一种基于FasterR-CNN的椭圆检测方法与流程

一种基于faster r-cnn的椭圆检测方法
技术领域
1.本发明涉及视觉系统图像中轴识别标定技术领域，具体涉及一种基于faster r-cnn的椭圆检测方法。


背景技术：

2.在冶金现场材料输送过程中，重载输送机的核心部件，链条在长时间的送料过程中，会产生断裂、移位等现象，对其定时进行定位检测在工业生产中尤为重要；由于现场环境恶劣，链条连接销轴成像模糊，因此对视觉采集设备与图像处理方法有非常严格的要求；所以如何稳定、精确地对链条轴进行定位，是目前链条间距检测亟待解决的问题；
3.现有技术1，中国专利cn202211502035.6，一种基于kmpe损失函数的椭圆检测方法，公开了一种基于kmpe损失函数的椭圆检测方法，包括：获取点集数据p，并利用3σ准则对点集数据p进行预处理，得到预处理后的点集数据p1；建立椭圆检测的目标函数f1，并利用shade算法迭代求解目标函数f1的最优解；根据目标函数f1的最优解确定待检测椭圆参数的粗估计值后，利用粗估计值将点集数据p1划分为内点集合p2和外点集合，进一步根据内点集合p2建立目标函数f2，并利用shade算法迭代求解目标函数f2的最优解；根据目标函数f2的最优解确定待检测椭圆参数的精估计值；根据待检测椭圆参数的精估计值确定待检测椭圆的焦心坐标、半短轴和旋转角；
4.现有技术2，中国专利cn202110427803.5，一种基于3d视觉的子弹底火引药填充量检测方法，一种基于3d视觉的子弹底火引药填充量检测方法；首先，对获取到的底火深度图像采用直方图均衡、二值化、膨胀、孔洞去除和腐蚀进行预处理，得到高质量的图像；然后，采用基于弧邻接矩阵的快速椭圆检测方法对预处理后的底火深度图像进行圆域检测，拟合得到各个圆域的圆心ci；第三，计算各个椭圆圆心ci与椭圆质心之间的欧式距离ρi，确定目标圆域；
5.现有技术1是通过获取点集数据p，利用3σ准则对点集数据p进行预处理，得到预处理后的点集数据p1；建立椭圆检测的目标函数f1，并利用shade算法迭代求解目标函数f1的最优解；根据目标函数f1的最优解确定待检测椭圆参数的粗估计值后，利用粗估计值将点集数据p1划分为内点集合p2和外点集合，进一步根据内点集合p2建立目标函数f2，并利用shade算法迭代求解目标函数f2的最优解；根据目标函数f2的最优解确定待检测椭圆参数的精估计值；根据待检测椭圆参数的精估计值确定待检测椭圆的焦心坐标、半短轴和旋转角；
6.现有技术2是对获取到的底火深度图像采用直方图均衡、二值化、膨胀、孔洞去除和腐蚀进行预处理，得到高质量的图像；然后，采用基于弧邻接矩阵的快速椭圆检测方法对预处理后的底火深度图像进行圆域检测，拟合得到各个圆域的圆心ci；第三，计算各个椭圆圆心ci与椭圆质心之间的欧式距离ρi，确定目标圆域；
7.现有技术1是通过获取点集数据p，利用3σ准则对点集数据p进行预处理，得到预处理后的点集数据p1；建立椭圆检测的目标函数f1，并利用shade算法迭代求解目标函数f1的
最优解；根据目标函数f1的最优解确定待检测椭圆参数的粗估计值后，利用粗估计值将点集数据p1划分为内点集合p2和外点集合，进一步根据内点集合p2建立目标函数f2，并利用shade算法迭代求解目标函数f2的最优解；根据目标函数f2的最优解确定待检测椭圆参数的精估计值；根据待检测椭圆参数的精估计值确定待检测椭圆的焦心坐标、半短轴和旋转角；
8.现有技术2是对获取到的底火深度图像采用直方图均衡、二值化、膨胀、孔洞去除和腐蚀进行预处理，得到高质量的图像；然后，采用基于弧邻接矩阵的快速椭圆检测方法对预处理后的底火深度图像进行圆域检测，拟合得到各个圆域的圆心ci；第三，计算各个椭圆圆心ci与椭圆质心之间的欧式距离ρi，确定目标圆域；
9.但是现有技术1和现有技术2仍然没有解决视觉系统中轴类零件图像实现检测、识别的计算问题。


技术实现要素：

