基于CNN的十字像中心检测.docxVIP

基于CNN的十字像中心检测 　　摘要：十字线中心检测是反射法测量透镜中心偏的重要组成部分，十字中心的检测精度决定了透镜中心偏的测量精度。针对边缘不规则、对比度差、信噪比低的图像，提出了基于深度卷积神经网络的十字线中心检测算法。算法的思想是，卷积神经网络可以在一定程度上解决传统算法局限于提取十字像边缘直线和角点特征的问题，实现对十字像整体特征的识别与定位，这可以相对减小图像噪声对十字像中心定位的影响，从而实现在图像质量比较差的情况下对十字像中心准确定位。实验结果表明，提出的算法能够在图像边缘不规则、对比度差、信噪比低等的条件下比较精确得到十字线中心点。 　　关键词：十字线中心;卷积神经网络;图像标注;图像增强 　　中图分类号：tp391文献标志码：a 　　引言 　　随着高精度光学测量设备的快速发展，透镜作为光学系统的主要零部件，对其精度要求也越来越高。但是由于生产条件和工艺的限制，在透镜加工过程中，不可避免的会产生一定缺陷，进而破坏了镜面的共轴性，产生中心偏。中心偏会导致光学测量系统成像质量的下降。 　　基于反射式测量的透镜中心偏检测仪是将光源产生的光线聚焦在被测镜面曲率半径中心，然后反射到ccd上得到一个清晰的十字像，能否精确检测十字像中心点对透镜中心偏测量仪的测量精度有着重要的影响。目前，偏心仪在测量透镜中心偏时导致测量误差比较大的情况主要有三个方面：一是偏心仪设备采用的测量镜头个数有限，对于曲率半径比较大的被测镜片来说，在测量中心偏时，可能在ccd上只能得到一个比较模糊的十字像;二是在被测镜片直径较大时，ccd上所呈十字像总是比较宽且边缘不规则;三是由于镜片表面质量比较差，ccd上所呈十字像往往信噪比低、对比度差。 　　针对上述问题，传统的基于十字像的几何结构的检测算法，如直线拟合、形态学腐蚀、模板匹配、霍夫变换等往往有一定的局限性。对于边缘不规则的十字像，采用直线拟合算法得到的结果就会有比较大的偏差;对于信噪比较低的十字像，采用形态学腐蚀的方法就无法检测到精确的中心点。因此，本文提出了一种基于卷积神经网络的十字像中心定位算法。由于目前没有相关的数据集和模型，本文从十字像关键点标注方法的设计、十字像数据集的构建、模型评价标准的设定、模型结构的设计等四个方面来研究，在对数据集进行训练以及模型结构改进后，得到了在边缘不规则、对比度差、信噪比低等成像条件下的十字像中心准确定位模型。 　　1卷积神经网络理论 　　神经元是组成一个神经网络的基本结构，一个神经元主要由以下及比分部分构成，如图1所示，假设x1，…，xm是感知器的m个输入信号，6是偏置，w1，w2，…，wm是感知神经元输入对应的权重，用权值对输入进行加权求和并加上偏置，得到诱导局部域（z），再用激活函数限制诱导局部域输出的振幅。最终得到的输出的数学计算公式可表示为： 　　式中：a为神经元的输出;f为激活函数，b为偏置。 　　卷积神经网络在语音识别、人脸识别、通用物体识别等多个方向得到应用，受到越来越多的重视。卷积神经网络，不需要对原始图像进行复杂的前期预处理以及特征提取，原始图像可以直接作为输入，避免了复杂的数据预处理和特征提取过程，由此在图像识别等领域得到了非常广泛的应用。卷积神经网络通过局部感受野、权值共享和池化来识别位移、旋转和缩放不变性。通过局部感受野，神经网络可以提取图像的视觉特征;权值共享相对于全连接神经网络来说只需要很少的参数就能完成对数据的训练;池化层可以大大减少整个网络的计算量，并且在一定程度上可以防止过拟合。卷积神经网络是一种多层的有监督神经网络，包括输入层、隐含层（卷积层、池化层）、全连接层、输出层等，通过反向传播算法来优化网络，更新并求解未知参数。 　　1.1卷积层 　　卷积操作如图2所示。在一个卷积层，对于特征图来说，其中每一个神经元与前一层的局部感受野相对应，感受野与一个可学习的卷积核进行卷积运算，经过卷积运算后可以得到局部特征图。卷积层的计算公式如下： 　　1.3反向传播和参数更新 　　在神經网络开始训练时，初始的权值都会被赋予较小的随机数。因此，在卷积神经网络训练的初始时期，网络的损失值较大，效果无法体现，通过神经网络的反向传播算法不断更新参数，网络也在不断的优化，最终网络收敛，达到最优的分类或回归目标。网络权值的更新公式如下： 　　2实验过程及结果分析 　　2.1构建十字像中心检测数据集 　　本文数据集包含的图片是从基于反射法搭建的偏心仪测量平台上获取。相机拍摄到的图片分辨率统一为1920×1200。在图像数据集的获取与选择过程中，主要考虑以下几方面的因素。 　　（1）测量镜头焦点距被测镜