基于双重检测的气门识别方法

doi:10.11772/j.issn.1001-9081.2021020333

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (1): 273-279.DOI: 10.11772/j.issn.1001-9081.2021020333

• 前沿与综合应用 • 上一篇

基于双重检测的气门识别方法

佘维¹^,², 郑倩², 田钊¹, 刘炜¹^,², 李英豪¹^,²()

^1.郑州大学软件学院，郑州 450002
^2.互联网医疗与健康服务河南省协同创新中心（郑州大学），郑州 450052

收稿日期:2021-03-05 修回日期:2021-04-16 接受日期:2021-04-22 发布日期:2021-04-27 出版日期:2022-01-10
通讯作者: 李英豪
作者简介:佘维（1977—），男，湖南常德人，教授，博士，CCF会员，主要研究方向：区块链、信息安全、可信分布式系统
郑倩（1996—），女，河南许昌人，硕士研究生，主要研究方向：图像识别、机器学习
田钊（1985—），男，河南荥阳人，讲师，博士，主要研究方向：人工智能、信息安全
刘炜（1981—），男，河南安阳人，副教授，博士，CCF会员，主要研究方向：区块链、无线网络
李英豪（1987—），男，河南郑州人，讲师，博士，CCF会员，主要研究方向：数字图像处理、模式识别、机器学习。
基金资助:
国家重点研发计划项目(2020YFB1712401);河南省科技攻关项目(212102310039);中国铁路北京集团公司科技研究开发计划(2021AY03)

Valve identification method based on double detection

Wei SHE¹^,², Qian ZHENG², Zhao TIAN¹, Wei LIU¹^,², Yinghao LI¹^,²()

^1.Collage of Software，Zhengzhou University，Zhengzhou Henan 450002，China
^2.Henan Collaborative Innovation Center of Internet Medical and Health Services （Zhengzhou University），Zhengzhou Henan 450052，China

Received:2021-03-05 Revised:2021-04-16 Accepted:2021-04-22 Online:2021-04-27 Published:2022-01-10
Contact: Yinghao LI
About author:SHE Wei， born in 1977， Ph. D.， professor. His research interests include blockchain， information security， trusted distributed system.
ZHENG Qian， born in 1996， M. S. candidate. Her research interests include image recognition， machine learning.
TIAN Zhao， born in 1985， Ph. D.， lecturer. His research interests include artificial intelligence， information security.
LIU Wei， born in 1981， Ph. D.， associate professor. His research interests include blockchain， wireless network.
LI Yinghao， born in 1987， Ph. D.， lecturer. His research interests include digital image processing， pattern recognition， machine learning.
Supported by:
National Key Research and Development Program(2020YFB1712401);Science and Technology Project of Henan Province(212102310039);Science and Technology Research and Development Plan of China Railway Beijing Group Company Limited(2021AY03)

摘要/Abstract

摘要：

针对目前工业中的气门识别方法存在重叠目标漏检率高、检测精度较低、目标包裹度差、圆心定位不准的问题，提出了一种基于双重检测的气门识别方法。首先，运用数据增强对样本进行轻量扩充；其次，以深度卷积网络为基础，加入空间金字塔池化层（SPP）和路径聚合网络（PAN），同时调整先验框，改进损失函数，从而提取气门预测框；最后，以霍夫圆变换（CHT）方法对预测框中的气门进行二次识别，从而达到精准识别气门区域的目的。把所提方法和原YOLOv3、YOLOv4、传统CHT方法进行对比，并采用精确率、召回率、交并比联合进行检测效果评估。实验结果表明，所提出的方法在检测精度和召回率上分别达到了97.1%和94.4%，相较原YOLOv3方法分别提高了2.9个百分点和1.8个百分点；且该方法使目标包裹度更好，目标中心点的定位更准确，其矫正框和真实框的交并比（IOU）达到了0.95，与传统CHT方法相比提高了0.05。所提方法在提高模型识别准确率的同时提高了目标抓取的成功率，在实际应用中有一定的实用价值。

关键词: 目标检测, 气门识别, YOLO方法, 霍夫圆变换, 二次识别

Abstract:

