基于卷積神經(jīng)網(wǎng)絡的零件圓檢測方法

曾碧卿,楊 睿,,李一嫻,張雅蓉

(1.華南師范大學 軟件學院,廣東 佛山 528225;2.季華實驗室,廣東 佛山 528200)

0 引 言

多孔零件是工業(yè)生產(chǎn)中的一種關鍵零件,比如軸承、螺母和法蘭盤等等,此類零件中的圓孔往往承擔著重要的連接與固定功能,因此,判斷一個零件中的圓孔的尺寸與位置是否符合生產(chǎn)規(guī)格是至關重要的事情。

最初在工業(yè)生產(chǎn)中采用人工的方法測量零件中圓孔的半徑以及圓心位置,這種方法簡單但是低效,而且隨著工作時間的增加,工人因疲勞而誤檢的概率也在逐步增大。隨著技術的發(fā)展,超聲波測量[1]、電磁測量[2]和激光測量[3]開始大量應用,聲波測量和激光測量都是通過接受反射信號的方法實現(xiàn)對零件的測距,但是超聲波測量容易受到距離變化和干擾聲波的影響,而激光測量容易受光照和零件姿態(tài)的影響,而電磁測量在長時間使用的情況下對人體會有一定影響,零件測量的穩(wěn)定性與精度問題一直得不到有效的解決。

視覺測量是機器視覺[4-7]發(fā)展后誕生出的新應用,通過對待測量的圖像進行分析計算,得到物體在圖像中的相對尺寸,然后再根據(jù)空間映射關系計算出物體的實際尺寸。此方法對環(huán)境的變化有較好的魯棒性,但會受到圖像的復雜性影響,因此,如何較好地從復雜的圖像中尋找到待測量的圓形是研究的重點。

1 國內(nèi)外研究現(xiàn)狀

圓檢測問題作為計算機視覺中的一個基礎問題,在諸多領域都有廣泛的應用,比如細胞識別、虹膜檢測、工件檢測等。傳統(tǒng)的圓檢測算法通常需要一個含有待檢測圓形的圖片作為輸入,而如何排除待檢測圓以外的干擾物和如何獲取待檢測圓的清晰輪廓是圓檢測算法面臨的最大挑戰(zhàn)。

目前,傳統(tǒng)的圓檢測算法根據(jù)計算原理的不同主要分為3類[8]:基于Hough變換的方法、基于目標函數(shù)優(yōu)化的方法和基于圓弧邊緣的方法。

基于Hough變換的圓檢測方法是圖像處理與計算機視覺中最常見的一種圓檢測方法。最初的Hough變換圓檢測方法[9]由Duba和Hart于1972年提出,該方法的思想是將圓形從圖像空間映射到參數(shù)空間,圖像中點每個邊緣點都用滿足某種參數(shù)形式的曲線描述,然后對所有參數(shù)進行累加,處于峰值的邊緣點即為預測出的檢測圓。Chung等人[10]提出了隨機Hough變換圓檢測方法,算法在邊緣點的選取上進行了優(yōu)化,隨機選取部分像素點進行映射。Yao和Yi[11]提出了CACD圓檢測算法,該算法按照圓弧的曲率對圓弧進行分組,然后根據(jù)曲率估算圓半徑,曲率估算能避免所有點的累加操作和不同尺度的半徑之間的差異,從而實現(xiàn)更快、更精準的圓檢測。

基于目標函數(shù)優(yōu)化的方法擬合圓形最早由Gander等人[12]提出,運用最小二乘法直接估計出圓形類目標的參數(shù),但該方法的精確度有限。之后,Zelniker等人[13]采用基于卷積的最大似然估計方法找到圖像中圓形參數(shù)的最優(yōu)預測值,并采用相位編碼內(nèi)核進行進一步的亞像素精度的優(yōu)化。Halif等人[14]提出了一種數(shù)值穩(wěn)定的非迭代算法,該算法基于最小二乘化,即使對于分散和帶噪音的數(shù)據(jù),也能保持穩(wěn)定的求解。