10.有鉴于此，针对现有技术的不足，本发明的目的在于一种基于faster r-cnn的椭圆检测方法，解决链条销轴表面椭圆检测的图像识别难点，椭圆检测采用基于cnn的神经网络目标检测方法，通过采集大量链条轴图片，并进行人工标注，制成数据集，将其送入faster r-cnn网络进行训练，获得训练模型，利用该训练模型，可以对现有的链条轴实现椭圆检测定位任务。
11.本技术旨在解决背景技术中的问题之一。
12.本发明所采用的技术方案为：为实现上述目的及其他相关目的，本发明提供一种基于faster r-cnn的椭圆检测方法；
13.一种基于faster r-cnn的椭圆检测方法，包括如下步骤：
14.s1，采集链条轴图片，并对图片标注，得到数据集；
15.图片标注为人工标注或者自动标注；图片标注是指将一张图片中的对象、场景或其他特征进行描述和注释的过程；在图像处理中，图片标注用于训练和测试图像识别、目标检测、图像分割及相关的人工智能算法；
16.本技术s2步骤是把采集链条轴图片里面的轴进行标注；
17.s2，把数据集送入faster r-cnn网络进行训练，获得训练模型；
18.训练模型是指使用机器学习算法和大量的数据，让计算机学习和推断出数据中的模式和规律，从而构建一个能够自主进行推断和预测的模型；该过程一般包括数据的预处理、模型的选择和定义、模型参数的初始化和优化等步骤；训练模型的目的是通过训练数据来拟合出一个合适的模型，然后通过该模型来对新的数据进行预测或分类；在训练模型的过程中，需要选择合适的算法和模型架构，确定损失函数和优化器等参数，以及对数据进行有效的处理和预处理，以达到最佳的模型性能。
19.训练流程包括resnet-fpn特征提取模块、rpn模块、roi align模块、椭圆回归模块；
20.s3，利用训练模型对链条轴椭圆检测定位。
21.优选的，resnet-fpn特征提取模块，构造多尺度特征金字塔fpn，在金字塔的各个阶层提取特征并预测，完成多尺度的特征映射；
22.每阶段的最后一层输出作为特征，并将各阶段特征进行融合，实现检测不同尺度下的目标；
23.resnet-fpn特征提取指的是利用resnet-fpn网络对输入的图像进行处理，从而提取出图像中的特征信息；在resnet-fpn中，特征提取部分采用的是resnet网络，通过多层卷积操作和残差连接的方式，从输入图像中逐步提取出高层次的特征信息；在这个过程中，每一层都会输出一个特征图，这些特征图在不同层次包含了不同的抽象信息，通常越靠近输入层的特征图包含的信息越具体，越靠近输出层的特征图包含的信息越抽象；
24.在resnet-fpn中，金字塔特征网络fpn被用来结合不同层次的特征信息；fpn通过建立上下文关联，将不同层次的特征图进行融合，从而提高特征信息的准确性和稳定性；具体地说，fpn会将高分辨率的浅层特征图和低分辨率的深层特征图进行连接，生成一组新的金字塔特征图，这些特征图分别代表了不同尺度和不同抽象程度的特征信息；这些特征图经过进一步处理和组合，最终用于后续的分类和检测任务。
25.优选的，rpn模块，链条轴原始图像经过特征提取网络进行特征提取后，得到特征图，然后会经过rpn模块进行区域提取；
26.rpn在特征图上添加三个卷积层进行区域选取，第一个卷积层的作用是调整特征层的通道数，第二个卷积层为每个锚点生成的anchor box前景和背景进行得分，第三个卷积层为每个锚点生成anchor box的边框回归权重进行边框回归；
27.rpn模块是一种用于目标检测的深度学习模块，用于在图像中生成候选目标区域；rpn模块是faster r-cnn算法中的关键组件，用于提取图像中可能包含目标的区域，以便后续的目标分类和位置回归；
28.rpn模块采用深度卷积神经网络，输入为特征图，输出为一组候选框；具体来说，rpn模块在输入特征图上滑动一个小卷积窗口，然后对每个窗口进行二分类，即判断该窗口是否包含目标物体，同时也对包含目标的窗口进行位置回归；这些窗口在滑动窗口和位置回归后得到的区域就是候选目标区域；rpn模块采用了滑动窗口的方式，可以快速地生成大量候选区域，从而提高了检测的效率；
