CN114140485B 一种三七主根切割轨迹生成方法及系统 （昆明理工大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114140485B(45)授权公告日2025.07.11

(21)申请号202111431225.9

(22)申请日2021.11.29

(65)同一申请的已公布的文献号申请公布号CN114140485A

(43)申请公布日2022.03.04

(73)专利权人昆明理工大学

地址650093云南省昆明市五华区学府路

253号

(72)发明人王森邢开哲陈明方林森

陈中平

GO6V10/52(2022.01)

GO6V10/25(2022.01)

GO6V10/80(2022.01)

GO6V10/82(2022.01)

G06T7/00(2017.01)

GO6T1/00(2006.01)

(56)对比文件

CN110544251A,2019.12.06CN112507887A,2021.03.16审查员王灿

(74)专利代理机构昆明鼎极知识产权代理事务

所(普通合伙)53228专利代理师陈波

(51)Int.CI.

GO6V10/44(2022.01)权利要求书4页说明书13页附图7页

(54)发明名称

一种三七主根切割轨迹生成方法及系统

(57)摘要

CN114140485B本发明公开了一种三七主根切割轨迹生成方法及系统，方法包括构建三七图像数据集；对构建的深度学习网络模型的雏形进行调整，获得深度学习网络模型；将收集的三七图像数据集制作成训练数据集和验证数据集；使用训练数据集对深度学习网络模型进行训练，筛选出多个候选权重；选出一个最优权重；获得冻结模型；将新获取的待检测的三七图像输入冻结模型以进行检测，获得密集的检测边界框；提取出检测边界框的四个角坐标和中心点坐标，获得散点坐标和一条由中心点连接而成的折线；将散点坐标依次枚举，并依次进行连接，连接时不与上述折线相交，获得连接的封闭轮廓；将封闭轮廓进平滑处理，

CN114140485B

构建数据集

搭建模型

训练模型

筛选权重文件

载入

生成冻结模型

训练结束

拍摄图像

实时检测

一系列密集检测框

调用

筛选排序

轮廓连接

获得平滑

获得平滑刀路

CN114140485B权利要求书1/4页

2

1.一种三七主根切割轨迹生成方法，其特征在于：包括：

构建三七图像数据集；

对构建的深度学习网络模型的雏形进行调整，获得深度学习网络模型；

将收集的三七图像数据集制作成训练数据集和验证数据集；

使用训练数据集对深度学习网络模型进行训练，筛选出多个候选权重；

使用验证数据集分别对候选权重的性能进行评估，选出一个最优权重；

将最优权重载入深度学习网络模型，并用此模型对待检测三七图像进行检测以调整深度学习网络模型的检测超参数，确定最优检测超参数后也将其载入深度学习网络模型，获得冻结模型；

将新获取的待检测的三七图像输入冻结模型以进行检测，获得密集的检测边界框；

提取出检测边界框的四个角坐标和中心点坐标，将检测边界框的所有角坐标进行筛选和排序，而中心坐标则进行排序并依次按顺序连接；获得散点坐标和一条由中心点连接而成的折线；

将散点坐标依次枚举，并依次进行连接，连接时不与上述折线相交，获得连接的封闭轮

廓；

将封闭轮廓进平滑处理，获得刀路轨迹；

所述对构建的深度学习网络模型的雏形进行调整，获得深度学习网络模型，包括：利用由浅层网络、多尺度残差单元、多尺度特征融合模块和预测头模块构建深度学习网络模型的雏形；通过消融实验和三七数据集中尺寸数据对模型进行调整，获得深度学习网络模型；

所述使用训练数据集对深度学习网络模型进行训练，筛选出多个候选权重，包括：

步骤4.1、配置深度学习网络模型yolo3-master的train.py文件中的训练超参数，超参数调整包括以下至少之一：抽取图片数、学习率、动量、迭代次数、解锁迭代次数和权重衰减系数；其余参数均为默认值；

步骤4.2、对深度学习网络模型进行训练；训练的对象包括：每个标注框的左上角坐标(xmin、ym;in)和右下角坐标(xmax、ymax)、类别class;训练结果的表现形式是每经过一次训练迭代后得到的权重文