基于圓弧邊緣的方法中的典型代表有EDCircle[15]算法,該算法首先利用無參數(shù)邊緣繪制算法對給定圖像進行邊緣分割,然后將邊緣分割成線段再轉(zhuǎn)換為圓弧,使用兩種啟發(fā)式算法將圓弧拼接在一起,檢測出候選圓和近圓橢圓,最后通過亥姆霍茲原理的反向驗證步驟對候選對象進行驗證。

以上傳統(tǒng)的圓檢測算法在對簡單圓形圖像時往往有較好的表現(xiàn),但面對實際復雜的應用場景如零件圓檢測會受到很大挑戰(zhàn),對此諸多學者在零件圓檢測方面進行了研究。王福榮提出的多圓孔零件視覺測量系統(tǒng)[16]對LP圖像金字塔進行改進以獲得精細邊緣,然后在快速隨機Hough變換方法中采用優(yōu)化和缺陷邊緣篩除,構建了一個高精度的零件圓視覺測量系統(tǒng)。李晨曦[17]設計了一個圓環(huán)零件的光學檢測系統(tǒng),使用迭代優(yōu)化將最小二乘法中的期望偏差值由非線性問題近似為線性問題,實現(xiàn)了對圓心的快速精確定位,同時還結合了缺陷方法實現(xiàn)對圓環(huán)形零件的表面缺陷檢測。近年來,深度學習依靠其強大的學習能力為諸多研究領域打開了新的突破口。因此,針對圓檢測任務,該文提出了一種基于卷積神經(jīng)網(wǎng)絡的多階段圓檢測方法,對零件中的圓進行由粗到精的檢測,排除障礙物獲取目標圓的位置以及輪廓信息,最后利用傳統(tǒng)圓檢測方法對圓參數(shù)進行檢測,得到目標圓的圓心坐標與半徑,以滿足零件圓檢測的需求。

2 圓檢測方法

2.1 檢測方法結構

該方法將圓檢測流程分為3步(如圖1):粗檢測、細檢測和圓參數(shù)檢測。粗檢測階段目的在于尋找零件圖片中的含有目標圓的感興趣區(qū)域,細檢測階段在感興趣區(qū)域中獲取圓的輪廓掩膜信息,圓參數(shù)檢測階段負責計算出圓的圓心坐標與半徑并映射回原圖中。

圖1 圓檢測方法流程

在粗檢測環(huán)節(jié),采用YOLOv5作為目標檢測模型,數(shù)據(jù)集采用自行構建的零件圖片數(shù)據(jù)集。該環(huán)節(jié)的任務是對含有多圓零件圖片中的圓進行檢測,獲得裁剪后含有單個圓的圖片,將多圓檢測任務簡化為單圓檢測,為后續(xù)細檢測做準備,排除干擾物并保留感興趣區(qū)域。

在細檢測環(huán)節(jié),采用BiSeNet[18]作為語義分割模型,數(shù)據(jù)集采用粗檢測獲得的輸出結果構建的語義分割數(shù)據(jù)集,其中訓練集采用目標檢測訓練集輸出的結果,驗證集則采用目標檢測驗證集輸出的結果。通過細檢測環(huán)節(jié),粗檢測得到的含有單個圓的圖片被預測為含有圓形輪廓的掩膜圖,圓檢測的任務得到極大的簡化。

在圓參數(shù)檢測環(huán)節(jié),采用經(jīng)典的Hough變換圓檢測方法,在半徑的閾值范圍選擇上設計了自適應變化模塊使得半徑閾值范圍更加貼近真實值,大大降低了計算量,同時對邊緣點采樣進行分區(qū),避免了采樣點選取過近而受不規(guī)則圓的影響。最終圓參數(shù)檢測環(huán)節(jié)得到單個圓圖形的半徑與圓心坐標,通過裁剪與縮放關系重新映射回原來的大圖中,得到整張大圖中所有待檢測圓的半徑與圓心坐標。

