基于CNN的十字像中心检测
Cross-center detection based on deep learning
上海理工大学 光电信息与计算机工程学院，上海 200093
图 & 表
图 1. 神经元模型
Fig. 1. Neuron model
下载图片 查看原文
图 2. 卷积操作示意图
Fig. 2. Convolution operation diagram
下载图片 查看原文
图 3. 池化操作示意图
Fig. 3. Pooling operation diagram
下载图片 查看原文
图 4. 距离被测镜面曲率半径中心远近拍摄的十字像
Fig. 4. Cross image taken far and near the center of curvature radius of the measured mirror
下载图片 查看原文
图 5. 镜片表面质量差所呈十字像
Fig. 5. Cross image of contaminated mirror
下载图片 查看原文
图 6. 图像预处理过程
Fig. 6. Image preprocessing process
下载图片 查看原文
图 7. 3种标注方式
Fig. 7. Three ways of annotation
下载图片 查看原文
图 8. 卷积神经网络结构图
Fig. 8. Structural diagram of convolutional neural network
下载图片 查看原文
图 9. 不同标注方式下的训练损失值变化
Fig. 9. Change of loss value under different marking methods
下载图片 查看原文
图 10. 五折交叉验证评估模型性能
Fig. 10. Five-fold cross validation to evaluate model performance
下载图片 查看原文
图 11. 五折交叉验证测试集损失图
Fig. 11. Loss of the five-fold cross validation test set
下载图片 查看原文
图 12. 四种不同类型图片的关键点预测结果和中心点计算结果
Fig. 12. Key point prediction and center point calculation of four different types
下载图片 查看原文
图 13. SUSAN算法原理图
Fig. 13. Principle of SUSAN algorithm
下载图片 查看原文
表 1十字像中心坐标预测结果
Table1. Prediction results of cross center coordinates
| 算法 | 清晰十字像 | 边缘不规则十字像 | 模糊十字像 | 对比度低十字像 | | 标注值 | （119.65，82.35） | （139.82，111.63） | （88.85，75.64） | （114.35，126.73） | | CNN预测值 | （118.82，83.41） | （138.01，109.73） | （88.18，73.83） | （111.64，124.91） | | 直线拟合 | （118.96，81.07） | （144.69，108.39） | （90.19，72.36） | 无法检测 | | SUSAN算法 | （117，82） | （137，112） | （84，78） | 无法检测 |
|
查看原文
武华敏, 杨漠雨, 黄晓雪, 吉才全, 王炜杰, 张荣福, 陈楠. 基于CNN的十字像中心检测[J]. 光学仪器, 2019, 41(5): 38. Huamin WU, Moyu YANG, Xiaoxue HUANG, Caiquan JI, Weijie WANG, Rongfu ZHANG, Nan CHEN. Cross-center detection based on deep learning[J]. Optical Instruments, 2019, 41(5): 38.
PDF全文
