本文是一篇软件工程论文，本文的工程实践数据仅为高压陈列布料这一种类型的裁片，虽然在部分公开数据集有不错不限，但毕竟有人为选择的因素，其他语义风格相似的图像数据并没有获取测试和实验，未来可以在这方面探索和证实算法模型的有效性。
1 绪论
1.1 研究背景和意义
工业4.0日趋普及，并正在潜移默化地改变着纺织服装行业的生产过程，全流程的自动化为人们所希冀，研究人员也在多个领域进行着辛苦的尝试和创造。常见的问题有如何避免裁片打滑和起皱并保持松紧适度，如何对将两片织物进行对准操作，以及如何向缝纫机头送布等操作，这些步骤目前手工过程其实可以做得更好[1]。中国属于发展中的制造业大国，智能化自动技术必将在未来中国的制造业中，占据举足轻重的地位。在纺织工业，尤其是服装制造领域，无数的劳动力成本和时间价值都主要耗费在材料处理上，其中以移动原材料、安装设备、不断重定位裁片和半成品织物部件最为耗时耗力[2]。我国的服饰纺织工业目前仍属于劳动密集型产业，在裁剪、拼接等步骤自动化应用前景广阔。服装以及其原材料在生成过程中因为柔软性、多样性和复杂性的缘故，其自动化水平相对其他工业领域仍有待进步，现存的自动化设备大都是单台机器单一功能，人工参与大量分布在整个生成制作过程中的诸多环节，全自动化的缝纫成衣生产线的实现仍然相对困难[3]。在超级人工智能机器人全面替代纯手工之前，自动化剪裁缝纫成衣系统的相关技术还存在着许许多多需要突破的瓶颈和困能，其中及其重要的一环就是对图像信息的识别和处理。
软件工程论文怎么写
....................
1.2 国内外研究现状
此次课题所关注的图像分割、边缘检测和边缘提取问题，是机器视觉领域中的基本问题、核心问题之一。经典方法作为一项成熟的技术，有无数研究者们在自己所在的具体领域探索针对性的改进和发展。深度学习作为近年来崛起且必将会引领未来的方式方法，众多的神经网络模型在语义分割、实例分割等高层次任务中不断刷新着SOTA，边缘检测作为这些计算机视觉任务的基础，也得到了长足的发展。
1.2.1经典图像边缘分割检测算法
Roberts算子是边缘检测中最早的算法之一，由Lawrence Roberts在1963年提出，它通过对图像进行简单的卷积操作，来检测图像中的边缘。Irwin Sobel在1968年提出Sobel算子，改进了卷积核，可用于图像的梯度计算和边缘检测。Isotropic Sobel是对Sobel算子的改进，使用了与Sobel相同的卷积核，但计算梯度的方式更为平均，避免引入不必要的方向偏好。Prewitt算子是另一种常用的边缘检测算法，与Sobel相似，由Judith M. S. Prewitt在1970年提出。Kirsch算子[20]是R. Kirsch在1971年提出来一种边缘检测新算法，采用8模板代表8个方向对图像像素点卷积求导数，取最大值作为边缘响应。以上均为一阶边缘检测算子。
Laplacian算子[21]用于计算图像的二阶导数，主要用于边缘检测和图像锐化。1980年David Marr 和 Ellen Hildreth提出了Marr-Hildreth算子[22]（属于一种LoG算子，Laplacian of Gaussian），首先对图像进行高斯函数计算，根据结果计算其二阶导数，这种边缘检测算子结合了高斯平滑和拉普拉斯运算的优点。之后在1999年正式命名的Difference of Gaussian（Dog）[23]是一种基于Gaussian函数的图像处理方法，DoG可以被看作是LoG的一种近似，通过计算两个不同尺度的高斯滤波之间的差异来进行边缘检测，用于在不同尺度上检测图像中的边缘和纹理，扩展了边缘检测的适用范围也被用于对象识别、图像配准等任务中。
..............................
2相关基础理论研究
2.1 边缘检测经典算法算子
2.1.1 经典算子
边缘检测作为图像处理算法的基础操作，在医疗影像分析、无人驾驶、工业之间、暗访监控等领域具有重要应用。其主要目标是通过寻找图像中灰度变化较为明显的区域来实现图像的分析和特征提取。以下是几种经典的边缘检测算子的介绍，包括Roberts算子、Sobel算子、Prewitt算子、Laplacian算子、LoG算子、DoG算子等，并用裁片样本进行对比。
如图2.1是Roberts算子卷积核。Roberts边缘检测算子主要适用于简单的边缘检测任务，特别是对于细节边缘的敏感度较高。然而，它对于噪声较为敏感，不太适用于复杂图像和噪声较多的情况，也不适用于边缘方向不明显或者曲线较为复杂的图像，检测结果较为粗糙，容易产生虚假的边缘。Roberts 算子提取道路边缘是最常见的实际应用场景。如图2.5(b)是Roberts算子在裁片样本的表现情况。
软件工程论文怎么写
......................
