于微波，周 旺，楊宏韜

(長春工業(yè)大學(xué)電氣與電子工程學(xué)院，長春 130012)

0 引言

在現(xiàn)代工業(yè)制造業(yè)中，為了保證生產(chǎn)出的零件符合出廠標(biāo)準(zhǔn)，需要對(duì)其加工尺寸進(jìn)行檢測[1]。近年來，由于機(jī)器視覺測量方法具有無接觸、低成本、高效率的優(yōu)勢，被廣泛應(yīng)用于工業(yè)零件尺寸測量中。采用機(jī)器視覺測量方法對(duì)零件進(jìn)行尺寸測量，其中最關(guān)鍵的環(huán)節(jié)就是準(zhǔn)確提取出其邊緣輪廓。由于邊緣輪廓的提取效果會(huì)直接影響測量精度，所以準(zhǔn)確提取出零件邊緣輪廓變得十分重要。

目前，邊緣輪廓提取精度較高的傳統(tǒng)算法有Canny算法、Sobel算法、Roberts算法、Log算法等。由于會(huì)受到零件表面紋理、周圍環(huán)境干擾及光照不均勻等因素影響，利用上述算法進(jìn)行邊緣輪廓提取的過程中，會(huì)出現(xiàn)噪聲點(diǎn)和邊緣輪廓點(diǎn)缺失，所以無法很好的提取出零件的邊緣輪廓[2]。SHEN、李應(yīng)果等[3-6]為了提取出完整且清晰的邊緣輪廓，引入了圖像預(yù)處理方法來避免影響因素的干擾，但是卻增加了算法的復(fù)雜性。隨著深度學(xué)習(xí)的發(fā)展，基于深度學(xué)習(xí)的邊緣輪廓提取算法HED[7]、RCF[8]、BDCN[9]、VCF[10]、DexiNed[11]、FMLED[12]等相繼被提出。雖然基于深度學(xué)習(xí)的邊緣輪廓提取算法摒棄了圖像預(yù)處理方法，降低了邊緣輪廓提取的復(fù)雜性，減少了噪聲點(diǎn)的出現(xiàn)和邊緣輪廓點(diǎn)的缺失，但是提取出的邊緣輪廓粗糙且模糊，無法滿足單像素邊緣輪廓的要求。針對(duì)基于深度學(xué)習(xí)的邊緣輪廓提取算法提取出的邊緣輪廓粗糙且模糊的問題，景年昭等[13]提出一種基于RCF的端到端的精細(xì)邊緣輪廓提取算法，馬偉等[14]提出一種自頂向下導(dǎo)引式逐層融合的物體邊緣輪廓檢測算法，DENG等[15]提出一種自底向上/自頂向下體系結(jié)構(gòu)的端到端網(wǎng)絡(luò)LPCB(learning to predict crisp boundaries)，雖然以上三種算法提取出的邊緣輪廓更細(xì)、更清晰，但是不能滿足單像素邊緣輪廓的要求。楊艷、李龍等[16-17]先利用基于深度學(xué)習(xí)的邊緣輪廓提取算法進(jìn)行邊緣輪廓提取，再采用邊緣輪廓細(xì)化算法細(xì)化邊緣輪廓，雖然達(dá)到了單像素邊緣輪廓的要求，但是卻增加了算法的復(fù)雜性。

針對(duì)上述邊緣輪廓提取算法的不足，以及零件表面的反光屬性、光照強(qiáng)度不均勻及加工打磨痕跡會(huì)對(duì)其邊緣輪廓提取造成影響，所以本文提出一種基于DSnet分割網(wǎng)絡(luò)與最外圍約束算法相結(jié)合的邊緣輪廓提取方法。在不使用圖像預(yù)處理方法和邊緣輪廓細(xì)化算法的情況下，仍然可以提取出完整的、單像素的零件邊緣輪廓，減小了算法的復(fù)雜性，而且不會(huì)受到光照強(qiáng)度等干擾因素的影響而產(chǎn)生噪聲點(diǎn)和毛刺，提高邊緣輪廓精度的同時(shí)防止影響因素的干擾。

1 算法介紹

1.1 ResNet網(wǎng)絡(luò)架構(gòu)

ResNet網(wǎng)絡(luò)最大的創(chuàng)新點(diǎn)就是提出了殘差結(jié)構(gòu)，如圖1所示。其中，x代表輸入，F(xiàn)(x)代表殘差映射，H(x)代表理想映射，通過將擬合殘差映射F(x)轉(zhuǎn)變?yōu)閿M合理想映射H(x)，將輸出轉(zhuǎn)變?yōu)檩斎牒蜌埐钣成涞寞B加[18]。

