，若满足，则得到真圆，否则，返回采样步骤，循环判断上述条件。具体为将其作为图像处理算法的输入，然后经过滤波、边缘检测等操作，得到二值边缘图像，使用图像处理算法，随机选取能够描述目标轮廓的边缘点，作为直角三角形的直角顶点，对直角顶点所在的行和列分别进行扫描，得到另外的两个顶点，构成直角三角形，根据几何性质，可确定直角三角形的外接圆，并且直角三角形斜边的中点是外接圆的圆心，经过有限次迭代或筛选，找出可能的候选目标，对得到的候选目标进行优化，根据性质“弦的垂直平分线是圆的直径”，并且加入边缘点与该垂直平分线的距离约束和边缘点梯度方向与该垂直平分线的角度差约束，最终确定新的直径，得到优化后的圆。

因为原始图像经过深度学习模型已经排除了目标特征roi之外的所有无效干扰信息，所以很好地克服了随机算法对于噪声的弱抵抗性的缺点，从而大大提高了图像识别精度

该方法能够极大的提高检测的准确率，减少检测错误率，能够省去二次检测，降低成本，该方法可以应用到车身智能制造领域，来实现车身制造质量控制的目的，比如车身焊接质量检测，涂胶质量检测等。具体为：在车身焊接质量检测中，通过机器视觉手段获取点焊或者缝焊图像以及涂胶图像，图像经过深度学习的检测得到感兴趣区域，并作为传统图像处理检测算法的输入，然后经过滤波、边缘检测等操作，得到二值边缘图像，使用图像处理算法检测出最终的目标特征。