(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 202210057118.2 (22)申请日 2022.01.19 (71)申请人 青岛理工大 学 地址 266520 山东省青岛市黄岛区嘉陵江 东路777号青岛理工大 学 (72)发明人 房桐　杜保帅　张田　赵景波　 张晓寒　 (74)专利代理 机构 青岛华慧泽专利代理事务所 (普通合伙) 37247 专利代理师 姜英昌 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06T 5/00(2006.01) G06V 10/82(2022.01)G06V 10/44(2022.01) G06V 10/80(2022.01) (54)发明名称 一种基于边缘提取与空洞卷积的抓取目标 检测算法 (57)摘要 本发明公开了一种基于边缘提取与空洞卷 积的抓取目标检测算法， 包括Edge  feature模 块、 Darknet ‑53特征提取模 块、 特征金字塔 结构、 Dilation ‑ASFF网络， 具体步骤 为： 步骤1， 图像采 集： 采集目标的RGB图像， 并利用Edge  feature模 块提取图像的边缘信息， 形成四通道的特征信 息； 步骤2， 特征提取： 将采集的特征信息输入到 Darknet‑53特征提取模块中， 进行特征提取， 改 进损失函数为CIoU损失函数， 并构建特征金字塔 结构； 步骤3， 特征融合： 将特征金字塔结构中的 特征信息通过结合空洞卷积的Dilation ‑ASFF网 络将不同尺度的特征信息进行融合。 本发明有效 提高了网络的检测精度和检测速度， 提高了网络 对多尺度信息的感受能力及网络的收敛能力。 权利要求书2页 说明书6页 附图3页 CN 114462514 A 2022.05.10 CN 114462514 A 1.一种基于边缘提取与空洞卷积的抓取目标检测算法， 其特征在于， 包括Edge   feature模块、 Darknet ‑53特征提取模块、 特征金字塔结构、 Dilation ‑ASFF网络， 具体步骤 为： 步骤1， 图像采集： 采集目标的RGB图像， 并利用Edge  feature模块提取图像的边缘信 息， 形成四通道的特 征信息； 步骤2， 特征提取： 将采集的特征信息输入到Darknet ‑53特征提取模块中， 进行特征提 取， 改进损失函数为CI oU损失函数， 并构建特 征金字塔结构； 步骤3， 特征融合： 将特征金字塔结构中的特征信息通过结合空洞卷积的Dilation ‑ ASFF网络将不同尺度的特 征信息进行融合。 2.根据权利要求1所述的一种基于边缘提取与空洞卷积的抓取目标检测算法， 其特征 在于， 所述 步骤1中利用Edge  feature模块 提取图像的边 缘信息的具体实现步骤为： 步骤1.1， 高斯平滑： 使用3 ×3的高斯核对输入样本进行滤波去噪， 将以每个像素点3 × 3范围内的像素进行加权求和， 作为 新的像素点 值； 步骤1.2， 使用Sobel算子计算像素梯度幅值与方向： 将3 ×3的算子在经过高斯平滑的 图像上滑动一遍， 利于像素点与周围像素的加权和在边缘位置为极值的特点检测边缘信 息； 步骤1.3， 根据角度对幅值抑制非极大值： 对角度在四个方向划分形成新的角度图， 表 征其梯度方向， 之后根据角度图对幅值进行非极大值抑制， 对边 缘信息进行细化； 步骤1.4， 运用双阈值法将边缘像素点拼接成轮廓： 设定两个阈值Ymin和Ymax， 梯度值大 于Ymax的为强边缘， 梯度值在Ymin和Ymax之间的为弱边缘， 使用弱边缘将强边缘连接形成轮 廓。 3.根据权利要求2所述的一种基于边缘提取与空洞卷积的抓取目标检测算法， 其特征 在于， 所述 步骤1.1中 高斯平滑的计算过程 为： 其中， Q(i,j)为经过高斯平滑后坐标(i,j)处的值， P(i,j)为输入图像在坐标(i,j)处 的灰度值。 4.根据权利要求2所述的一种基于边缘提取与空洞卷积的抓取目标检测算法， 其特征 在于， 所述 步骤1.2的具体 计算过程 为： 权　利　要　求　书 1/2 页 2 CN 114462514 A 2其中， Si表示Sobel算子在横向上的模板， Sj表示Sobel算子在纵向上的模板， *表示二维 卷积运算， Q表示图像中的各个 像素点灰度值， S为像素梯度幅值， θ 为像素梯度方向。 5.根据权利要求1所述的一种基于边缘提取与空洞卷积的抓取目标检测算法， 其特征 在于， 所述 步骤2中CI oU的计算过程具体为： 其中， LossCIoU表示CIoU损失函数， L表示预测框B与标签框A中心点 之间的欧氏距 离， IoU 表示交并比， a表 示标签框A的面积， b表示预测框B的面积， c表 示能够包含标签框A和预测框 B的最小框C的对角线距离， λ和u分别表示惩罚因子， dA表示标签框A的宽度， dB表示预测框B 的宽度， hA表示标签框A的高度， hB表示预测框B的高度。 6.根据权利要求1所述的一种基于边缘提取与空洞卷积的抓取目标检测算法， 其特征 在于， 所述 步骤3中Di lation‑ASFF网络为6层空洞卷积网络 。 7.根据权利要求6所述的一种基于边缘提取与空洞卷积的抓取目标检测算法， 其特征 在于， 所述Di lation‑ASFF的6层空洞卷积网络的空洞卷积扩张率分别为1、 2、 4、 8、 16、 1。权　利　要　求　书 2/2 页 3 CN 114462514 A 3