2.2 粗檢測階段

粗檢測階段的目的是獲得目標圓的大概區(qū)域位置,而多孔零件圖片中往往含有類圓干擾物與非目標圓,因此,該文采用目標檢測方法實現(xiàn)對圓的粗檢測,目標檢測通過訓練學習可以對目標的種類和位置進行預測,以排除干擾物,準確地獲取目標圓的區(qū)域圖片。

粗檢測階段的目標檢測模型采用YOLOv5,YOLOv5是YOLO系列目標檢測算法[19-22]的新一代模型,采用one-stage結構,在圖像輸入時進行了Mosica數(shù)據(jù)增強操作并且在推理時采用自適應縮放操作,推理速度提升約37%;在推理結構中,YOLOv5將CSP模塊[23]同時應用于Backbone層和Neck層,增強了網(wǎng)絡對特征的融合能力;輸出層中采用了CIOU_Loss作為邊界框預測的損失函數(shù),CIOU_Loss將邊界框回歸函數(shù)中3個重要幾何因素:重疊面積、中心點距離,長寬比全部納入考慮,提高了邊界框的速度和精度信息。

最新版本的YOLOv5模型提供了4個網(wǎng)絡深度和寬度不同,但結構大體相同的模型,考慮到粗檢測的主要任務是檢測出含有目標圓的感興趣區(qū)域而對精度要求不高,因此選擇參數(shù)量最小的YOLOv5s模型以加快預測速度。該文選擇修改模型的骨干網(wǎng)絡,使用更為輕量級的MobileNet v3[24]網(wǎng)絡替換原模型中的骨干網(wǎng)絡DarkNet53,在犧牲部分精確度的情況下提高預測速度,改進后的YOLOv5網(wǎng)絡結構如圖2所示。MobileNet v3是2019年提出的一種輕量化網(wǎng)絡結構,在先前版本的基礎上加入了神經(jīng)網(wǎng)絡架構搜索和h-swish激活函數(shù),并引入SE通道注意力機制,性能和速度表現(xiàn)優(yōu)異。由于骨干網(wǎng)絡中的DarkNet53主要起特征提取的作用,因此只選擇MobileNet v3的特征提取部分進行修改,調(diào)整網(wǎng)絡中的降采樣操作使其輸出通道與YOLOv5網(wǎng)絡相匹配。

圖2 改進后的YOLOv5結構

2.3 細檢測階段

細檢測階段的主要任務是對單圓圖片中圓的輪廓進行預測,由于上一步粗檢測任務將多圓檢測問題簡化為單圓檢測問題,大大降低了檢測難度,但細檢測階段的圖片仍然存在著陰影以及干擾物等問題,該文采用語義分割方法檢測圓輪廓。語義分割是計算機視覺中的一個流行方向,其目的是將圖像分割成具有一定語義的區(qū)域,并預測出每一塊分割區(qū)域的語義類別。由于需要對輸入圖片進行逐像素的分類,計算量巨大,目前主流的實時語義分割模型多數(shù)都以犧牲精度的代價換取速度,比如將原圖進行裁剪以限制輸入圖片的大小,從而降低計算復雜度,但這種做法會造成空間細節(jié)的損失,導致度量和可視化的精度下降。

該文采用輕量級實時語義分割模型BiSeNet[18]作為細檢測模型。BiSeNet含有2個分支,分別是空間分支和上下文分支,前者使用較多的通道數(shù)和較淺的網(wǎng)絡結構來保留豐富的空間信息生成高分辨率特征,后者使用較深的網(wǎng)絡結構和較少的通道數(shù)快速降采樣增加感受野。最后使用1個特征融合模塊將2個分支輸出的特征進行融合,整體網(wǎng)絡結構如圖3所示。

空間分支的結構較為簡單,只包含3個相同的卷積層,每層由1個步長為2的卷積核,批處理歸一化層和ReLU激活函數(shù)組成,輸出特征圖的尺寸為原圖的1/8,為預測提供了豐富的空間信息。

圖3 改進后的BiSeNet網(wǎng)絡結構

語義分支采用輕量級網(wǎng)絡ResNet18[25]作為骨干網(wǎng)絡,一共進行了32倍降采樣。為進一步提升特征表達能力,該文在原語義分支的輸入前增加了1個根模塊,根模塊擁有2個分支,1個分支由1個1×1卷積塊和1個步長為2的卷積塊組成,另1個分支由1個步長為2的最大池化層組成,這2個分支采用不同的下采樣方式來縮小特征的表示,且具有高效的計算效率。

