[發(fā)明專利]一種基于改進DeepLab的果園場景多類別實時分割方法

在審

• 申請?zhí)枺?/td>: 202010434177.8
• 申請日: 2020-05-21
• 公開（公告）號: CN111860514A
• 公開（公告）日: 2020-10-30
• 發(fā)明（設計）人: 劉慧;姜建濱;沈躍;莊珍珍
• 申請（專利權）人: 江蘇大學
• 主分類號: G06K9/34
• 分類號: G06K9/34;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于改進DeepLab的果園場景多類別實時分割方法，其特征在于，包括如下步驟：

步驟1：構建果園場景下多類別圖像的數(shù)據集；

步驟2：在TensorFlow深度學習框架上，搭建基于改進DeepLab的語義分割模型；

步驟3：將模型中的參數(shù)初始化以得到預訓練模型；

步驟4：通過步驟1中的數(shù)據集對所建立的模型進行訓練；

步驟5：采用ZED雙目立體相機拍攝新的果園場景圖像，并輸入至語義分割模型檢測和識別。

2.根據權利要求書1所述的一種基于改進DeepLab的果園場景多類別實時分割方法，其特征在于，所述步驟1的具體過程為：

1.1)采用ZED雙目攝像頭，將其裝在履帶式噴霧機上，通過上位機拍攝大量不同條件下果園場景視頻，并按一定幀數(shù)抽取圖片，按照3:1:1的比例分為訓練集、驗證集和測試集，三者沒有交集；

1.2)對抽取的所有圖片進行標注，標注的對象為所要分割的植株、行人等障礙物目標；

1.3)通過翻轉、平移、尺度、對比度變換等方法對訓練集進行預處理，并且進行特征縮放，使得所有特征在同一數(shù)量級。

3.根據權利要求書1所述的一種基于改進DeepLab的果園場景多類別實時分割方法，其特征在于，所述步驟2的具體過程為：

2.1)將MobileNetV3最后的1x1卷積層移除后代替原來的Xception網絡作為基礎網絡，用來特征提取；

2.2)采用HDC代替原有的空洞卷積，以解決空洞卷積所帶來的空間信息丟失問題，會造成網格效應，比如邊緣信息，其作為分割的很直觀的評判標準；

2.3)在HDC的池化層加入一個offset函數(shù)，即添加了位移變量，這個變量根據數(shù)據的情況學習，偏移后，卷積核的每個點(或者說是方塊)產生可伸縮的變化，從而改變了感受野的范圍，感受野成了一個多邊形(或者不規(guī)則形狀)，生成可變形的HDC，更適應于不同形狀對象的特征定位捕獲。

4.根據權利要求書1所述的一種基于改進DeepLab的果園場景多類別實時分割方法，其特征在于，所述步驟3的具體過程為：

3.1)將構建的模型在ImageNet數(shù)據集上進行分類訓練；

3.2)通過刪除最后幾層的下采樣操作，采用雙線性差值方法并對相應的過濾內核進行上采樣，以提取到與原圖像大小一致的特征圖；

3.3)對混合擴張卷積層參數(shù)使用均值為0，方差為2/n的高斯分布進行初始化。

5.根據權利要求書1所述的一種基于DeepLab的果園場景多類別實時分割方法，其特征在于，所述步驟4的具體方法為：

4.1)訓練所采用的損失函數(shù)為交叉熵損失函數(shù)：

其中：

M——類別的數(shù)量；

y_ic——指示變量(0或1)，如果該類別和樣本i的類別相同就是1，否則是0；

p_ic——對于觀測樣本i屬于類別c的預測概率；

4.2)混合擴張卷積層的學習率設置為基礎網絡的10倍，同時采用‘poly’學習率策略，即每次迭代按照：原始學習率*(1-當前迭代次數(shù)/最大迭代次數(shù))^0.9，重新計算新的學習率，可有效提升結果。

6.根據權利要求1所述的一種基于DeepLab的果園場景多類別實時分割方法，其特征在于，所述步驟5的具體方法為：

5.1)通過ZED攝像頭裝在小車上，拍攝若干新的果園場景作為模型的輸入，經過模型的檢測和識別，得到目標對象的分割結果；

5.2)通過DenseCRF的后處理，得到邊緣更為清晰的分割結果。