2.2基于CNN的深度学习边缘检测方法
2.2.1 卷积神经网络CNN
卷积神经网络（Convolutional Neural Network，CNN）类似或者说继承于于传统的人工神经网络（ANN），因为它们由通过学习进行自我优化的神经元组成。每个神经元仍然会接收输入并执行操作，最常见的就是非线性的函数操作，这是各类ANN模型的基础。从原始图像向量到最终的类别分数输出，整个网络仍然表达一个单一的感知分数函数（权重）。最后一层将包含与类别相关的损失函数，这也是常见ANN模型的通用开发技巧。CNN创新型的通过卷积运算模块从数据中提取特征信息，极大的公用和减少了参数量。CNN的架构受到视觉感知的启发，生物神经元对应于人工神经元，在不断的传播过程中自动的修正参数提取特征。CNN的卷积核表示了不同的感受器,能够反应不同功能;激活函数模拟了只有当神经电信号达到了某个阈值时才反馈给下一神经元的特性。而损失函数和优化器则是由我们创建起来的,用来指导整个CNN系统学习我们所需要的信息。CNN模型与传统ANN模型唯一的显著区别是，CNN主要使用在对图像内容的模式识别方面。这就使得人们能够在逐步降低设置模式中所需要参数的同时,把图像等特定信息编码在网络中,以便让网络更加符合以图像为中心的任务。
全卷积网络（Fully Convolutional Network，FCN）是一种专门用于图像分割任务的深度学习架构。相比于传统的卷积神经网络（CNN）结构，FCN 不包含全连接层，而是通过使用全卷积层来处理输入图像的每个像素，从而能够生成与输入图像相同大小的分割结果。传统 CNN 主要用于图像分类任务，输出是一个固定大小的向量，不能直接应用于图像分割，因为分割任务需要像素级别的预测。FCN 提出将全连接层替换为全卷积层，允许输入和输出的空间尺寸不同。
.......................
3融合最小梯度滤波的Canny改进算法 ................................ 26
3.1概述 ............................................... 26
3.2算法描述 ....................................... 27
4 基于多核提取密集连接的LKDLU-Net模型 .............................36
4.1概述 ............................................ 36
4.2大核卷积残差模块 ........................................ 37
5 衬领识别系统搭建 ........................................ 47
5.1总体需求分析 ................................. 47
5.2相机定标 ........................................... 48
5 衬领识别系统搭建
5.1总体需求分析
工程实践为如图5.1(a)所示，是一个自动化缝纫机床项目，自动剪裁成衣机分别经过识别工程、缝纫工艺、裁剪流程、最终拼接为成品衣物。课题聚焦于识别工程部分，实现在复杂且语义简单的背景，下对高压衬领内外的轮廓边缘的识别，确定内嵌布料的坐标范围和后序的缝纫路线，也就是图5.1(b)的黑线部分。
软件工程论文参考
很显然，要得到缝纫线路，就需要对高压衬领布料裁片进行精准的边缘提取，然后使用OpenCV位置、形状、模式等方面的函数，提取出缝纫边缘即可。边缘识别系统的功能架构如图5.2所示。
根据实际需求，衬领识别系统是为了将原本人工放置、目测、手绘的步骤完全自动化并简化为识别系统，这就要求了该系统在缩短流程时间，提高整体效率上相较人工处理有较大优势。高压衬领内嵌布料缝纫路线识别应具有以下功能：
1）图像捕获与预处理：使用工业相机捕获布料裁片图像，并进行图像预处理。
2）畸变校准：相机畸变校准，以确保图像精确反映实际裁片坐标位置。
.........................
6 总结与展望
6.1总结
论文研究了边缘检测这一经典的、基础的、不断发展的计算机机器视觉任务，对相关的检测原理、检测算法、检测模型进行了详细的介绍与论述，并根据常见工程实践需求，针对少类别、低语义图像的图像分割任务，提出了经典算法的改进方案和深度学习神经网络的适用模型，并应用到了高压衬领边缘检测这一具体工程实践中。
少类别、低语义并不意味这图像信息简单，相反，由于背景颜色信息杂乱、光照不均、纹理质地结构多变等因素，虽然只需要检测出主体部分的边缘轮廓，但并不能轻易实现。目前常见的生成车间均需要人工目测一一对比识别，针对这类问题，论文的主要工作内容和研究成果有：
1）深入分析Canny算法流程的每一个细节，注意到比传统算法更加合理的Canny算法依然无法处理大部分针对性需求。于是从算法的全流程出发，利用HSV颜色空间来规避光照色差与颜色对比度不足的问题，引入L0最小梯度平滑滤波代替普通高斯滤波来更加突出图像主体信心和边缘轮廓，通过分水岭算法模拟非极大值抑制过程，添加大津法来自适应生成高低阈值，最后在边缘连接之间进行图像形态学操作提出非主体边缘的干扰。改进后的Canny算法对比各类经典算子算法能够更好的提取衬领裁片边缘。
2）从U-Net特征提取不充分、卷积计算不先进、跳跃链接信息集中不完整等出发，提出了大卷积核残差卷积融合深度可分离卷积技术来增加特征提取、降低卷积训练参数。重新设计密集连接方式，移除所有乘次之间的全排列式的这种极大提升运算训练复杂度但效果提升微弱的方式，改为只将每层编码器卷积结果均匀与每层解码器卷积融合，且针对不同尺寸的图像信息，不在直接使用平均池化这种丢失细节的缩放方式，而是利用Lanczos插值算法尽可能的保留原有信息，提出了LKDLU-Net深度学习训练模型。通过不同的数据集的训练探索了LKDLU-Net的适用范围，通过主观目测和客观评价的方式，对比了传统算法和U-Net的边缘检测效果，证实该网络模型对少类别低语义图像的边缘识别效果准确高，可以提取复杂少语义图像的清晰边缘。
参考文献（略）