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

本发明公开了一种三七主根切割轨迹生成取的待检测的三七图像输入冻结模型以进行检2将收集的三七图像数据集制作成训练数据集和验证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步骤4.3.2、在训练集里随机抽取一个batch_size的图像作为当前训练样本；其中，行反向传播更新权重参数；所述新的权重参数将替换之前用于计算前向传播的旧权重参~步骤4.3.3直至对网络模型训练次数达到设定的迭代次数为止；3锚框宽高缩放信息输出的信息与对应预设锚框信息解码后得到密集的检测边界c步骤2.1、在其他条件相同的情况下通过改变多尺度残差单元中残差模块的数量进而对应一个锚框种类，即锚框种类a＝1,2,3,4,5，由此计算每一个预设锚框的宽度锚框种类6对应预设锚框的宽高为每个锚框以中心坐标加min47.一种实现权利要求1所述三七主根切割轨迹生成方法的三七主根切割轨迹生成系第一获得单元，用于对构建的深度学习网络模型的雏第一筛选单元，用于使用训练数据集对深度学习网络模型第二筛选单元，用于使用验证数据集分别对候选权重的性第二获得单元，用于将最优权重载入深度学习网络模型，并第三获得单元，用于将新获取的待检测的三七图像输入冻第四获得单元，用于提取出检测边界框的四个角坐标和第五获得单元，用于将散点坐标依次枚举，并依次进行连接，连56并根据主根拟合散点坐标生成切除非主根部分的刀路轨迹对实现全自动化生产具有重大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[0013]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7[0019]步骤2.1、在其他条件相同的情况[0022]所述预设锚框的具体计算为：所述n取值为5，对预设锚框施加5个不同的宽高比一个预设锚框的宽度和高度对宽高比ar为1时，增加一个预设锚Smin为统计的尺寸数据中三七主根[0027]步骤3.2、将标注好的数据集按其数量的84.3.2～步骤4.3.3直至对网络模型训练次数达到设[0038]将待检测三七图像输入冻结模型，冻结模型输出一系列锚框中心点偏移信息和锚框宽高缩放信息输出的信息与对应预设锚框信息解码后得到密集的9学习网络模型在图像级处理中所学习的特征更加集中，能更针对性的学习三七主根特征：[0057]由深度学习模型生成的密集检测框为切除三七非主根部分的刀路轨迹规划提供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，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[0078]进一步地，可以设置所述通过消融实验和三七数据集中尺寸数据对模型进行调[0079]步骤2.1、在其他条件相同的情况每个锚框以中心坐标加宽高信息表示；其中，Smin为统计的尺寸数据中三七主根[0087]步骤3.2、将标注好的数据集按其数量的4.3.2～步骤4.3.3直至对网络模型训练次数达到设[0098]将待检测三七图像输入冻结模型，冻结模型输出一系列锚框中心点偏移信息和锚框宽高缩放信息输出的信息与对应预设锚框信息解码后得到密集的[0111]步骤5、使用验证数据集分别对候选权重的性能进行评估，以量化候选权重的性[0120]所述步骤1中数据统计为：对三七图像数据集中三七图像上的三七主根的直径进[0121]所述步骤2中浅层网络含三个层单元，每个层单元由三层卷积层加一层最大池化小的特征图，再将两特征图进行通道数C不变的卷积和反卷积上采样得到额外的52×52和由多尺度特征融合模块输出的多尺度特征图通道，将通道数为C的多尺度特征图作为最终[0128]步骤2.1、在其他条件相同的情况[0134]所述预设锚框的具体计算为：所述n取值为5，对预设锚框施加5个不同的宽高比一个预设锚框的宽度和高度对宽高比ar为1时，增加一个预设锚骤1统计的尺寸数据中三七主根最小直径，Smax为步骤1统计的尺寸数据中三七主根最大直Wf和Hf分别代表尺寸最小特征图的宽和高；W和H分别代表输入的三七图像数据集中图像的[0139]步骤3.2、将标注好的数据集按其数量的学习网络模型yolo3_master的配置文件train.py中设置超参数：单次抽取图片数batch_数达到300次解锁迭代次数后解锁整体网络权重后继续优化迭代直至到达设定的第500次迭代，最后将获得的所有权重文件通过深度学习网络模型自带的性能评估指标进行筛选，[0141]然后如所述步骤5将候选权重文件分别载入深度学习网络模型，再使用验证数据[0143]所述步骤1至6确定了最优深度学习网络模型作为冻结模型为：将步骤5所得最优权重文件和步骤6所得最优检测超参数载入深度学习网络模型，然后冻结锁定所有网络参[0144]所述步骤7将新拍摄的需检测三七图像输入冻结模型，冻结模型输出一系列锚框中心点偏移信息和锚框宽高缩放信息输出的信息与对应预设锚框信息解[0147]再将每个检测边界框的信息从(xc,yc,w,h)的表示形式转换为以其左上角坐标[0149]所述步骤8至10为利用检测算法输出的密集检测框信息，生成三七主根切割刀路[0150]所述步骤8提取出图像中的所有密集检测框的四个角坐标信息，分别判断每个检ymaxmin12所示中最后一个图为根据X轴作为第一优先级排序的作为第一优先级在此轴上对坐标进行排序，再将排好序的中心点坐标依次连接成一条折[0162]所述步骤10将步骤9得到的坐标输入二阶插值函数生成平滑的刀路轨迹坐标列34