一种基于深度学习图像超分的环形靶标稳定检测方法

doi:10.3969/j.issn.1004-132X.2021.23.010

中国机械工程 ›› 2021, Vol. 32 ›› Issue (23): 2861-2867.DOI: 10.3969/j.issn.1004-132X.2021.23.010

• 高端装备智能制造技术 • 上一篇下一篇

一种基于深度学习图像超分的环形靶标稳定检测方法

崔海华1;徐振龙1;杨亚鹏2;孟亚云1;王宝俊1

1.南京航空航天大学机电学院，南京，211106
2.中航西安飞机工业集团股份有限公司制造工程部，西安，710089

出版日期:2021-12-10 发布日期:2021-12-23
通讯作者: 徐振龙（通信作者），男，1993年生，硕士研究生。研究方向为深度学习、目标检测。E-mail：xzhlng@nuaa.edu.cn。
作者简介:崔海华，男，1979年生，副教授。研究方向为视觉三维测量与检测技术。发表论文20余篇。E-mail：cuihh@nuaa.edu.cn。
基金资助:
国家重点研发计划（2019YFB2006100，2019YFB1707501）；
江苏省自然科学基金（BK20191280）；
南京航空航天大学研究生创新基地（实验室）开放基金（kfjj20200519）

A Circular Target Stability Detection Method Based on Deep Learning Image Super-resolution

CUI Haihua1;XU Zhenlong1; YANG Yapeng2;MENG Yayun1;WANG Baojun1

1.College of Mechanical & Electrical Engineering，Nanjing University of Aeronautics and Astronautics，Nanjing，211106
2.Manufacturing Engineering Department，AVIC Xi'an Aircraft Industry Group Company Ltd.，Xi'an，710089

Online:2021-12-10 Published:2021-12-23

摘要/Abstract

摘要： 为提高远距离、大倾角条件下环形靶标的识别率与定位精度，提出了一种基于深度学习图像超分的环形靶标稳定检测方法。通过真实图像与合成图像的混合数据集来构建多角度、多距离的图像空间集合，采用像素损失与感知损失来改进图像超分辨率模型的损失函数，从而实现图像的高分辨率重建，丰富靶标轮廓的图像细节，利用已训练好的图像超分模型重建图像，最后使用传统的检测算法识别与定位环形靶标。实验结果表明，环形靶标识别率可提高40%，靶标定位精度可提高8.47%。

关键词: 环形靶标, 超分辨率, 深度学习, 目标识别

Abstract: In order to improve the recognition rate and location accuracy of circular targets under the conditions of long-distance and large deflection angle， a circular target stability detection method was proposed based on deep learning image super-resolution. The multi-angle and multi-distance image sets were constructed through a hybrid data set of real images and synthetic images， the pixel loss and perceptual loss were used to improve the loss function of image super-resolution model， so the super-resolution reconstruction of images might be realized and the image details of target contours might be enriched. By using the pretrained super-resolution model， the images were reconstructed. Finally， traditional detection algorithm was used to recognize and locate the circular targets. The experimental results show that the circular target recognition rate is increased by 40%， and the target location accuracy is increased by 8.47%.

Key words: circular target, super-resolution, deep learning, object recognition

中图分类号:

TP391.41

崔海华, 徐振龙, 杨亚鹏, 孟亚云, 王宝俊. 一种基于深度学习图像超分的环形靶标稳定检测方法[J]. 中国机械工程, 2021, 32(23): 2861-2867.

CUI Haihua, XU Zhenlong, YANG Yapeng, MENG Yayun, WANG Baojun. A Circular Target Stability Detection Method Based on Deep Learning Image Super-resolution[J]. China Mechanical Engineering, 2021, 32(23): 2861-2867.

