(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 202210267402.2 (22)申请日 2022.03.18 (71)申请人 重庆科技学院 地址 401331 重庆市沙坪坝区大 学城东路 20号 (72)发明人 利节　覃锐　黄琦麟　吴瑞　 杜忠凯　颜定江　黄晓薇　 (74)专利代理 机构 重庆敏创专利代理事务所 (普通合伙) 50253 专利代理师 黄梅 (51)Int.Cl. G06V 20/20(2022.01) G06V 10/44(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于主干边缘特征提取的工业零件空 载率计算方法 (57)摘要 本发明涉及工业零件识别技术领域， 具体公 开了一种基于主干边缘特征提取的工业零件空 载率计算方法， 包括步骤： 对正投影拍取的工业 零件输送箱的原始图像进行腐蚀、 扩展、 图像打 开操作和图像 关闭操作四个基本动作， 得到预处 理图像； 采用多尺度CNN卷积网络对所述预处理 图像进行边缘提取， 得到融合边缘图； 获取所述 融合边缘图的最小闭合区域； 根据所述最小闭合 区域的面积与工业零件输送箱的总面积得到该 工业零件输送箱的空载率。 本方法构造了一个多 尺度CNN卷积网络， 通过具有深特征和浅特征的 混合操作来学习工业零件的基本信息， 获取工业 零件的主干并过滤细节。 本方法步骤简明， 所构 建的网络模 型结构简单， 计算工业零件空载率的 过程快速而又准确。 权利要求书3页 说明书8页 附图2页 CN 114581806 A 2022.06.03 CN 114581806 A 1.一种基于主干边 缘特征提取的工业 零件空载率计算方法， 其特 征在于， 包括 步骤： S1、 对正投影拍取的工业零件输送箱的原始图像进行腐蚀、 扩展、 图像打开操作和图像 关闭操作四个 基本动作， 得到预处 理图像； S2、 采用多尺度CN N卷积网络对所述预处 理图像进行边 缘提取， 得到融合 边缘图； S3、 获取所述融合 边缘图的最小闭合区域； S4、 根据所述最小闭合区域的面积与工业零件输送箱的总面积得到该工业零件输送箱 的空载率。 2.根据权利要求1所述的一种基于主干边缘特征提取的工业零件空载率计算方法， 其 特征在于， 在所述步骤S2中， 所述多尺度CNN卷积网络包括顺序连接的CNN卷积模块、 上采样 块和融合模块； 所述CN N卷积模块包括5个顺序连接的CN N块； 所述步骤S2具体包括 步骤： S21、 5个顺序连接的CNN块分别提取所述预处理图像在5个尺度下的特征， 得到5个尺度 下的特征图像； S22、 所述上采样块对5个尺度下的特征图像进行特征对齐， 得到尺寸相同的5个特征图 像； S23、 所述融合模块对所述上采样块输出的5个特 征图像进行融合， 得到融合 边缘图。 3.根据权利要求2所述的一种基于主干边缘特征提取的工业零件空载率计算方法， 其 特征在于， 在所述多尺度CNN卷积网络的训练过程中， 利用邻域信息训练所述CNN卷积模块， 采用的损失函数为： 其中， 表示所述CNN卷积模块的权重， 表示减弱背景的损失函数， 表示增 强边缘的损失函数， Xk表示原始输入图像像素的对应的实际二值边缘像素， X+和X‑分别为处 于非边缘区域和边缘区域的真实值标签； η和1 ‑η分别表示边缘像素和非边缘像素占总像素 的数量比率， 用于平衡边缘检测中不均衡的边缘样本和背景样本； 和 分别表示像素为非边 缘像素和边 缘像素的概 率， 和 分别表示包含了邻 居信息的边缘预测区域中属于非边缘像素和边缘像素的概率， 概率由sigmoid函数得到， 结权　利　要　求　书 1/3 页 2 CN 114581806 A 2果为[0， 1]， α 是调整邻域间平衡的超参数， 假设众多邻居Xp集合为 则每个邻居为 m是定义的邻 居数， Zj具有与单色图像中的二值化属性相关的二 值， 即Zj＝1或0。 4.根据权利要求2或3所述的一种基于主干边缘特征提取的工业零件空载率计算方法， 其特征在于： 所述融合模块包括第一叠加单元、 第二叠加单元、 第一串联单元、 第二串联单 元、 1×1卷积层； 所述步骤S23具体包括 步骤： S231、 所述第一叠加单元对所述上采样块输出的第 一个特征图像和第 二个特征图像进 行叠加后输入第一串联 单元； S232、 所述第二叠加单元对所述上采样块输出的第 三个特征图像和第四个特征图像进 行叠加后输入第一串联 单元； S233、 所述第一串联 单元对所述第一叠加单 元和所述第二叠加单 元的输出进行串联； S234、 所述第二串联单元对所述第一串联单元的输出与所述上采样块输出的第五个特 征图像进行串联后输入至所述1 ×1卷积层； S235、 所述1×1卷积层执 行卷积操作后输出融合 边缘图。 5.根据权利要求4所述的一种基于主干边缘特征提取的工业零件空载率计算方法， 其 特征在于： 所述CNN卷积模块包括顺序连接的第一CNN块、 第二CNN块、 第三CNN块、 第 四CNN 块、 第五CNN块； 所述第一CNN块包括顺序连接的第一3 ×3卷积层、 第一批标准化层、 第一最 大池化层； 所述第二CNN块包括顺序连接的第二3 ×3卷积层、 第二批标准化层、 第三3 ×3卷 积层、 第三批标准化层、 第二最大池化层， 所述第三CNN块包括顺序连接的第四3 ×3卷积层、 第四批标准化层、 第三最大池化层， 所述第四CNN块包括顺序连接的第五3 ×3卷积层、 第五 批标准化层、 第六3 ×3卷积层、 第六批标准化层、 第四最大池化层， 所述第五CNN块包括顺序 连接的第七3 ×3卷积层、 第七批标准 化层； 所述第一批标准化层、 所述第 三批标准化层、 所述第四批标准化层、 所述第六批标准化 层、 所述第七批标准 化层连接所述上采样块。 6.根据权利要求5所述的一种基于主干边缘特征提取的工业零件空载率计算方法， 其 特征在于， 在所述上采样块中设计一对卷积和反卷积运 算来进行特征对齐： 其中 和ρ(·)分别表示卷积和反卷积的作用函数， BN( ·)表示批量归一化， 表 示所述CNN卷积模块输出的5个尺度下的特征 图像， 表示所述上采样块输出的5个特征 图像， i＝1， 2， 3， 4， 5 。 7.根据权利要求2～6任一项所述的一种基于主干边缘特征提取的工业零件空载率计 算方法， 其特 征在于， 所述 步骤S3具体包括 步骤： S31、 通过轮廓检测算法获得所述融合边缘图的闭合区域， 其中闭合区域的数量及其位 置分别表示为K和∑(Hi， Vi)|i＝1， 2， ...， K}， (Hi， Vi)＝∑(hj， vj)， j＝1， 2， ...， M， M是闭合 区域中的边 缘像素量； S32、 求出最小闭合区域：权　利　要　求　书 2/3 页 3 CN 114581806 A 3