圖像經(jīng)過根模塊的特征提取后輸出進入到原結構的語義分支中,經(jīng)過1個ResNet18骨干網(wǎng)絡進行32倍下采樣,其中16倍下采樣和32倍下采樣的結果被提取出來分別輸入到兩個相同的注意力優(yōu)化模塊(Attention Refinement Module,ARM)中。注意力優(yōu)化模塊由1個平均池化層,1個1×1卷積塊,1個批處理歸一化層和1個Sigmoid激活函數(shù)組成。注意力優(yōu)化模塊使用全局平均池化來獲取全局語義信息,然后計算1個注意力向量來進行特征學習,通過該模塊能夠精細化語義分支中各個階段的結果。最后,32倍下采樣的結果經(jīng)過最大池化層后與2個注意力優(yōu)化模塊的輸出串聯(lián)作為語義分支的輸出。

BiSeNet網(wǎng)絡的尾端采用1個特征融合模塊(Feature Fusion Module,FFM)對空間分支和語義分支的輸出進行融合,其中空間分支的輸出是低層級的,包含了空間中絕大多數(shù)的細節(jié)信息,而語義分支的輸出是高層級的,富含編碼語境信息。2個分支的輸出通過1個連接層進行連接,然后通過批歸一化層平衡特征的尺度,再進入全局池化層池化為特征向量,通過權重向量的加權后實現(xiàn)對特征的選擇與結合。

BiSeNet采用1個主損失函數(shù)監(jiān)督整個雙分支網(wǎng)絡的輸出,2個輔助損失函數(shù)監(jiān)督上下文分支的輸出,所有損失函數(shù)均使用Softmax損失,定義如下:

(1)

總損失函數(shù)使用參數(shù)α平衡主損失函數(shù)和輔助損失函數(shù)的權重,文中α值取1,使得連接損失在模型優(yōu)化時快速收斂,總損失函數(shù)定義如下:

(2)

其中,lp是連接損失的主要損失,li是第i階段的輔助損失,其對應Xception網(wǎng)絡第i層的輸出特征Xi,K在文中取3,表示對應第2和第3層的網(wǎng)絡輸出,輔助損失只在訓練階段中使用。

2.4 圓參數(shù)檢測階段

細檢測階段輸出的結果為輪廓掩膜圖像,排除了對圓參數(shù)檢測造成影響的干擾物與表面紋理,傳統(tǒng)的圓檢測算法也能有較好的效果,因此該文采用改進的隨機Hough圓檢測方法對細檢測階段的結果進行圓參數(shù)檢測。隨機Hough變換圓檢測方法[10]針對Hough變換圓檢測方法計算量大的特點,采用隨機采樣的方式對邊緣像素點進行篩選。在平面直角坐標系中圓的標準方程為:

(x-a)2+(y-b)2=r2

(3)

方程中含有圓參數(shù)的3個未知數(shù)(a,b,r),通過在圓邊緣上隨機采樣3個點,將3個點的坐標分別代入3個圓方程:

(4)

即可求解得到圓的參數(shù)。因此,隨機Hough變換在每次循環(huán)中隨機采樣3個邊緣點,計算出對應的圓參數(shù)后計算邊緣其他點到圓心的距離,并將距離與計算所得半徑進行比較,判斷是否滿足閾值誤差,若滿足誤差則視為候選圓,而后將圓心與邊緣上其他點進行距離計算,若滿足誤差范圍的邊緣點個數(shù)累積到預定值時,則可確定該圓為真實圓。若沒有滿足閾值誤差,則需重新采樣迭代以計算出所有的真實圓,或者重復操作次數(shù)累積達到了預定值。