29.rpn模块在训练时需要用到正样本、负样本和中性样本进行训练；具体来说，正样本是指与真实目标框有高重叠率的候选框，负样本是指与真实目标框没有重叠的候选框，中性样本是指与真实目标框有中等重叠率的候选框；通过正样本和负样本的训练，rpn模块可以学习到生成高质量候选框的能力，从而提高目标检测的精度。
30.优选的，roi align模块，为一种区域特征聚集方式，该层基于扩展的预测区域，使用双线性内插的方法获得坐标为浮点数的像素点上的图像数值,从而将整个特征聚集过程转化为一个连续的操作，重新选取一个小的特征映射，准确地将提取的特征与fpn的输入对齐，由于位于预测区域外的扩展特征对预测椭圆参数精度有不利的影响；
31.roi align模块用于目标检测中的一种特征对齐，解决roi pooling出现的信息损失问题；
32.在目标检测中，roi指的是rpn模块输出的候选目标区域；在roi pooling中，每个roi都会被划分为若干个子区域，然后从每个子区域中取出一个最大值作为该子区域的代表特征；然而，这种方法会引起信息损失，因为最大值可能只来自于某个像素点周围的几个像素点，而忽略了其他像素点的信息；
33.roi align模块可以解决这个问题；它的基本思路是将roi区域均匀地划分为若干个小区域，然后在每个小区域中进行插值，得到该小区域的特征；然后将所有小区域的特征拼接在一起，即得到该roi的特征表示；这种方法可以充分利用roi区域中的所有像素点信息，避免了信息损失问题；
34.roi align模块的实现可以分为以下几步：
35.r1，对roi区域进行坐标变换，将其转换到对应特征图的坐标系上；
36.r2，将roi区域均匀地划分为若干个小区域，每个小区域的大小为特征图上的整数像素；r3，对每个小区域中的像素点进行插值，得到该小区域的特征表示；
37.r4，将所有小区域的特征表示拼接在一起，得到该roi的特征表示。
38.优选的，对经过roi align的扩展特征区域进行零填充，用于对特征区域细化。
39.优选的，椭圆回归模块，在边界框回归的基础上引入了椭圆回归模块，用于识别和定位椭圆轮廓边缘的位置；
40.椭圆回归模块是目标检测中的一种模块，用于预测目标的椭圆参数，及检测目标的位置和大小等信息，对于椭圆需要预测目标的椭圆参数以更准确地描述目标的位置和大小；
41.椭圆参数通常包括椭圆的中心点坐标、长轴长度、短轴长度和旋转角度等信息；椭圆回归模块的主要任务就是从图像中预测出这些参数；
42.椭圆回归模块的训练数据由一些手工标注的椭圆标记组成；在训练过程中，模型接收图像作为输入，并输出目标的椭圆参数；训练过程中需要定义损失函数，采用均方误差(mse)或smooth l1损失；训练完成后，模型可以用于预测测试数据中目标的椭圆参数；
43.椭圆回归模块的使用可以提高目标检测的精度和准确性，更准确地描述目标的位置和大小。
44.优选的，faster r-cnn基础模型为前端网络结构，回归椭圆五个相对偏移参数实现对链条轴轮廓回归；预测边界框相对偏移参数使椭圆框的五个参数被归一化，使图像中不同大小的对象能够同等贡献回归损失；
45.前端网络结构是指深度学习中的一类神经网络结构，用于对输入图像进行特征提取和处理的部分；参数被归一化指的是将模型中的参数进行标准化处理，使其在训练过程中更容易收敛和优化。
46.一种基于faster r-cnn的椭圆检测方法，
47.椭圆检测采用基于cnn的神经网络目标检测方法，通过采集大量链条轴图片，并进行人工标注，制成数据集，将其送入faster r-cnn网络进行训练，获得训练模型，利用该训练模型，可以对现有的链条轴实现椭圆检测定位任务，其流程主要包括四个模块的计算；
