(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211180591.6 (22)申请日 2022.09.27 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 申请人 四川三联新材 料有限公司 (72)发明人 包毅　黄钰林　陶栩　刘泽林　 柏焱炜　裴季方　屈建峰　张寅　 霍伟博　吕浩然　杨建宇　 (74)专利代理 机构 成都虹盛汇泉专利代理有限 公司 51268 专利代理师 王伟 (51)Int.Cl. G06T 7/246(2017.01) G06T 7/73(2017.01)G06T 7/13(2017.01) G06T 7/194(2017.01) G06V 10/80(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种高速运动滤棒爆珠检测与定位方法 (57)摘要 本发明公开了一种高速运动滤棒爆珠检测 与定位方法， 首先采集高速运动滤棒爆珠图像， 对图像进行预处理， 利用边缘检测方法得到目标 的初步像素点区域， 再使用聚类算法得到前景类 和背景类区域， 与之前得到的目标区域进行交集 运算确定目标的准确像素点区域， 然后对图像进 行标注， 合理生成样本训练集、 验证集与测试集， 搭建包含SPP结构和SE模块的深度卷积神经网 络， 完成对不同尺寸特征图的融合， 赋予每个通 道自适应权重， 实现对目标的准确检测和定位， 本发明的方法结合边缘检测和图像聚类两种方 式， 准确定位目标区域， 去除干扰且方便标注， 根 据不同的样本种类调节获取目标区域方法及网 络结构， 在样本的训练后可较高地保证检测率， 实现目标的准确定位。 权利要求书3页 说明书8页 附图5页 CN 115526908 A 2022.12.27 CN 115526908 A 1.一种高速运动滤棒爆珠检测与定位方法， 具体步骤如下： S1、 采集高速运动滤棒爆珠图像； S2、 对步骤S1采集的高速运动滤棒爆珠图像进行 预处理； S3、 对步骤S2得到的图像进行边 缘检测， 得到目标的初步像素点区域； S4、 对步骤S1采集的图像进行 聚类， 与步骤S3结果进行结合， 得到目标的准确像素点区 域； S5、 对步骤S4处 理后的图像进行 标注， 合理生成样本训练集、 验证集与测试集； S6、 结合S PP结构和SE模块， 构建深度卷积神经网络； S7、 训练深度神经网络 。 2.根据权利要求1所述的一种高速运动滤棒爆珠检测与定位方法， 其特征在于， 所述步 骤S1中， 利用高速相机采集高速运动的滤棒爆珠RGB图像。 3.根据权利要求1所述的一种高速运动滤棒爆珠检测与定位方法， 其特征在于， 所述步 骤S2中， 对步骤S1收集的RGB图像利用最大值法进行 灰度化。 4.根据权利要求1所述的一种高速运动滤棒爆珠检测与定位方法， 其特征在于， 所述步 骤S3中， 利用S2 步骤得到的灰度图和Sobel算子进行边缘检测， 分离出灰度值变化较大的像 素点， 进而确定边 缘得到目标的初步像素点区域。 5.根据权利要求4所述的一种高速运动滤棒爆珠检测与定位方法， 其特征在于， 所述步 骤S3中， 具体步骤如下： Sobel边缘检测算子的表达式如下： Sobel边缘检测算子由两个3 ×3卷积因子Gu和 Gv组成， 分别用于横向和纵向的梯度计 算， 将其与灰度值图像作平面卷积， 分别得 出横向及纵向的灰度差分近似值， 表达式如下： 其中， f(x,y)表示在图像(x,y)点处的灰度值， Gx(x,y)和Gy(x,y)分别表示在图像(x, y)点处横向和纵向的灰度梯度值， 图像的每一个像素的横向与纵向灰度梯度值通过下式结 合， 来计算该点灰度变化的总值： 若某点梯度G大于某一阈值， 则认为该点为边缘点， 利用Sobel边缘检测算子对全部的 点求灰度梯度总值后， 根据阈值得到全部的边 缘点位置， 从而得到初步的目标和背景区域。 6.根据权利要求1所述的一种高速运动滤棒爆珠检测与定位方法， 其特征在于， 所述步权　利　要　求　书 1/3 页 2 CN 115526908 A 2骤S4中， 具体步骤如下： 对步骤S1采集的高速运动滤棒爆珠图像使用ISODATA算法进行聚类， 得到的聚类结果 分为前景类和背景类， 再与步骤S3得到的目标区域进行交集运算， 得到目标的准确像素点 区域。 7.根据权利要求1所述的一种高速运动滤棒爆珠检测与定位方法， 其特征在于， 所述步 骤S5中， 对步骤S4得到的图像进行标注， 构建训练集、 验证集与测试集， 用于训练和性能测 试； 与/或； 所述步骤S6中， 输入图像经过若干卷积层提取特征后， 输入到SPP模块进行不同尺寸特 征图的融合， 而后经过S E模块， 将特征图的每一个通道赋予自适应的权重， 再经过卷积层得 到最后的特 征图及输出。 8.根据权利要求1所述的一种高速运动滤棒爆珠检测与定位方法， 其特征在于， 所述步 骤S7中， 具体步骤如下： 将步骤S5得到的训练集输入步骤S6构建的深度卷积神经网络进行前向传播， 计算代价 函数值， 使用基于梯度下降的后向传播算法对多输入并行深度卷积神经网络参数进行更 新， 迭代进行 前后向传播， 直至代价 函数收敛。 9.根据权利要求8所述的一种高速运动滤棒爆珠检测与定位方法， 其特征在于， 所述步 骤S7中， 具体步骤如下： S71、 前向传播， 以 表示第l层(l≥2)第t个特 征图， 若第l层为卷积层， 则： 其中， 表示连接第s个输入特征图和第t个输出特征图的卷积核， 表示偏置项， σ (·)表示非线性激活函数， “*”表示卷积运 算； 若第l层为 最大池化层， 则： 其中， 表示第l层(l≥2)第t 个特征图中表示(x ′,y′)位置的坐标值， r1、 r2表示 池化窗口 的大小， u、 v表示预 先设定在池化窗口内的变量； 若第l层为平均池化层， 则： 其中， r1、 r2表示池化窗口 的大小； 若第l层为全连接层， 则： a(l)＝σ(w(l)a(l‑1)+b(l))                (7) 其中， a(l)表示第l层的特 征图， w(l)表示第l层权 重， b(l)为该层偏置项； S72、 计算代价 函数值，权　利　要　求　书 2/3 页 3 CN 115526908 A 3