圖1 ResNet網(wǎng)絡(luò)殘差結(jié)構(gòu)

其中，殘差結(jié)構(gòu)計(jì)算公式如式(1)和式(2)所示，xl為l層的輸入；xl+1為l層的輸出，f為Relu激活函數(shù)；F為殘差函數(shù)。從淺層l到深層L的輸出，如式(3)所示，利用鏈?zhǔn)揭?guī)則，可以求得反向過程的梯度表達(dá)式如式(4)所示，可以看出，從L層到l層有兩條傳播途徑，即括號(hào)中無損梯度“1”和殘差梯度，無損梯度“1”不經(jīng)過任何中間層，可以起到緩解梯度消失的作用，對(duì)于殘差梯度，其值為-1的可能性非常小，這樣就保證了梯度不會(huì)消失，進(jìn)而可以使網(wǎng)絡(luò)層數(shù)變的更深，網(wǎng)絡(luò)更容易訓(xùn)練。

yl=xl+F(xl,Wl)

(1)

xl+1=f(yl)

(2)

(3)

(4)

ResNet50[19]網(wǎng)絡(luò)的核心模塊Conv_block和Identity_block，在殘差結(jié)構(gòu)的基礎(chǔ)上，添加了1×1、3×3卷積，網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。其中，第一個(gè)1×1卷積用于進(jìn)行通道降維，3×3卷積用于提取特征信息，第二個(gè)1×1卷積用于進(jìn)行通道升維。防止梯度消失的同時(shí)，降低網(wǎng)絡(luò)的參數(shù)量和計(jì)算量。而且Conv_block在identity處添加了1×1卷積，保證輸入與殘差映射的維度相同。

圖2 ResNet50網(wǎng)絡(luò)核心模塊結(jié)構(gòu)

1.2 DSnet網(wǎng)絡(luò)

目前，Unet[20]分割網(wǎng)絡(luò)、PSPnet[21]分割網(wǎng)絡(luò)和Deeplabv系列[22-25]分割網(wǎng)絡(luò)在分割領(lǐng)域取得了不錯(cuò)的分割效果，但是，PSPnet分割網(wǎng)絡(luò)和Deeplab系列分割網(wǎng)絡(luò)只專注于深層語義分割特征信息和全局分割特征信息的提取，忽略了淺層分割特征信息和局部分割特征信息，Unet分割網(wǎng)絡(luò)雖然結(jié)合了淺層和深層的分割特征信息，但是特征提取網(wǎng)絡(luò)層數(shù)太淺，無法提取到更深層、更關(guān)鍵的分割特征信息，針對(duì)上述分割網(wǎng)絡(luò)存在的問題，本文提出一種模型結(jié)構(gòu)如圖3所示的分割網(wǎng)絡(luò)DSnet(deep Segmentation network)，由主干特征提取網(wǎng)絡(luò)(綠色虛線框內(nèi))、加強(qiáng)特征提取網(wǎng)絡(luò)(藍(lán)色虛線框內(nèi))和分割預(yù)測網(wǎng)絡(luò)(橘黃色虛線框內(nèi))組成。

圖3 DSnet網(wǎng)絡(luò)模型結(jié)構(gòu)

1.2.1 主干特征提取網(wǎng)絡(luò)

基于ResNet50網(wǎng)絡(luò)深度和有效防止梯度消失的特點(diǎn)，本文選用ResNet50網(wǎng)絡(luò)作為主干特征提取網(wǎng)絡(luò)(去除了average pooling2D層、Flatten層和全連接層)，相比于Unet網(wǎng)絡(luò)的特征提取網(wǎng)絡(luò)，網(wǎng)絡(luò)層數(shù)更深，可以提取更深層次的細(xì)節(jié)信息和分割信息。由于不同層次、不同尺度的分割特征圖像的感受野，和所包含的分割特征信息不同，所以為了將淺層和深層分割特征信息利用起來，更好、更全面的提取所有分割特征信息，將主干特征提取網(wǎng)絡(luò)ResNet50由淺層到深層分為5個(gè)分割特征提取網(wǎng)絡(luò)，分別為Stage1、Stage2、Stage3、Stage4、Stage5，每個(gè)網(wǎng)絡(luò)的輸出特征圖像大小分別為輸入圖像的1/2、1/4、1/8、1/16、1/32，利用以上5個(gè)分割特征提取網(wǎng)絡(luò)獲取5張不同分割特征信息、不同尺度和不同層次的分割特征圖像。