Aiming at the problems that current valve identification methods in industry have high missed rate of overlapping targets， low detection precision， poor target encapsulation degree and inaccurate positioning of circle center， a valve identification method based on double detection was proposed. Firstly， data enhancement was used to expand the samples in a lightweight way. Then， Spatial Pyramid Pooling （SPP） and Path Aggregation Network （PAN） were added on the basis of deep convolutional network. At the same time， the anchor boxes were adjusted and the loss function was improved to extract the valve prediction boxes. Finally， the Circle Hough Transform （CHT） method was used to secondarily identify the valves in the prediction boxes to accurately identify the valve regions. The proposed method was compared with the original You Only Look Once （YOLO）v3， YOLOv4， and the traditional CHT methods， and the detection results were evaluated by jointly using precision， recall and coincidence degree. Experimental results show that the average precision and recall of the proposed method reaches 97.1% and 94.4% respectively， 2.9 percentage points and 1.8 percentage points higher than those of the original YOLOv3 method respectively. In addition， the proposed method improves the target encapsulation degree and location accuracy of target center. The proposed method has the Intersection Over Union （IOU） between the corrected frame and the real frame reached 0.95， which is 0.05 higher than that of the traditional CHT method. The proposed method improves the success rate of target capture while improving the accuracy of model identification， and has certain practical value in practical applications.

Key words: target detection, valve identification, You Only Look Once (YOLO) method, Circle Hough Transform (CHT), secondary identification

中图分类号:

TP274

佘维, 郑倩, 田钊, 刘炜, 李英豪. 基于双重检测的气门识别方法[J]. 计算机应用, 2022, 42(1): 273-279.

Wei SHE, Qian ZHENG, Zhao TIAN, Wei LIU, Yinghao LI. Valve identification method based on double detection[J]. Journal of Computer Applications, 2022, 42(1): 273-279.

图/表 6

图1 基于深度卷积网络与霍夫变换的工件气门识别过程

Fig.1 Identification process of workpiece valves based on deep convolutional network and Hough transform

图2 本文提出的气门识别深度卷积网络结构

Fig.2 Deep convolutional network structure for valve identification proposed in this paper

图3 不同模型结果对比展示

Fig.3 Display of different model results comparison

表1 不同目标检测方法性能对比 (%)

Tab. 1 Performance comparison of different target detection methods

方法	Precision	Recall	AP@0.9
YOLOv3	94.2	92.6	76.5
YOLOv4	96.9	94.4	81.4
传统CHT	85.3	80.7	84.8
本文方法	97.1	94.4	88.3