48.resnet-fpn特征提取模块；由于resnet仅使用图像的最顶层特征进行预测，小目标检测会出现精度不高的现象，解决这个问题的方法是构造多尺度特征金字塔fpn，在金字塔的各个阶层提取特征并预测；通过建立fpn结构，来完成多尺度的特征映射功能，每阶段的最后一层输出作为特征，并将各阶段特征进行融合，实现检测不同尺度下的目标；
49.rpn模块；链条轴原始图像经过特征提取网络进行特征提取后，得到特征图，然后会经过rpn模块进行区域提取；具体实现为rpn在特征图上添加三个卷积层进行区域选取，第一个卷积层的作用是调整特征层的通道数，第二个卷积层为每个锚点生成的anchor box
前景和背景进行得分，第三个卷积层为每个锚点生成anchor box的边框回归权重进行边框回归；
50.roi align模块；它是一种区域特征聚集方法，该层基于扩展的预测区域，使用双线性内插的方法获得坐标为浮点数的像素点上的图像数值,从而将整个特征聚集过程转化为一个连续的操作，重新选取一个小的特征映射，准确地将提取的特征与fpn的输入对齐，由于位于预测区域外的扩展特征对预测椭圆参数精度有不利的影响，因此还需要对经过roi align的扩展特征区域进行零填充，以对特征区域进行细化；
51.椭圆回归模块；为了能够准确识别和定位椭圆轮廓边缘的位置，在边界框回归的基础上引入了椭圆回归模块；采用faster r-cnn基础模型作为前端网络结构；对链条轴轮廓回归采用与faster r-cnn回归框预测偏移参数相似的方法，直接回归椭圆五个相对偏移参数；使用这种预测边界框相对偏移参数来对边界框回归的方法让椭圆框的五个参数都被归一化，图像中不同大小的对象能够同等贡献回归损失，使得损失不受对象大小的影响；另外归一化保证了当拟合区域接近真值时，所有的预测偏移值接近于零，让训练过程趋于稳定，避免出现无界值的情况；
52.本发明所实现的链条轴椭圆检测方法包含三个过程：
53.(1)链条轴图像采集与预处理；
54.(2)图像输入网络模型中进行检测；
55.(3)将检测参数进行椭圆拟合并进行实时图像定位；
56.其具体流程如下：采集图像进行数据集的标定，基于pytorch框架搭建网络模型，对数据集进行网络训练；网络离线预测采用输入实时采集的链条连接处的图像，通过一系列特征映射的变换直接学习得到一个从输入图像到输出识别结果的映射，输出链轴端点椭圆轮廓信息；通过对链轴端部圆进行实时的跟踪与定位，网络输出椭圆参数和链轴端部圆轮廓，标明所提取得到的链轴端部圆所在位置；网络检测效果显示，从椭圆效果来看，验证了本发明基于faster r-cnn方法的可行性。
57.本发明具有以下有益效果：
58.本发明利用resnet-fpn和rpn模块，对链条轴原始图像经过特征提取网络进行特征提取后，得到特征图，用roi align对特征图的扩展特征区域进行零填充、细化，最后利用椭圆回归模块，能够准确识别和定位椭圆轮廓边缘的位置。
附图说明
59.图1为本发明的链条轴椭圆检测网络结构图；
60.图2为本发明的链条轴椭圆检测网络效果示意图；
61.图3为本发明的椭圆回归参数偏移示意图；
具体实施方式
62.下面结合附图对本发明的具体实施方式作进一步详细说明。这些实施方式仅用于说明本发明，而并非对本发明的限制。
63.在本发明的描述中，需要说明的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为
基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
64.在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
65.此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
66.实施例
