一种基于单目无监督深度估计网络的织物保形性检测方法

本发明涉及织物保形性检测领域，具体涉及一种基于单目无监督深度估计网络的织物保形性检测方法。

背景技术：

1、在进行传统织物保形性检测时，常常采用传统机器视觉进行追踪检测，而被检测目标所处环境也极大影响检测结果，这就使得当被检测目标周围存在其他运动干扰时，传统检测方法不能有效地识别以及区分待检测动态目标和其他动态干扰物，也就无法保证所得动态监测结果的准确性；另外，当待检测目标周围光线发生变化时，传统机器视觉检测方法会错误地将部分增强光亮识别为运动目标，例如直接对视频图像进行帧差法等检测方法时，会使得整个检测过程变得难以预测，所得结果也不具备较好的参考价值。

2、深度估计网络相关研究由来已久，早期常采用双目或多目深度估计，使用两张或多张不同拍摄角度照片求取深度，根据输入图像的视角变化来得到视差信息，联合计算求取深度信息。随着深度估计网络研究的深入，目前已基本实现单目深度估计，近些年来，基于深度学习来实现单目深度估计已趋于成熟，目前深度估计网络从像素级别的分类任务角度入手借以取代原始线性回归问题，同时无监督框架的加入可以使得网络在训练过程中避免过度依赖真实的深度值数据样本，从而提高模型在新场景的泛化能力，同时去除人工对数据集进行真实深度值标记的繁琐工作，提高生产力。

技术实现思路

1、基于以上内容，本发明提供一种基于单目无监督深度估计网络的织物保形性检测方法，本发明的目的在于提供鲁棒性更强的织物保形性检测方法。

2、为达到上述目的，本发明采用以下技术方案，其织物保形性检测方法步骤包括：

3、一种基于单目无监督深度估计网络的织物保形性检测方法，步骤如下：

4、第一步：搭建暗室，在暗室内搭建稳定光源，使光源位于单目摄像机后方，照射方向由后往前；使用机械力臂抬起织物并夹紧，设置挤压时间为60s，固定单目摄像头正对织物侧面，用于拍摄力臂松开时织物下坠并恢复的整个过程。

5、第二步，将单目摄像机连入计算机，对所的图像进行计算机视觉处理，本发明为获得准确运动目标信息搭建ghostnet网络结构，该网络编码网络使用正常卷积运算处理之后，再利用cheapoperation将少通道特征图转化为多通道特征图，将多特征图concat一起之后形成新的输出使用。

6、使用ghost模块升级普通卷积的理论加速比为：

7、

8、其中，k′和v′分别为输出数据的高度和宽度，h2为卷积核内核大小，m为卷积核数量，c为通道数，x2为每个线性运算的平均内核大小，e为每个原始特征图经过廉价线性变换后获得的ghost特征图数量。

9、为了缩短解码网络推理时间，本发明使用立方卷积插值，使用立方卷积插值不仅考虑到周围四个相邻像素点灰度值的影响，还考虑到他们灰度值变化率的影响，使得处理后的图像损失最少，灰度值更精确，以便于后续二值化操作。具体操作为：

10、g(m+w,n+v)＝a·b·c

11、a＝(s(1+w)s(w)s(1-w)s(2-w))

12、

13、

14、g()就是插值后对应坐标的值，(m+w,n+v)为目标图像像素点映射到原图像素点格式，它由三部分a，b，c相乘而得到。

15、公式可以简写为：

16、

17、f()为原图目标点和对应15个邻域点的值，s()为卷积公式，其中卷积公式为：

18、

19、在损失函数设计方面，本发明将使用交叉熵作为目标函数，使用原始目标加权混合而成的soft目标使其在标签上均匀分布，可以防止在接下来的深度估计中出现过拟合问题。本发明使用尺度与数据方差成正比关系的动态缩放的交叉熵损失，所使用多尺度损失函数为：

20、设特征空间

21、x∈rq×m×n

22、其中q为输入通道数量，m、n分别为输入数据的高度和宽度。

23、设标签空间

24、y＝{1,…,k}

25、其中k为类的数量。

26、设有数据集

27、

28、其中每一对

29、(xi,yi)∈x×y

30、n为数据集数量

31、设有神经网络

32、g(x；ε)

33、ε为模型参数。

34、为了使多尺度损失函数包含各个数据点的累计损失，需要在目标函数中增加一个非线性尺度函数也权衡损失比重。

35、设有非线性函数

36、

37、其中α、β、γ为调节参数，z为卷积层输出缩放方差。

38、所以总目标函数为

39、

40、第三步，将所得深度图像进行二值化处理，由于待测织物所处空间位置深度不同，所得深度图像中织物的灰度信息也与周围环境不同，使用opencv中threshold()函数处理深度图像得到二值化图像。

41、第四步，使用opencv中查找图像轮廓函数findcontours()，并通过drawcontours()函数将查找到的轮廓绘制到图像上，之后所得二值化动态图像开始的0s、10s、20、30s这四个时间点使用函数minarearect()测量织物顶点角度变化，以此评估织物保形性。

42、本发明的有益效果：

43、1.通过单摄像头对正处于恢复形变过程中的织物进行实时检测，利用计算机视觉技术对检测到的动态图像加以处理分析，取代原始人工手动标记测量织物保形性，提高生产效率。

44、2.通过计算机视觉技术获取动态图像的深度信息，根据所得深度信息准确提取待检测织物运动前景，排除光照干扰等影响，提升织物保形性检测准确性。

技术特征：

1.一种基于单目无监督深度估计网络的织物保形性检测方法，其特征在于，步骤如下：

技术总结
本发明涉及织物保形性检测领域，具体涉及一种基于单目无监督深度估计网络的织物保形性检测方法。本发明通过单摄像头对正处于恢复形变过程中的织物进行实时检测，利用计算机视觉技术对检测到的动态图像加以处理分析，取代原始人工手动标记测量织物保形性，提高生产效率。通过计算机视觉技术获取动态图像的深度信息，根据所得深度信息准确提取待检测织物运动前景，排除光照干扰等影响，提升织物保形性检测准确性。

技术研发人员：王蕾,郭栩源,张鹏飞,潘如如,高卫东
受保护的技术使用者：江南大学
技术研发日：
技术公布日：2024/1/13