1.2.2 加強(qiáng)特征提取網(wǎng)絡(luò)

加強(qiáng)特征提取網(wǎng)絡(luò)先采用Upsampling將Stage5網(wǎng)絡(luò)輸出的深層分割特征圖像進(jìn)行上采樣，恢復(fù)成與Stage4網(wǎng)絡(luò)輸出的次深層分割特征圖像同樣大小，并與Stage4網(wǎng)絡(luò)輸出的次深層分割特征圖像進(jìn)行融合(Concat)，結(jié)合深層和次深層分割特征信息后，將融合后的分割特征圖像進(jìn)行兩次3×3卷積操作加強(qiáng)融合分割特征信息的提取。如此再進(jìn)行三次上采樣、融合、卷積操作，進(jìn)而可以融合和提取Stage3、Stage2和Stage1的分割特征信息。通過對(duì)Stage1、Stage2、Stage3、Stage4、Stage5的輸出特征圖像由深到淺進(jìn)行特征融合和加強(qiáng)特征提取，融合不同層次的分割特征信息，提取不同尺度的細(xì)節(jié)分割特征信息，加強(qiáng)分割特征信息的提取能力。

1.2.3 分割預(yù)測網(wǎng)絡(luò)

分割預(yù)測網(wǎng)絡(luò)先采用上采樣層將加強(qiáng)特征提取網(wǎng)絡(luò)輸出的分割特征圖像進(jìn)行上采樣，恢復(fù)成原圖大小，再通過兩次3×3卷積操作進(jìn)行最終的分割特征信息提取，然后采用Softmax函數(shù)將不同類別的特征信息數(shù)據(jù)的輸出數(shù)值轉(zhuǎn)化為相對(duì)應(yīng)的概率值，然后對(duì)不同類別的樣本數(shù)據(jù)進(jìn)行分類，最后輸出分割預(yù)測圖像。其中，Softmax計(jì)算方法如式(5)所示。

(5)

式中，xi為第i個(gè)輸入；yi為與之對(duì)應(yīng)的預(yù)測類別；φl(xi)為輸入xi后第l個(gè)類的輸出；P(yi=l|xi,φ)為輸入xi預(yù)測為類別l的概率。

1.2.4 損失函數(shù)及優(yōu)化函數(shù)

在圖像語義分割任務(wù)中，對(duì)于輸入的樣本數(shù)據(jù)，經(jīng)常出現(xiàn)負(fù)樣本個(gè)數(shù)遠(yuǎn)超正樣本個(gè)數(shù)的情況，導(dǎo)致正負(fù)樣本極不平衡，如果只使用一種損失函數(shù)，負(fù)樣本會(huì)主導(dǎo)模型的訓(xùn)練過程，忽略了正樣本的學(xué)習(xí)，導(dǎo)致訓(xùn)練不穩(wěn)定，模型分割能力下降，所以本文在前向傳播更新權(quán)值參數(shù)階段，所使用的損失函數(shù)由兩部分組成，分別為交叉熵?fù)p失函數(shù)(cross entropy loss)和Dice Loss損失函數(shù)，交叉熵?fù)p失函數(shù)用于監(jiān)督實(shí)際輸出值與樣本真實(shí)值的接近程度，Dice Loss損失函數(shù)用于監(jiān)督模型的分割效果，同時(shí)采用以上兩種損失函數(shù)監(jiān)督網(wǎng)絡(luò)，平衡正負(fù)樣本的學(xué)習(xí)比例，增加模型的收斂速度，提升模型分割能力。交叉熵?fù)p失函數(shù)公式如式(6)所示，Dice Loss損失函數(shù)公式如式(8)所示。

(6)

a=σ(∑ωj×xj+b)

(7)

(8)

式中，a為神經(jīng)元的實(shí)際輸出；σ為激活函數(shù)；xj為神經(jīng)元的輸入；y為期望輸出；wj和b分別為神經(jīng)元的權(quán)重和偏置；X為分割標(biāo)簽圖像；Y為分割預(yù)測圖像；|X∩Y|為X和Y之間的交集；|X|和|Y|分別為X和Y的像素點(diǎn)的個(gè)數(shù)；γ是常數(shù)，為了保證分母不為0；Dice為集合相似度度量函數(shù)，用于計(jì)算分割標(biāo)簽圖像與分割圖像之間的相似度，相似度越大，DiceLoss越小，網(wǎng)絡(luò)訓(xùn)練的越好。