参考文献

［1］JIANG Tao， CHENG Xiaosheng， CUI Haihua. A Calibration Strategy for Vision-guided Robot Assembly System of Large Cabin［J］. Measurement， 2020， 163：107991.
［2］温卓漫，王延杰，邸男，等，空间站机械臂位姿测量中合作靶标的快速识别［J］. 航空学报， 2015， 36（4）：1330-1338.
WEN Zhuoman， WANG Yanjie， DI Nan， et al. Fast Recognition of Cooperative Target Used for Position and Orientation Measurement of Space Stations Robot Arm［J］. Acta Aeronautica et Astronautica Sinica， 2015， 36（4）：1330-1338.
［3］张小迪，崔海华，程筱胜，等. 一种基于同心圆的环形编码标志设计与检测［J］. 机械制造与自动化2020， 49（2）：133-136.
ZHANG Xiaodi， CUI Haihua， CHENG Xiaosheng， et al. Design and Detection of Circular Coded Marker Based on Concentric Circles［J］. Machine Building and Automation， 2020， 49（2）：133-136.
［4］OLSON E. AprilTag：a Robust and Flexible Visual Fiducial System［C］∥IEEE International Conference on Robotics and Automation. Shanghai， 2011：3400-3407.
［5］GARRIDO S， MUNOZ R， MADRID F J， et al. Automatic Generation and Detection of Highly Reliable Fiducial Markers under Occlusion［J］. Pattern Recognition， 2014， 47（6）：2280-2292.
［6］王颖，张瑞. 管道内表面圆结构光视觉三维测量系统［J］. 红外与激光工程， 2014， 43（3）：891-896.
WANG Ying， ZHANG Rui. In-pipe Surface Circular Structured Light 3D Vision Inspection System［J］. Infrared and Laser Engineering， 2014， 43（3）：891-896.
［7］周申江，余厚云. 近景摄影测量中编码标志点解码方法研究［J］. 机械制造与自动化， 2019， 48（3）：182-184.
ZHOU Shenjiang， YU Houyun. Research on Decode Algorithm of Coded Targets in Close-range Photogrammetry［J］. Machine Building and Automation， 2019， 48（3）：182-184.
［8］苏衡，周杰，张志浩. 超分辨率图像重建方法综述［J］. 自动化学报， 2013， 39（8）：1202-1213.
SU Heng， ZHOU Jie， ZHANG Zhihao. Survey of Super-resolution Image Reconstruction Methods［J］. Acta Automatica Sinica， 2013， 39（8）：1202-1213.
［9］ZHANG Zhizhuo， WAN Lili， XU Wanru， et al. Estimating a 2D Pose from a Tiny Person Image with Super-resolution Reconstruction［J］. Computers and Electrical Engineering， 2021， 93（2）：107192.
［10］杨夏宁，王帮海，李佐龙. 分层特征融合网络航拍图像超分辨率重建［J/OL］. 计算机工程与应用.［2021-10-25］. http：∥kns. cnki. net/kcms/detail/11. 2127. TP. 20210527. 1559. 013. html.
YANG Xianing， WANG Banghai， LI Zuolong. Super-resolution Reconstruction of Aerial Images Based on Hierarchical Feature Fusion Network［J/OL］. Computer Engineering and Applications.［2021-10-25］. http：∥kns. cnki. net/kcms/detail/11. 2127. TP. 20210527. 1559. 013. html.
［11］CHAO D， CHEN C L， HE K， et al. Learning a Deep Convolutional Network for Image Super-resolution［C］∥ European Conference on Conputer Vision. Zurich， 2014：184-199.
［12］LIM B， SON S， KIM H， et al. Enhanced Deep Residual Networks for Single Image Super-resolution［C］∥ IEEE Conference on Computer Vision and Pattern Recognition Workshops（CVPRW）. Honolulu， 2017：1132-1140.
［13］SHI W Z， JOSE C， FERENC H， et al. Real-time Single Image and Video Super-resolution Using an Efficient Sub-pixel Convolutional Neural Network［C］∥ IEEE Conference on Computer Vision and Pattern Recognition（CVPR）. Las Vegas， 2016：1874-1883.
［14］CHAO D， CHEN C L， TANG X O. Accelerating the Super-resolution Convolutional Neural Network［C］∥ European Conference on Computer Vision. Amsterdam， 2016：391-407.
［15］LAI W S， HUANG J B， AHUJA N， et al. Deep Laplacian Pyramid Networks for Fast and Accurate Super-resolution［C］∥ IEEE Conference on Computer Vision and Pattern Recognition（CVPR）. Honolulu， 2017：5835-5843.
［16］WANG Z H， CHEN J， HOI S C H. Deep Learning for Image Super-resolution：a Survey［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2019， 43（10）：3365-3387.

[1]	闫杰琼, 周来水, 胡少乾, 文思扬. 航空发动机外形点云的保特征去噪方法[J]. 中国机械工程, 2021, 32(23): 2850-2860，2889.
[2]	童靳于, 罗金, 郑近德. 基于增强深度自编码网络的滚动轴承故障诊断方法[J]. 中国机械工程, 2021, 32(21): 2617-2624.
[3]	赵志宏, 李乐豪, 杨绍普, 李晴. 一种频域特征提取自编码器及其在故障诊断中的应用研究[J]. 中国机械工程, 2021, 32(20): 2468-2474.
[4]	余浩帅, 汤宝平, 张楷, 谭骞, 魏静. 小样本下混合自注意力原型网络的风电齿轮箱故障诊断方法[J]. 中国机械工程, 2021, 32(20): 2475-2481.
[5]	尹晨, 周世超, 何建樑, 孙宇昕, 王禹林. 基于多源同步信号与深度学习的刀具磨损在线识别方法[J]. 中国机械工程, 2021, 32(20): 2482-2491.
[6]	吴愿, 薛培林, 殷国栋, 黄文涵, 耿可可, 邹伟. 基于特征融合的双模态低辨识度目标识别[J]. 中国机械工程, 2021, 32(10): 1205-1212,1221.
[7]	戴稳1;张超勇1;孟磊磊1;薛燕社1;肖鹏飞1;尹勇2. 采用深度学习的铣刀磨损状态预测模型[J]. 中国机械工程, 2020, 31(17): 2071-2078.
[8]	丁华, 杨亮亮, 杨兆建, 王义亮, . [数字孪生驱动的智能制造]数字孪生与深度学习融合驱动的采煤机健康状态预测[J]. 中国机械工程, 2020, 31(07): 815-823.
[9]	王丽华1;杨家巍1;张永宏1;赵晓平2;谢阳阳1. 基于堆叠降噪自编码的刀具磨损状态识别[J]. 中国机械工程, 2018, 29(17): 2038-2045.
[10]	时培明, 梁凯, 赵娜, 安淑君. 基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断[J]. 中国机械工程, 2017, 28(09): 1056-1061,1068.
[11]	李西平, 谷立臣, 寇雪芹. 基于超声时序神经网络目标识别的塔机安全预警[J]. 中国机械工程, 2016, 27(16): 2190-2195.

一种基于深度学习图像超分的环形靶标稳定检测方法

A Circular Target Stability Detection Method Based on Deep Learning Image Super-resolution

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 11

编辑推荐

Metrics