由于語義分割得到的結果圓不一定為標準圓,存在著邊緣出現(xiàn)凹凸不平的狀況,若此時對邊緣點進行隨機采樣,可能會出現(xiàn)3個采樣點集中在不規(guī)則圓弧上的情況,導致預測的圓與真實圓相差較大。因此,該文將圓邊緣點的采樣區(qū)域劃分為4個部分,如圖4所示。每次采樣時都從4個采樣區(qū)中隨機選擇3個采樣區(qū)進行采樣,采樣區(qū)域范圍如下式:

(5)

該方法保證不會同時采樣3個相距較近的點,當圓的某一段圓弧凹凸不平時,分區(qū)域采樣可使得采樣的邊緣點不會都出自這段圓弧,減少了由于不規(guī)則圓弧導致的采樣誤差,從而提升算法對不規(guī)則圓的檢測能力。而且由于分區(qū)域采樣法篩去了許多不合理的采樣情況,整體算法的運算速率也有所提升。

圖4 圓的分區(qū)域采樣

經(jīng)過改進的隨機Hough變換圓檢測方法,得到經(jīng)預測的圓心坐標與圓半徑,為將裁剪縮放后的圓映射回原圖中,該文使用以下公式對圓參數(shù)進行映射:

(6)

其中,w為原圖的尺寸大小,θ為原圖與檢測結果圖的縮放系數(shù),圓檢測結果(Xc,Yc,rc)代入縮放系數(shù)后放大到原圖中的比例再加上剪裁的偏移量(Xd,Yd)即可得到檢測圓在原圖中的參數(shù)(X0,Y0,r0)。

3 實驗結果

3.1 實驗數(shù)據(jù)及說明

針對零件圓檢測的場景需要構建多孔零件圖片數(shù)據(jù)集,由于含有圓孔的零件樣式種類繁多,且成本較高,因此該文從互聯(lián)網(wǎng)中搜集多孔零件圖片構建粗檢測數(shù)據(jù)集,對于每張多圓零件圖片都要求平面垂直于拍攝方向,使得待測圓孔為正圓,背景多為白色與實際生產(chǎn)檢測場景相匹配,如圖5所示。

粗檢測數(shù)據(jù)集預處理步驟如下:

(1)將在網(wǎng)絡中搜集的128張零件圖片統(tǒng)一裁剪成604×604分辨率,對于小于604×604分辨率的圖片采用白色背景填充;

(2)使用LabelImg軟件進行目標檢測標簽的標注,標注規(guī)則是使每個圓處于標簽框的中心位置,標簽框的寬度大約為圓直徑的3/2到5/4之間;

(3)使用數(shù)據(jù)增強方法對標注后的圖片通過縮放、旋轉(zhuǎn)和拼接等手段進行擴充,最終得到由864張帶標簽圖片組成的粗檢測數(shù)據(jù)集。

圖5 粗檢測數(shù)據(jù)集圖片

該文使用粗檢測階段的輸出結果構建細數(shù)據(jù)集,如圖6所示。

(a) (b)圖6 細檢測數(shù)據(jù)集圖片(a)和標簽(b)

細檢測數(shù)據(jù)集預處理步驟如下:

(1)從正確預測的目標檢測結果圖片中隨機篩選出680張圖片,統(tǒng)計圖片分辨率分布,發(fā)現(xiàn)分辨率處于100到150像素之間的圖片占總圖片60%左右;

(2)將所有圖片縮放裁剪成128×128分辨率的圖片,長方形圖片則使用灰色背景填充;

(3)使用LabelImg軟件對圖片進行標注,全部使用圓形標簽標注;

(4)使用數(shù)據(jù)增強技術對標注后的圖片進行擴充,使用翻轉(zhuǎn)、裁剪、縮放、調(diào)整對比度等方法,得到帶標簽圖片4 080張組成的細檢測數(shù)據(jù)集,其中訓練集和驗證集比例為4∶1。

3.2 評價方法

對于粗檢測結果的評價,該文使用主流的目標檢測評價標準,即準確率(precision)和運行時間來比較2個不同骨干網(wǎng)絡模型的性能。準確率定義如下:

(7)