表2 交并比计算结果

Tab. 2 Calculation results of IOU

方法	IOU（0-1）
YOLOv3	0.78
YOLOv4	0.86
传统CHT	0.90
本文方法	0.95

表3 检测速率结果

Tab. 3 Detection rate results

方法	检测速率/（frame·s^-1）
YOLOv3	47.3
YOLOv4	43.2
传统CHT	38.9
本文方法	45.5

参考文献 23

1	LI C Y， MA Y B， WANG S Y， et al. Novel industrial robot sorting technology based on machine vision［C］// Proceedings of the 9th International Conference on Modelling， Identification and Control. Piscataway： IEEE， 2017： 902-907. 10.1109/icmic.2017.8321583
2	ALI M H， AIZAT K， YERKHAN K， et al. Vision-based robot manipulator for industrial applications［J］. Procedia Computer Science， 2018， 133： 205-212. 10.1016/j.procs.2018.07.025
3	刘振宇，李中生，赵雪，等. 基于机器视觉的工业机器人分拣技术研究［J］. 制造业自动化， 2013， 35（17）：25-30. 10.3969/j.issn.1009-0134.2013.17.007
	LIU Z Y， LI Z S， ZHAO X， et al. Research of sorting technology based on industrial robot of machine vision［J］. Manufacturing Automation， 2013， 35（17）：25-30. 10.3969/j.issn.1009-0134.2013.17.007
4	YUAN B D， LIU M. Power histogram for circle detection on images［J］. Pattern Recognition， 2015， 48（10）：3268-3280. 10.1016/j.patcog.2015.01.003
5	XU L， OJA E， KULTANEN P. A new curve detection method： Randomized Hough Transform （RHT）［J］. Pattern Recognition Letters， 1990， 11（5）：331-338. 10.1016/0167-8655(90)90042-z
6	熊雪琴. 基于单目视觉的核电检修机人圆形目标识别与定位［D］. 衡阳：南华大学， 2020：55-62.
	XIONG X Q. Recognition and positioning of circular target based on monocular vison-based nuclear power eduipment maintenance robot［D］. Hengyang： University of South China， 2020：55-62.
7	GIRSHICK R， DONAHUE J， DARRELL Tet al. Region-based convolutional networks for accurate object detection and segmentation［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2015， 38（1）：142-158. 10.1109/tpami.2015.2437384
8	GIRSHICK R. Fast R-CNN［C］// Proceedings of the 2015 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2015： 1440-1448. 10.1109/iccv.2015.169
9	REN S Q， HE K M， GIRSHICK R， et al. Faster R-CNN： towards real-time object detection with region proposal networks［C］// Proceedings of the 28th International Conference on Neural Information Processing Systems. Cambridge： MIT Press， 2015：91-99.
10	李同，阮士峰，陈卓，等. 基于卷积神经网络的目标检测综述［J］. 科技经济导刊， 2020， 28（27）：18-20. 10.1049/icp.2021.0583
	LI T， RUAN S F， CHEN Z， et al. A review of target detection based on convolutional neural networks［J］. Technology and Economic Guide， 2020， 28（27）：18-20. 10.1049/icp.2021.0583
11	REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once： unified， real-time object detection［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 779-788. 10.1109/cvpr.2016.91
12	REDMON J， FARHADI A. YOLO9000： better， faster， stronger［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 6217-6225. 10.1109/cvpr.2017.690
13	IOFFE S， SZEGEDY C. Batch normalization： accelerating deep network training by reducing internal covariate shift［C］// Proceedings of the 32nd International Conference on Machine Learning. New York： JMLR.org， 2015： 448-456.
14	HARTIGAN J A， WONG M A. Algorithm AS 136： a K-means clustering algorithm［J］. Journal of the Royal Statistical Society. Series C （Applied Statistics）， 1979， 28（1）： 100-108. 10.2307/2346830
15	REDMON J， FARHADI A. YOLOv3： an incremental improvement［EB/OL］. （2018-04-08）［2020-12-10］.. 10.1109/cvpr.2018.00430
16	HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016：770-778. 10.1109/cvpr.2016.90
17	KRIZHEVSKY A， SUTSKEVER I， HINTON G E. ImageNet classification with deep convolutional neural networks［C］// Proceedings of the 25th International Conference on Neural Information Processing Systems. Red Hook， NY： Curran Associates Inc.， 2012： 1097-1105.
18	BOCHKOVSKIY A， WANG C Y， LIAO H Y M. YOLOv4： optimal speed and accuracy of object detection［EB/OL］. （2020-04-23）［2020-12-27］.. 10.1109/cvpr46437.2021.01283
19	李佳禧，邱东，杨宏韬，等. 基于改进的YOLO v3的工件识别方法研究［J］. 组合机床与自动化加工技术， 2020（8）：92-96， 100. 10.13462/j.cnki.mmtamt.2020.08.023
	LI J X， QIU D， YANG H T， et al. Research on identification method of workpiece based on improved YOLO v3 and deep separable convolutional networks［J］. Modular Machine Tool and Automatic Manufacturing Technique， 2020（8）：92-96， 100. 10.13462/j.cnki.mmtamt.2020.08.023
20	谢娟英，刘然. 基于深度学习的目标检测算法研究进展［J］. 陕西师范大学学报（自然科学版）， 2019， 47（5）：1-9. 10.15983/j.cnki.jsnu.2019.05.151
	XIE J Y， LIU R. The study progress of object detection algorithm based on deep learning［J］. Journal of Shaanxi Normal University （Natural Science Edition）， 2019， 47（5）：1-9. 10.15983/j.cnki.jsnu.2019.05.151
21	张为，魏晶晶. 嵌入DenseNet结构和空洞卷积模块的改进YOLO v3火灾检测算法［J］. 天津大学学报（自然科学与工程技术版）， 2020， 53（9）：976-983. 10.1016/j.ifacol.2020.12.1994
	ZHANG W， WEI J J. Improved YOLO v3 fire detection algorithm embedded in DenseNet structure and dilated convolution module［J］. Journal of Tianjin University （Science and Technology）， 2020， 53（9）：976-983. 10.1016/j.ifacol.2020.12.1994
22	田思佳，顾强，胡蓉，等. 一种基于深度学习的机械臂分拣方法［J］. 智能科学与技术学报， 2020， 2（3）：268-274. 10.1109/icicta51737.2020.00035
	TIAN S J， GU Q， HU R， et al. A robot sorting method based on deep learning［J］. Chinese Journal of Intelligent Science and Technology， 2020， 2（3）：268-274. 10.1109/icicta51737.2020.00035
23	董彪，熊风光，韩燮，等. 基于改进Yolo v3算法的遥感建筑物检测研究［J］. 计算机工程与应用， 2020， 56（18）：209-213.
	DONG B， XIONG F G， HAN X， et al. Research on remote sensing building detection based on improved Yolo v3 algorithm［J］. Computer Engineering and Applications， 2020， 56（18）：209-213.