67.椭圆检测采用基于cnn的神经网络目标检测方法，通过采集大量链条轴图片，并进行人工标注，制成数据集，将其送入faster r-cnn网络进行训练，获得训练模型，利用该训练模型，可以对现有的链条轴实现椭圆检测定位任务，其流程如图1所示；
68.如图1的基于faster-cnn架构的椭圆回归网络结构如图所示，可以将其分为4个部分，即特征提取网络、rpn模块、roi align模块和椭圆回归模块；
69.如图1，该流程主要包括四个模块的计算；
70.resnet-fpn特征提取模块；由于resnet仅使用图像的最顶层特征进行预测，小目标检测会出现精度不高的现象，解决这个问题的方法是构造多尺度特征金字塔fpn，在金字塔的各个阶层提取特征并预测；通过resnet上建立fpn结构，来完成多尺度的特征映射功能，每阶段的最后一层输出作为特征，并将各阶段特征进行融合，实现检测不同尺度下的目标；fpn由下向上为cnn的前向计算，由多尺度的特征映射组成，每阶段的最后一层输出作为特征，并对其进行创建金字塔，越深层的阶段特征越强，在检测不同尺度的目标时，该方法能够得到尺度合适、强语义信息的特征图；
71.rpn模块；链条轴原始图像经过特征提取网络进行特征提取后，得到特征图，然后会经过rpn模块进行区域提取；具体实现为rpn在特征图上添加三个卷积层进行区域选取，第一个卷积层的作用是调整特征层的通道数，第二个卷积层为每个锚点生成的anchor box前景和背景进行得分，第三个卷积层为每个锚点生成anchor box的边框回归权重进行边框回归；
72.roi align模块；它是一种区域特征聚集方法，该层基于扩展的预测区域，使用双线性内插的方法获得坐标为浮点数的像素点上的图像数值,从而将整个特征聚集过程转化为一个连续的操作，重新选取一个小的特征映射，准确地将提取的特征与fpn的输入对齐，由于位于预测区域外的扩展特征对预测椭圆参数精度有不利的影响，因此还需要对经过roi align的扩展特征区域进行零填充，以对特征区域进行细化；
73.椭圆回归模块；为了能够准确识别和定位椭圆轮廓边缘的位置，在边界框回归的基础上引入了椭圆回归模块；采用faster r-cnn基础模型作为前端网络结构；对链条轴轮廓回归采用与faster r-cnn回归框预测偏移参数相似的方法，直接回归椭圆五个相对偏移参数；使用这种预测边界框相对偏移参数来对边界框回归的方法让椭圆框的五个参数都被归一化，图像中不同大小的对象能够同等贡献回归损失，使得损失不受对象大小的影响；另
外归一化保证了当拟合区域接近真值时，所有的预测偏移值接近于零，让训练过程趋于稳定，避免出现无界值的情况；
74.使用这种预测边界框相对偏移参数来对边界框回归的方法让椭圆框的五个参数都被归一化，图像中不同大小的对象能够同等贡献回归损失，使得损失不受对象大小的影响；另外归一化保证了当拟合区域接近真值时，所有的预测偏移值接近于零，让训练过程趋于稳定，避免出现无界值的情况；
75.从几何意义上，存在任意方向的一个一般椭圆可以由它的五个参数定义：中心坐标(x0,y0)，半长轴和半短轴a，b，旋转角度θ(从正水平轴到椭圆的长轴)，得到一般椭圆的标准形式如下：
[0076][0077]
x
′
＝x-x0,y
′
＝y-y0[0078]
其中旋转角θ∈(-π/2,π/2]，通过一个完整的回归训练，从特征区域到椭圆真值进行回归预测五个椭圆参数；给定一个由提议p扩展得到的平方特征区域q＝(q
x
,qy,q
l
)，目标是学习在回归特征q和椭圆真值e之间的一组相对偏移参数，这里我们使用δ
x
，δy，δa，δb，δ
θ
五个参数来参数化回归过程。
[0079][0080][0081]
真值椭圆角的范围是e
θ
∈(-π/2,π/2]，δ
*
为椭圆的回归目标，e
′
为由δ计算得到的预测椭圆，(δ
x
,δy)指定q到e
′
的尺度不变平移，δa和δb指定q到e
′
半长轴和半短轴的对数空间平移，δ
θ
是e
′
归一化的椭圆角方向预测，当预测区域(p
→
q)接近真值椭圆e时，预测偏移量δ是有界的，回归过程如图3；
