(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210528164.6 (22)申请日 2022.05.16 (71)申请人 重庆大学 地址 400044 重庆市沙坪坝区沙正 街174号 申请人 南京启诺信息技 术有限公司 (72)发明人 贺龙泽　冯亮　杜辉　董俊伟　 侯博宇　 (74)专利代理 机构 重庆缙云专利代理事务所 (特殊普通 合伙) 50237 专利代理师 王翔 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/48(2022.01) G06V 10/762(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于深度神经网络与高效寻找椭圆方 法相结合的表盘精细边 缘提取方法 (57)摘要 本发明公开一种基于深度神经网络与高效 寻找椭圆方法相结合的表盘精细边缘提取方法， 步骤为： 1)建立表 盘精细边缘提取深度神经网络 模型； 2)获取待处理的表盘 图片； 3)将待处理的 表盘图片输入到表盘精细边缘提取深度神经网 络模型中， 对表盘进行识别， 得到表盘位置区域， 并裁剪出表盘位置区域； 4)对裁剪出的表盘位置 区域进行椭圆检测， 得到表盘的边缘。 本发明使 用深度神经网络能够快速识别表盘的位置， 缩小 检测区域， 之后通过一种高效寻找椭圆的方法便 能够快速找到椭圆的精细边缘， 易于后续表盘的 检测。 权利要求书2页 说明书6页 附图3页 CN 114937152 A 2022.08.23 CN 114937152 A 1.一种基于深度神经网络与高效寻找椭圆方法相结合的表盘精细边缘提取方法， 其特 征在于， 包括以下步骤： 1)建立表盘精细边 缘提取深度神经网络模型。 2)获取所述待处 理的表盘图片。 3)将待处理的表盘图片输入到表盘精细边缘提取深度神经网络模型中， 对表盘进行识 别， 得到表盘位置区域， 并裁 剪出表盘位置区域； 4)对裁剪出的表盘位置区域进行椭圆检测， 得到表盘的边 缘。 2.根据权利要求1所述的基于深度神经网络与高效寻找椭圆方法相结合的表盘精细边 缘提取方法， 其特征在于， 所述表盘精细边缘提取深度神经网络模型 由若干表盘图片训练 得到； 每张表盘图片中带有表盘位置的标注。 3.根据权利要求1所述的基于深度神经网络与高效寻找椭圆方法相结合的表盘精细边 缘提取方法， 其特 征在于， 所述表盘精细边 缘提取深度神经网络模型包括YOLOv5模型； 所述表盘精细边 缘提取深度神经网络模型的特 征提取器是残差模型。 4.根据权利要求1所述的基于深度神经网络与高效寻找椭圆方法相结合的表盘精细边 缘提取方法， 其特征在于， 所述表盘位置区域的方框记为(xi,xj)， 其中xi、 xj分别代表方框 的左上角坐标和右上角坐标。 5.根据权利要求1所述的基于深度神经网络与高效寻找椭圆方法相结合的表盘精细边 缘提取方法， 其特 征在于， 对裁 剪出的表盘位置区域进行椭圆检测的步骤 包括： 1)查找表盘位置区域中的弧支撑线段； 2)基于弧支撑线段， 构建弧支撑线段组； 3)基于弧支撑线段组， 构成初始椭圆； 4)对初始椭圆进行聚类， 得到若干候选椭圆； 5)对候选椭圆进行验证， 若验证通过， 则进入步骤6)， 否则返还步骤1)； 6)取面积最大的候选椭圆作为表盘的边 缘。 6.根据权利要求5所述的基于深度神经网络与高效寻找椭圆方法相结合的表盘精细边 缘提取方法， 其特 征在于， 所述弧支撑线段的边 缘极性信息为 pi为区域Region中的点； level ‑line angle (pi)表示角度。 若弧线段构成的椭圆内部比外部更亮， 则弧线段的极性为正， 否则， 极性为 负。 7.根据权利要求5所述的基于深度神经网络与高效寻找椭圆方法相结合的表盘精细边 缘提取方法， 其特征在于， 构建弧支撑线 段组的步骤包括： 将距离小于阈值且极性相同的弧 线段归并到同一个弧支撑线段组中； 构建弧支撑线段过程中， 若某个弧线段后有多个候选 线段， 通过偏转角度衡量置信度最大的那一条弧线段。 8.根据权利要求5所述的基于深度神经网络与高效寻找椭圆方法相结合的表盘精细边 缘提取方法， 其特 征在于， 所述初始椭圆满足的条件 包括： 1)构成一个初始椭圆的所有弧线段的极性相同； 2)构成一个初始椭圆的两 两弧线段互相在对方的有效区域内；权　利　要　求　书 1/2 页 2 CN 114937152 A 23)构成一个初始椭圆的弧支撑线段组中， 由每个 弧支撑线段组成的支撑 内点的数量大 于相应弧线段的长度； 所述支撑内点 为支撑弧线段 上的点。 9.根据权利要求5所述的基于深度神经网络与高效寻找椭圆方法相结合的表盘精细边 缘提取方法， 其特 征在于， 对初始椭圆进行聚类的步骤 包括： 1)将初始椭圆的五个维度划分为中心、 方向和半轴三个维度， 得到： 式中， ei表示第i个初始椭圆； (x,y)i、 (a,b)i分别指第i个初始椭圆的中心、 方向和 半轴； 2)对初始椭圆的中心、 方向和半轴进行mean shift聚类， 得到nc个类； 对初 始椭圆的方向 进行meanshift聚类， 得到 个类； 对初始椭圆的半轴进行meanshift聚类， 得到 个 类； 3)建立候选椭圆集 合Ec， 即： 式中， 分别表示第k个候选椭圆中心集合、 第s个候选椭圆方向 集合和第t个候选椭圆半轴集 合； 候选椭圆集 合Ec中候选椭圆集数量 Nc如下所示： 10.根据权利要求5所述的基于深度神经网络与高效寻找椭圆方法相结合的表盘精细 边缘提取方法， 其特征在于， 候选椭圆验证通过的标准包括候选椭圆评估质量Goodness大 于预设质量阈值； 所述 候选椭圆评估质量Go odness通过优度测量方法计算得到 。权　利　要　求　书 2/2 页 3 CN 114937152 A 3