為了減小損失函數(shù)數(shù)值，縮小實(shí)際輸出值與樣本真實(shí)值的差距，增加分割標(biāo)簽圖像與分割圖像之間的相似度，在反向傳播更新權(quán)值參數(shù)階段，本文選用自適應(yīng)矩估計(jì)(Adam)函數(shù)作為優(yōu)化函數(shù)，利用梯度的一階矩估計(jì)和二階矩估計(jì)，動(dòng)態(tài)的調(diào)整學(xué)習(xí)率，尋找到最優(yōu)的權(quán)重參數(shù)，公式如式(9)～式(13)所示。

mt=μ×mt-1+(1-μ)×gt

(9)

(10)

(11)

(12)

(13)

1.3 最外圍約束算法

LU等[26]提出了最外圍約束算法，算法過程如圖4所示，即先生成與分割圖像(0,1)大小相同的行、列圖像，像素點(diǎn)的像素值均設(shè)置為0，然后對(duì)分割圖像(0,1)進(jìn)行搜索，找到滿足兩個(gè)條件的所有行邊緣輪廓點(diǎn)：像素值為1，像素值從1移動(dòng)到0，或者從0移動(dòng)到1；在新生成的行圖像中，將相同位置像素點(diǎn)的像素值設(shè)置為1，從而檢測每一行的邊緣輪廓點(diǎn)。接著對(duì)分割圖像(0,1)進(jìn)行列搜索，找到滿足兩個(gè)條件的所有列邊緣輪廓點(diǎn)：像素值為1，像素值從1移動(dòng)到0，或者從0移動(dòng)到1；在新生成的列圖像中，將相同位置像素點(diǎn)的像素值設(shè)置為1，從而檢測每一列的邊緣輪廓點(diǎn)。最后合并行邊緣輪廓圖像和列邊緣輪廓圖像，從而得到邊緣輪廓圖像。

圖4 最外圍約束算法邊緣輪廓提取過程示意圖

2 零件邊緣輪廓提取算法的總體思路

本文設(shè)計(jì)的零件邊緣輪廓提取算法由兩部分組成，首先利用DSnet分割網(wǎng)絡(luò)進(jìn)行圖像分割操作，獲得分割邊界明顯的分割圖像，然后采用最外圍約束算法對(duì)分割圖像進(jìn)行邊緣輪廓提取，得到邊緣輪廓圖像，算法流程如圖5所示。采用預(yù)先訓(xùn)練好的DSnet權(quán)重進(jìn)行參數(shù)微調(diào)，加快梯度下降的收斂速度，并減少訓(xùn)練時(shí)間。DSnet網(wǎng)絡(luò)由主干特征提取網(wǎng)絡(luò)進(jìn)行不同層次、不同尺度的分割特征信息提取，并通過加強(qiáng)特征提取網(wǎng)絡(luò)融合深層和淺層分割信息，降低誤分割的概率，最后通過分割預(yù)測網(wǎng)絡(luò)，實(shí)現(xiàn)端到端的輸出。數(shù)據(jù)集輸入到DSnet網(wǎng)絡(luò)中，微調(diào)參數(shù)后進(jìn)行訓(xùn)練，當(dāng)訓(xùn)練及驗(yàn)證損失值(loss)下降到一定范圍內(nèi)時(shí)，停止訓(xùn)練。然后用訓(xùn)練好的DSnet網(wǎng)絡(luò)模型，對(duì)測試集中的圖片進(jìn)行分割預(yù)測，然后利用最外圍約束算法進(jìn)行邊緣輪廓提取，最后查看分割效果和邊緣輪廓提取效果。

圖5 算法過程示意圖

3 算法驗(yàn)證

為了驗(yàn)證本文提出的邊緣輪廓提取算法的可行性和抗干擾能力，選用反光屬性較強(qiáng)和加工打磨刀痕較多的發(fā)動(dòng)機(jī)主軸承蓋零件作為實(shí)驗(yàn)對(duì)象，采用本文提出的邊緣輪廓提取算法，提取發(fā)動(dòng)機(jī)主軸承蓋零件邊緣輪廓，具體步驟如下：