其中,TPs、FPs和FNs分別代表真陽性檢測率、假陽性檢測率和假陰性檢測率。若檢測到的圓與真實圓的交并比大于閾值TIoU則被視為真陽性檢測,否則為假陽性檢測,沒有被檢測到的圓被視為假陰性。

為證明改進的網(wǎng)絡對圓目標語義分割的有效性,該文采用平均像素精度(Mean Pixel Accuracy)和平均交并比(Mean Intersection over Union,MIoU)來評價網(wǎng)絡的性能,由于文中預測類別只有1個,因此MIoU與IoU值相等。

平均像素精度定義如下:

(8)

平均交并比定義如下:

(9)

對于圓檢測結果,該文采用流行的圓檢測計算方法,分別為:(1)準確率(Precision,P);(2)召回率(Recall,R);(3)F值(F-measure,F1);(4)單張圖片處理時間(Time)。召回率和F值的計算公式見公式(10)和(11),該文選擇α值為1時的F值作為綜合準確率和召回率的評價指標,簡稱F1。實驗共設置了4個交并比閾值TIoU,分別為0.7、0.8、0.9和0.95。

(10)

(11)

3.3 模型訓練

實驗在win10上進行,使用PyCharm開發(fā)工具和深度學習框架Pytorch搭建和訓練模型。粗檢測模型YOLOv5使用在數(shù)據(jù)集Pascal-VOC上預訓練好的模型進行訓練,訓練批處理大小為4,初始學習率為0.005,權重衰減為0.000 5,學習周期數(shù)為300。細檢測模型BiSeNet使用預訓練好的ResNet18權重文件作為主干網(wǎng)絡權重,訓練批處理大小為4,初始學習率為0.000 1,權重衰減為0.000 1,學習周期數(shù)為800。

3.4 實驗結果與分析

為驗證對YOLOv5模型改進的有效性,該文將以DarkNet53為骨干網(wǎng)絡的原YOLOv5模型和以MobileNet v3為骨干網(wǎng)絡的改進后的YOLOv5模型在粗檢測測試集上進行對比,采用相同的訓練參數(shù)進行訓練,實驗結果如表1所示。

表1 粗檢測實驗結果對比

經(jīng)過實驗結果得知,以MobileNet v3為骨干網(wǎng)絡的模型在預測速度上比原模型提高了約26%,證明了替換輕量級骨干網(wǎng)絡對速度提升有較好的效果,更加適用于對速度有要求的實時預測場景。同時注意到,使用更輕量級的MobileNet v3網(wǎng)絡后,檢測準確率比模型更復雜,參數(shù)更多的DarkNet53高0.6百分點,這種情況的發(fā)生可能是由于訓練樣本較小,在更加復雜的網(wǎng)絡上訓練發(fā)生了過擬合現(xiàn)象導致其準確率不如相對簡單的網(wǎng)絡模型。

為驗證語義分割網(wǎng)絡改進的有效性,該文使用改進的BiSeNet模型與2種主流的語義分割網(wǎng)絡在細檢測數(shù)據(jù)集上進行對比,采用相同的訓練參數(shù)進行訓練,實驗對比結果如表2所示。

表2 細檢測實驗結果對比

通過表2可以看出,BiSeNet作為輕量級語義分割網(wǎng)絡在運行時間上比其他兩個網(wǎng)絡擁有較大的優(yōu)勢。這是由于BiSeNet的主干網(wǎng)絡為ResNet18,屬于淺層網(wǎng)絡,而Deeplabv3[26]的主干網(wǎng)絡為ResNet50,OCNet[27]的主干網(wǎng)絡為ResNet101,其網(wǎng)絡深度都高于BiSeNet,因此其運行時間也幾乎是BiSeNet的2倍,因此文中方法更加符合實時檢測的需求。

在檢測精度上,普通的BiSeNet網(wǎng)絡的像素精度與交并比均低于Deeplabv3和OCNet,這與網(wǎng)絡的深度呈正相關,越深的網(wǎng)絡含有越多的參數(shù),對特征的擬合能力也更好。改進的BiSeNet網(wǎng)絡的像素精度比原網(wǎng)絡提高2.55百分點,交并比提高2.38百分點,對其他兩種網(wǎng)絡在檢測精度上也有提升,而運行速度幾乎沒有變化,證明了根模塊的加入有效地提升了網(wǎng)絡對特征的提取能力,同時沒有對運算速度造成較大影響,證明了所涉及的模型的有效性。