[1]	马佳良, 陈斌, 孙晓飞. 基于改进的Faster R-CNN的通用目标检测框架[J]. 计算机应用, 2021, 41(9): 2712-2719.
[2]	徐江浪, 李林燕, 万新军, 胡伏原. 结合目标检测的室内场景识别方法[J]. 计算机应用, 2021, 41(9): 2720-2725.
[3]	陈静, 毛莺池, 陈豪, 王龙宝, 王子成. 基于改进单点多盒检测器的大坝缺陷目标检测方法[J]. 计算机应用, 2021, 41(8): 2366-2372.
[4]	樊玮, 李晨炫, 邢艳, 黄睿, 彭洪健. 航空发动机损伤图像的二分类到多分类递进式检测网络[J]. 计算机应用, 2021, 41(8): 2352-2357.
[5]	肖振远, 王逸涵, 罗建桥, 熊鹰, 李柏林. 基于部分加权损失函数的RefineDet[J]. 计算机应用, 2021, 41(7): 1928-1932.
[6]	高钦泉, 黄炳城, 刘文哲, 童同. 基于改进CenterNet的竹条表面缺陷检测方法[J]. 计算机应用, 2021, 41(7): 1933-1938.
[7]	李朝, 兰海, 魏宪. 基于注意力的毫米波-激光雷达融合目标检测[J]. 计算机应用, 2021, 41(7): 2137-2144.
[8]	侯笑晗, 金国栋, 谭力宁, 薛远亮. 基于自适应和最优特征的合成孔径雷达舰船检测方法[J]. 计算机应用, 2021, 41(7): 2150-2155.
[9]	后云龙, 朱磊, 陈琴, 吕燧栋. 基于高斯差分特征网络的显著目标检测[J]. 计算机应用, 2021, 41(3): 706-713.
[10]	蒋宁, 方景龙, 杨庆. 基于单点多盒检测器的全局-局部层级的域适应目标检测[J]. 计算机应用, 2021, 41(2): 517-522.
[11]	曹建荣, 吕俊杰, 武欣莹, 张旭, 杨红娟. 融合运动特征和深度学习的跌倒检测算法[J]. 计算机应用, 2021, 41(2): 583-589.
[12]	李小雨, 房体育, 夏英杰, 李金屏. 基于图割精细化和可微分聚类的无监督显著性目标检测[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3571-3577.
[13]	朱槐雨, 李博. 单阶段多框检测器无人机航拍目标识别方法[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3234-3241.
[14]	高洁, 朱元, 陆科. 基于雷达和相机融合的目标检测方法[J]. 《计算机应用》唯一官方网站, 2021, 41(11): 3242-3250.
[15]	汪虹余, 张彧, 杨恒, 穆楠. 基于蚁群优化算法的弱光图像显著性目标检测[J]. 计算机应用, 2021, 41(10): 2970-2978.

基于双重检测的气门识别方法

Valve identification method based on double detection

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 23

相关文章 15

编辑推荐

Metrics