步驟1：獲取發(fā)動(dòng)機(jī)主軸承蓋零件原始圖像；

步驟2：將其輸入到利用數(shù)據(jù)集已經(jīng)訓(xùn)練好的DSnet網(wǎng)絡(luò)模型中，對(duì)圖像進(jìn)行分割操作，獲得發(fā)動(dòng)機(jī)主軸承蓋零件分割圖像；

步驟3：使用最外圍約束算法，對(duì)發(fā)動(dòng)機(jī)主軸承蓋零件分割圖像進(jìn)行邊緣檢測，并輸出發(fā)動(dòng)機(jī)主軸承蓋零件邊緣輪廓圖像。

通過以上步驟對(duì)發(fā)動(dòng)機(jī)主軸承蓋零件原始圖像進(jìn)行優(yōu)化處理之后，可以看到最終的結(jié)果如圖6所示的步驟3中所示，本文算法在未使用復(fù)雜的圖像預(yù)處理技術(shù)的情況下，有效的防止了反光屬性強(qiáng)、加工打磨刀痕等因素的干擾，沒有出現(xiàn)噪聲點(diǎn)和毛刺，并且提取出了完整的、單像素的發(fā)動(dòng)機(jī)主軸承蓋零件邊緣輪廓。

圖6 邊緣輪廓提取示意圖

4 對(duì)比分析

為了驗(yàn)證提出的DSnet分割算法是否在圖像分割精度上有一定提升，本文選用PSPnet分割算法、Deeplabv3+分割算法和Unet分割算法，使用相同的訓(xùn)練數(shù)據(jù)和預(yù)訓(xùn)練權(quán)重參數(shù)進(jìn)行訓(xùn)練，然后對(duì)訓(xùn)練好的模型，使用發(fā)動(dòng)機(jī)主軸承蓋零件原始圖像進(jìn)行對(duì)比驗(yàn)證。DSnet分割算法、PSPnet分割算法、Deeplabv3+分割算法、Unet分割算法的分割表現(xiàn)如圖7所示?？梢钥闯觯琔net分割算法的分割效果較好，但是會(huì)出現(xiàn)孤立的噪聲點(diǎn)和毛刺(第三幅圖圈內(nèi))，PSPnet分割算法在分割邊緣處的分割效果不好，缺失了部分邊緣分割點(diǎn)；Deeplabv3+分割算法和本文提出的DSnet分割算法的分割效果更好，更接近分割標(biāo)簽圖像，且沒有出現(xiàn)孤立的噪聲點(diǎn)和毛刺。為了更好的體現(xiàn)DSnet分割算法的分割性能，采用神經(jīng)網(wǎng)絡(luò)圖像分割算法領(lǐng)域中，常用的衡量關(guān)于圖像分割精度的幾個(gè)重要的評(píng)價(jià)指標(biāo)：像素準(zhǔn)確率(PA)，類別平均像素準(zhǔn)確率(MPA)以及平均交并比(MIoU)，評(píng)價(jià)指標(biāo)比較結(jié)果如表1所示。

圖7 DSnet與各算法分割結(jié)果對(duì)比圖

表1 DSnet與各算法評(píng)價(jià)指標(biāo)結(jié)果對(duì)比 (%)

從表1中可以看出，DSnet分割算法，像素準(zhǔn)確率(PA)為99.58%，類別平均像素準(zhǔn)確率(MPA)為99.21%，平均交并比(MIoU)為98.33%，均領(lǐng)先于PSPnet分割算法、Deeplabv3+分割算法和Unet分割算法。結(jié)合分割結(jié)果和分割評(píng)價(jià)指標(biāo)，DSnet分割算法對(duì)比PSPnet分割算法、Deeplabv3+分割算法、Unet分割算法，在分割精度上有一定優(yōu)勢，證明結(jié)合深層分割特征信息和淺層分割特征信息，增加特征提取網(wǎng)絡(luò)的深度，會(huì)提高分割精度，而且可以防止噪聲點(diǎn)和毛刺的出現(xiàn)。

