具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

如图1和图2所示，本发明提供了一种光纤陀螺Y波导调制器端面角度检测方法，所述方法包括：

S10、基于Y波导调制器端面边缘的所有线段构建特征学习网络，并基于特征学习网络和特征输出网络生成最终线段掩模；

S20、构建线段分割网格，线段分割网格根据最终线段掩模对Y波导调制器端面边缘的所有线段进行特征搜索，以获取与最终线段掩模相匹配的多段片段化线段；

S30、利用线段连接法将多段片段化线段连接成两条直线；

S40、分别对两条直线进行拟合处理，并获取拟合后的两条直线的夹角，以完成Y波导调制器端面角度检测。

本发明利用深度学习网络设计了特征学习网络、特征输出网络和线段分割网络，具有自主学习能力，对Y波导调制器边缘具有良好的识别及定位性能，实现了对光纤陀螺Y波导调制器端面角度的检测，同时可以实现复杂环境下对Y波导调制器边缘的识别及端面角度的检测。相比于传统图像检测算法，大大提高了边缘识别率和角度判读准确率，对背景光源的要求大大降低。

根据本发明的一种实施例，在S10中，基于Y波导调制器端面边缘的所有线段构建特征学习网络，并基于特征学习网络和特征输出网络生成最终线段掩模包括：

S11、将Y波导调制器端面边缘的所有线段作为样本数据，并在样本数据中随机选取部分数据作为训练集；

S12、基于训练集和预训练网络构建特征学习网络；

S13、基于二元交叉熵损失函数对特征学习网络进行训练，得到训练好的特征学习网络；

S14、基于训练好的特征学习网络对样本数据进行学习，以获取样本数据中每段线段的分数和定位，并将分数和定位均满足预设要求的线段作为正样本数据；

S15、构建特征输出网络，基于特征输出网络对正样本数据进行阈值二值化处理，生成初步线段掩模，并将大于预设阈值的初步线段掩模作为最终线段掩模；

其中，特征学习网络的架构如表1所示：

表1特征学习网络的架构

其中，在表1中，Conv1-1至Conv1-7分别表示卷积层1-1至卷积层1-7；Pool1-1至Pool1-3分别表示池化层1-1至池化层1-3；Fc1至Fc3分别表示全连接层1至全连接层3；滤波尺寸中的“3×3,64”表示卷积核为3×3，卷积核的数量为64个；滤波尺寸中的“3×3,128”表示卷积核为3×3，卷积核的数量为128个；滤波尺寸中的“3×3,256”表示卷积核为3×3，卷积核的数量为256个；滤波尺寸中的“3×3,s＝2”表示卷积核为3×3，步距为2。

在表1中，每个卷积层的特征图进行均化处理，上采样到上层卷积层特征图的尺寸。通过这样的操作后，前一层和当前层的均化特征图可以实现元素级地操作，表现为元素乘积。正样本数据进入特征输出网络，输出得到全尺寸的掩模特征。

特征输出网络的架构如表2所示：

表2特征输出网络的架构

其中，在表2中，DConv2-1至DConv2-6分别表示反卷积层2-1至反卷积层2-6；Conv2-1至Conv2-9分别表示卷积层2-1至卷积层2-9；滤波尺寸中的“2×2,256”表示卷积核为2×2，卷积核的数量为256个；滤波尺寸中的“3×3,128”表示卷积核为3×3，卷积核的数量为128个；滤波尺寸中的“2×2,128”表示卷积核为2×2，卷积核的数量为128个；滤波尺寸中的“3×3,64”表示卷积核为3×3，卷积核的数量为64个；滤波尺寸中的“2×2,64”表示卷积核为2×2，卷积核的数量为64个；滤波尺寸中的“3×3,32”表示卷积核为3×3，卷积核的数量为32个；滤波尺寸中的“3×3,16”表示卷积核为3×3，卷积核的数量为16个；滤波尺寸中的“2×2,16”表示卷积核为2×2，卷积核的数量为16个；滤波尺寸中的“3×3,8”表示卷积核为3×3，卷积核的数量为8个；滤波尺寸中的“2×2,8”表示卷积核为2×2，卷积核的数量为8个。