[0082]
总的来说：
[0083]
本发明所实现的链条轴椭圆检测方法包含三个过程：
[0084]
(1)链条轴图像采集与预处理；
[0085]
(2)图像输入网络模型中进行检测；
[0086]
(3)将检测参数进行椭圆拟合并进行实时图像定位；其具体流程如下：采集图像进行数据集的标定，基于pytorch框架搭建网络模型，对数据集进行网络训练；网络离线预测采用输入实时采集的链条连接处的图像，通过一系列特征映射的变换直接学习得到一个从输入图像到输出识别结果的映射，输出链轴端点椭圆轮廓信息；通过对链轴端部圆进行实时的跟踪与定位，网络输出椭圆参数和链轴端部圆轮廓，标明所提取得到的链轴端部圆所在位置；网络检测效果如图2所示；从椭圆效果来看，验证了本发明基于faster r-cnn方法的可行性。
[0087]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。

技术特征：
1.一种基于faster r-cnn的椭圆检测方法，其特征在于，包括如下步骤：s1，采集链条轴图片，并对图片标注，得到数据集；s2，把数据集送入faster r-cnn网络进行训练，获得训练模型；训练流程包括resnet-fpn特征提取模块、rpn模块、roi align模块、椭圆回归模块；s3，利用训练模型对链条轴椭圆检测定位。2.如权利要求1所述的一种基于faster r-cnn的椭圆检测方法，其特征在于，resnet-fpn特征提取模块，构造多尺度特征金字塔fpn，在金字塔的各个阶层提取特征并预测，完成多尺度的特征映射；每阶段的最后一层输出作为特征，并将各阶段特征进行融合，实现检测不同尺度下的目标。3.如权利要求1所述的一种基于faster r-cnn的椭圆检测方法，其特征在于，rpn模块，链条轴原始图像经过特征提取网络进行特征提取后，得到特征图，然后经过rpn模块进行区域提取；rpn在特征图上添加三个卷积层进行区域选取，第一个卷积层的作用是调整特征层的通道数，第二个卷积层为每个锚点生成的anchor box前景和背景进行得分，第三个卷积层为每个锚点生成anchor box的边框回归权重进行边框回归。4.如权利要求1所述的一种基于faster r-cnn的椭圆检测方法，其特征在于，roi align模块，为一种区域特征聚集方式，该层基于扩展的预测区域，使用双线性内插的方法获得坐标为浮点数的像素点上的图像数值,从而将整个特征聚集过程转化为一个连续的操作，重新选取一个小的特征映射，准确地将提取的特征与fpn的输入对齐，由于位于预测区域外的扩展特征对预测椭圆参数精度有不利的影响。5.如权利要求1所述的一种基于faster r-cnn的椭圆检测方法，其特征在于，对经过roialign的扩展特征区域进行零填充，用于对特征区域细化。6.如权利要求1所述的一种基于faster r-cnn的椭圆检测方法，其特征在于，椭圆回归模块，在边界框回归的基础上引入了椭圆回归模块，用于识别和定位椭圆轮廓边缘的位置。7.如权利要求1所述的一种基于faster r-cnn的椭圆检测方法，其特征在于，faster r-cnn基础模型为前端网络结构，回归椭圆五个相对偏移参数实现对链条轴轮廓回归；预测边界框相对偏移参数使椭圆框的五个参数被归一化，使图像中不同大小的对象能够同等贡献回归损失。

技术总结
一种基于Faster R-CNN的椭圆检测方法，包括如下步骤：S1，采集链条轴图片，并对图片标注，得到数据集；S2，把数据集送入Faster R-CNN网络进行训练，获得训练模型；训练流程包括ResNet-FPN特征提取模块、RPN模块、RoI Align模块、椭圆回归模块；S3，利用训练模型对链条轴椭圆检测定位。椭圆检测定位。椭圆检测定位。


技术研发人员：徐锟 石磊
受保护的技术使用者：中冶宝钢技术服务有限公司
技术研发日：2023.05.16
技术公布日：2023/8/24