以上述分割算法的分割結(jié)果圖像作為研究對(duì)象，采用最外圍約束算法進(jìn)行邊緣輪廓提取，各算法的邊緣輪廓提取結(jié)果如圖8所示，Unet-最外圍約束算法提取的邊緣輪廓較好，但是會(huì)出現(xiàn)孤立的噪點(diǎn)和毛刺(第三幅圖圈內(nèi))。PSPnet最外圍約束算法提取的邊緣輪廓在角點(diǎn)附近的邊緣變平滑，與標(biāo)簽邊緣輪廓相差較大，與PSPnet最外圍約束算法相反，Deeplabv3+最外圍約束算法和DSnet最外圍約束算法提取的邊緣輪廓更接近標(biāo)簽邊緣輪廓。為了更好、更準(zhǔn)確對(duì)比各算法之間的邊緣輪廓提取精度，采用圖像邊緣輪廓評(píng)價(jià)指標(biāo)中的結(jié)構(gòu)相似度(SSIM)、峰值信噪比(PSNR)、均方根誤差(RMSE)，分析邊緣輪廓提取效果，結(jié)果如表2所示。可以看出，DSnet最外圍約束算法提取結(jié)果的總體RMSE為11.18，PSNR為27.76，SSIM為0.989 3，均高于PSPnet最外圍約束算法、Deeplabv3+最外圍約束算法和Unet最外圍約束算法，說明本文算法擁有很高的精確度，而且綜合分割結(jié)果和邊緣輪廓提取結(jié)果，可以看出，分割精度越高、分割效果越好，邊緣輪廓提取精度就越高、邊緣輪廓效果就越好。

圖8 DSnet-最外圍約束算法與各算法邊緣輪廓提取結(jié)果對(duì)比

表2 DSnet最外圍約束算法與各算法評(píng)價(jià)指標(biāo)結(jié)果對(duì)比

為了更好地體現(xiàn)本文算法在精度上有一定進(jìn)步，選用傳統(tǒng)算法中邊緣輪廓提取效果較好的Canny、Sobel、Roberts、Log四種算法對(duì)零件原始圖像進(jìn)行邊緣輪廓提取。提取結(jié)果如圖9所示。從圖中可以看出，上述4種邊緣輪廓提取算法的邊緣輪廓提取效果不好，原因是因?yàn)闊o法克服光照強(qiáng)度及零件表面加工打磨刀痕等因素的影響，導(dǎo)致提取出的邊緣輪廓不完整，缺失了部分邊緣輪廓點(diǎn)，而且還出現(xiàn)了不同程度的噪聲點(diǎn)。同樣采用圖像邊緣輪廓評(píng)價(jià)指標(biāo)中的結(jié)構(gòu)相似度(SSIM)、峰值信噪比(PSNR)、均方根誤差(RMSE)，分析邊緣輪廓提取效果。從表3中可以看出，DSnet-最外圍約束算法的各項(xiàng)評(píng)價(jià)指標(biāo)均領(lǐng)先于Canny、Sobel、Roberts、Log邊緣輪廓提取算法，體現(xiàn)出本文邊緣輪廓提取算法的精度優(yōu)勢。

圖9 DSnet-最外圍約束算法與傳統(tǒng)邊緣輪廓提取算法提取結(jié)果對(duì)比

表3 DSnet-最外圍約束算法與傳統(tǒng)邊緣輪廓提取算法評(píng)價(jià)指標(biāo)結(jié)果對(duì)比

綜合上述所有邊緣輪廓提取算法的邊緣輪廓提取結(jié)果和評(píng)價(jià)指標(biāo)結(jié)果，可以看出，DSnet最外圍約束算法的邊緣輪廓提取精度，均領(lǐng)先于其他邊緣輪廓提取算法，提取出的邊緣輪廓效果更好，精度更高，而且還可以有效防止光照強(qiáng)度等影響因素的干擾，說明本文設(shè)計(jì)的邊緣輪廓提取算法，更適合用于對(duì)零件進(jìn)行邊緣輪廓提取。

5 結(jié)束語

本文首先提出了DSnet分割網(wǎng)絡(luò)，然后結(jié)合最外圍約束算法，以發(fā)動(dòng)機(jī)主軸承蓋零件作為實(shí)驗(yàn)對(duì)象，對(duì)其進(jìn)行邊緣輪廓提取。從實(shí)驗(yàn)結(jié)果來看，本文算法可以在光照強(qiáng)度不均勻等因素的影響下，提取出完整的、單像素的發(fā)動(dòng)機(jī)主軸承蓋零件邊緣輪廓。為了體現(xiàn)本文算法的優(yōu)勢，分別與其他邊緣輪廓提取算法進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，本文算法的邊緣輪廓提取能力更強(qiáng)，邊緣輪廓精度更高，邊緣輪廓提取效果更好，而且摒棄了圖像的預(yù)處理操作，簡化邊緣輪廓的提取步驟，為工業(yè)零件邊緣輪廓提取提供一種新思路。