在特征学习网络中，每段线段按照如下方式被标记上分类标签，

式中，g_i表示第i个线段的标签。

在本发明的S13中，二元交叉熵损失函数如下式所示：

式中，N为线段总数，p_i为第i个线段的分数。

在本发明的S15中，为了提高定位精度，通过下式对正样本数据进行阈值二值化处理：

M_i(x，y)＝B_i(x，y)*g_i；

式中，M_i(x，y)为第i个正样本数据的像素值，B_i(x，y)为二值化掩模。

根据本发明的一种实施例，在S20中的线段分割网格的架构如表3所示：

表3线段分割网络的架构

其中，在表3中，线段分割网络的架构具有四组卷积层和四组反卷积层，Conv3-1至Conv3-19分别表示卷积层3-1至卷积层3-19；Pool3-1至Pool3-4分别表示池化层3-1至池化层3-4；DConv3-1至DConv3-4分别表示反卷积层3-1至反卷积层3-4；滤波尺寸中的“3×3,64”表示卷积核为3×3，卷积核的数量为64个；滤波尺寸中的“3×3,s＝2”表示卷积核为3×3，步距为2；滤波尺寸中的“3×3,128”表示卷积核为3×3，卷积核的数量为128个；滤波尺寸中的“3×3,256”表示卷积核为3×3，卷积核的数量为256个；滤波尺寸中的“3×3,512”表示卷积核为3×3，卷积核的数量为512个；滤波尺寸中的“3×3,1024”表示卷积核为3×3，卷积核的数量为1024个；滤波尺寸中的“2×2,1024”表示卷积核为2×2，卷积核的数量为1024个；滤波尺寸中的“2×2,512”表示卷积核为2×2，卷积核的数量为512个；滤波尺寸中的“2×2,256”表示卷积核为2×2，卷积核的数量为256个；滤波尺寸中的“2×2,128”表示卷积核为2×2，卷积核的数量为128个；滤波尺寸中的“1×1,2”表示卷积核为1×1，卷积核的数量为2个。

在表3中，为了实现像素级的识别和特征图的上采样，在四组卷积层后设置了四组反卷积层。在反卷积层后设置了Dropout层，防止过拟合。利用二元交叉熵作为网络损失函数，Softmax二值化输出的阈值为0.5，并将输出结果作为线段连接算法(LSC)的输入。

在本发明中，通过S20以提高本发明方法的抗干扰性。

根据本发明的一种实施例，在S30中，利用线段连接法将多段片段化线段连接成两条直线包括：

S31、对多段片段化线段进行形态学闭运算和矩形化处理，得到与每段片段化线段一一对应的矩形，并获取每个矩形的长边长度和偏移角度；

S32、由于长边的长度越长，置信分数越高，因此将长边长度最大的矩形作为第一候选矩形，从而将最长的线段作为连接的起始线段；将长边长度大于预设长度且小于第一候选矩形长边长度的矩形作为第一参考矩形，以删除可能存在的错误预警或者避免过短线段造成角度的误判；

S33、获取每个第一参考矩形的中心到第一候选矩形的中心的欧式距离；

S34、获取欧式距离小于预设距离的所有第一参考矩形，并获取每个欧式距离小于预设距离的第一参考矩形的偏移角度与第一候选矩形的偏移角度差值的绝对值，作为第一角度差；

S35、获取第一角度差小于预设角度的所有第一参考矩形，并将每个第一角度差小于预设角度的第一参考矩形对应的片段化线段按照欧式距离从小到大的顺序依次与第一候选矩形对应的片段化线段相连，得到第一条直线；

S36、将不包含在第一条直线内的所有片段化线段对应的长边长度最大的矩形作为第二候选矩形，将长边长度大于预设长度且小于第二候选矩形长边长度且不包含在第一条直线内的矩形作为第二参考矩形；

S37、获取每个第二参考矩形的中心到第二候选矩形的中心的欧式距离；

S38、获取欧式距离小于预设距离的所有第二参考矩形，并获取每个欧式距离小于预设距离的第二参考矩形的偏移角度与第二候选矩形的偏移角度差值的绝对值，作为第二角度差；

S39、获取第二角度差小于预设角度的所有第二参考矩形，并将每个第二角度差小于预设角度的第二参考矩形对应的片段化线段按照欧式距离从小到大的顺序依次与第二候选矩形对应的片段化线段相连，得到第二条直线。

在本发明的S31中，对多段片段化线段进行形态学闭运算包括对多段片段化线段进行膨胀和腐蚀处理，以得到闭合的多段片段化线段，可以表示为下式：

式中，I_c表示闭合的多段片段化线段，I_p表示多段片段化线段，K为3×3运算核。

将闭合的多段片段化线段进行矩形化处理，得到与每段片段化线段一一对应的矩形r_i，也就是得到一个矩形集R，R＝{r₁，r₂，...，r_i，...，r_m}，m为矩形的总数。l_i为矩形r_i的长边长度，θ_i为矩形r_i的偏移角度，如图3所示，其中，偏移角度也就是矩形的长边与水平方向的夹角。

在本发明的S33或S37中，通过下式获取每个第一/第二参考矩形的中心到第一/第二候选矩形的中心的欧式距离d_ij，如图4所示：

式中，l_i(c_x，c_y)为第一/第二候选矩形的中心坐标，l_j(c′_x，c′_y)为第j个第一/第二参考矩形的中心坐标，||·||₂为L2范数。

在本发明的S34或S38中，通过下式获取第一/第二角度差Δθ_ij：

Δθ_ij＝|θ_i-θ_j|；

式中，θ_i为第一/第二候选矩形的偏移角度，θ_j为第j个第一/第二参考矩形的偏移角度。

此外，在本实施例中，可以采用如下阈值参数，预设长度L_th＝10，预设距离D_th＝150，预设角度θ_th＝3。

为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。

此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本发明保护范围的限制。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。