為綜合驗證文中方法的圓檢測能力,將文中方法與以下3個傳統(tǒng)的圓檢測方法進行對比:EDCircle[15]算法、CACD[11]算法和ASLS[28]算法。實驗結果如表3所示,其中無分區(qū)指在圓參數(shù)檢測階段沒有使用分區(qū)域采樣的策略,有分區(qū)指在圓參數(shù)檢測階段中使用的分區(qū)域采樣策略。

從表3可以看出,當交并比閾值為0.7時,幾個圓檢測算法都有較好的表現(xiàn),準確率都超過了90%,EDCircles和ASLS的準確率都接近98%,而文中方法準確率接近99.9%,說明在低閾值要求下文中方法可以準確檢測出所有圓的參數(shù)。當交并比閾值升高時,EDCircles和ASLS依然保持著較高的精確度和召回率,而CACD的精度率出現(xiàn)了較大的下降,閾值=0.9時的精確率比閾值=0.8時下降了約10%,文中方法在閾值=0.9時依然保持著96.83%的高精確率。最后,當閾值=0.95時,其他3種方法都出現(xiàn)了顯著的下降,CACD的精確率甚至只有55.25%,而文中方法依然能保持接近80%的精確率,說明其在高精度的圓檢測中依然能有較好的表現(xiàn)。

表3 圓檢測方法實驗結果對比

通過對比實驗的結果可以看出,文中方法采用的分區(qū)域抽樣策略更好地完成了圓檢測任務,相比未使用分區(qū)域抽樣策略的方法在精確度和召回率上都有一定的提升,說明分區(qū)域抽樣策略在面對不規(guī)則圓形的檢測上效果較好。

此外,文中方法的召回率在4種閾值下都高于95%,說明即使在較高的閾值要求下,文中方法都能準確檢測出所有目標圓,具有較強的穩(wěn)定性。其他3種方法雖然在閾值升高的情況下召回率的下降并不明顯,大多維持在80%左右,但精確度仍然與文中方法有較大差距。

在運行時間上,其他3種方法由于需要對所有類圓輪廓都進行預測,導致時間成本增加,尤其是ASLS方法在單張圖片上的檢測時間大于5 s,無法達到實時檢測要求,而使用了分區(qū)域抽樣策略的文中方法處理單張圖片的時間僅為41 ms,是第二快的EDCircle方法的1/10,也比未使用分區(qū)域抽樣策略的方法快了36 ms。以上實驗結果說明,與傳統(tǒng)圓檢測方法相比,文中方法能在實時檢測的情況下精確地檢測出目標圓同時排除干擾物的影響,證明了文中方法的有效性。

4 結束語

該文提出一種基于卷積神經(jīng)網(wǎng)絡的多階段零件圓檢測方法,首先通過YOLOv5目標檢測網(wǎng)絡對圖片中的目標圓進行粗檢測,得到含有單個目標圓圖片的輸出,然后將粗檢測的輸出結果輸入到改進的BiSeNet網(wǎng)絡從而對粗檢測結果進行細檢測,獲得圓輪廓掩膜圖,最后使用引入了分區(qū)域采樣策略的隨機霍夫變換圓檢測方法進行圓參數(shù)檢測,得到目標圓的半徑與圓心坐標。經(jīng)實驗結果表明,該方法在零件圓檢測數(shù)據(jù)集上的精確率與召回率遠高于所對比的三種主流圓檢測方法,同時運行時間也滿足實時檢測的需求,證明了該方法的有效性。

然而,該方法中各個階段是相互獨立且需要人工處理結果數(shù)據(jù)的,尚未實現(xiàn)端到端的檢測。同時,該文還未將遮擋情況考慮進來,遮擋情況也是圓檢測研究中的一個難點,這表明該方法在應用上還有擴展的空間,也為下一步的研究指明了方向。