[發明專利]圖像分割方法、裝置、電子設備及可讀存儲介質

有效

• 申請號: 202010521844.6
• 申請日: 2020-06-10
• 公開（公告）號: CN111681273B
• 公開（公告）日: 2023-02-03
• 發明（設計）人: 張發恩
• 申請（專利權）人: 創新奇智（青島）科技有限公司
• 主分類號: G06T7/50
• 分類號: G06T7/50;G06T7/11;G06V10/80;G06V10/25;G06V10/774;G06V10/82
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 唐正瑜

1.一種圖像分割方法，其特征在于，用于通過神經網絡模型對圖像進行分割，所述方法包括：

通過所述神經網絡模型的特征提取模塊對待分割圖像進行不同尺度的特征提取，獲得X個不同尺度的特征，X為大于或等于2的整數；

取i為1至X-1，通過所述神經網絡模型的空間注意力模塊分別對第i個尺度的特征進行處理，獲得各個尺度的特征對應的空間注意力圖，所述空間注意力圖用于表征各個尺度的特征在所述待分割圖像中的注意力權重；

通過所述神經網絡模型的金字塔池化模塊對第X個尺度的特征進行深度特征提取，獲得感興趣區域特征；

通過所述神經網絡模型的特征融合模塊對所述空間注意力圖以及所述感興趣區域特征進行融合處理，獲得融合特征；

基于所述融合特征對所述待分割圖像進行分割，獲得分割結果；

所述特征融合模塊包括X-1個特征融合單元，所述通過所述神經網絡模型的特征融合模塊對所述空間注意力圖以及所述感興趣區域特征進行融合處理，獲得融合特征，包括：

通過第X-1個特征融合單元將所述感興趣區域特征與第X-1個空間注意力圖進行融合處理，獲得第X-1個融合特征；

依次取j為X-2到1，通過第j個特征融合單元將第j+1個融合特征與第j個空間注意力圖進行融合處理，獲得第j個融合特征，在j取1時，獲得最后的融合特征。

2.根據權利要求1所述的方法，其特征在于，所述金字塔池化模塊包括池化層、卷積層、上采樣層和拼接層，所述通過所述神經網絡模型的金字塔池化模塊對第X個尺度的特征進行深度特征提取，獲得感興趣區域特征，包括：

通過所述池化層對所述第X個尺度的特征進行不同尺度的池化操作，獲得多個不同尺度的特征；

通過所述卷積層分別對各個不同尺度的特征進行卷積操作，獲得對應的卷積特征；

通過所述上采樣層對各個卷積特征進行上采樣操作，獲得相同尺度的特征；

通過所述拼接層將各個相同尺度的特征進行拼接操作，獲得感興趣區域特征。

3.根據權利要求1所述的方法，其特征在于，所述空間注意力模塊包括X-1個空間注意力單元，每個空間注意力單元包括卷積層和sigmoid函數處理層，所述通過所述神經網絡模型的空間注意力模塊分別對第i個尺度的特征進行處理，獲得各個尺度的特征對應的空間注意力圖，包括：

通過第i個空間注意力單元中的卷積層分別對第i個尺度的特征進行特征提取，獲得包含像素特征的特征集合；

通過所述第i個空間注意力單元中的sigmoid函數處理層對所述特征集合進行處理，獲得對應的空間注意力圖。

4.根據權利要求1所述的方法，其特征在于，所述特征提取模塊包括X個特征提取單元，每個特征提取單元包括卷積層和最大值池化層，所述通過所述神經網絡模型的特征提取模塊對待分割圖像進行不同尺度的特征提取，獲得X個不同尺度的特征，包括：

通過第一個特征提取單元中的卷積層對所述待分割圖像進行卷積處理，獲得第一個卷積特征；

通過所述第一個特征提取單元中的最大值池化層對所述卷積特征進行下采樣處理，獲得第一個尺度的特征；

依次取k為2到X，通過第k個特征提取單元中的卷積層對第k個尺度的特征進行卷積處理，獲得第k個卷積特征；

通過所述第k個特征提取單元中的最大值池化層對第k個卷積特征進行下采樣處理，獲得第k個尺度的特征，在k取X時，共獲得X個不同尺度的特征。

5.根據權利要求1所述的方法，其特征在于，所述方法還包括：

獲取訓練圖像，所述訓練圖像包括多個分割區域，所述多個分割區域為標簽數據；

利用所述訓練圖像對所述神經網絡模型中的網絡參數進行訓練，在預設損失函數小于預設值時，確定所述神經網絡模型訓練完成，獲得訓練好的神經網絡模型。

6.根據權利要求1所述的方法，其特征在于，所述待分割圖像為帶有標簽的容器的圖像，所述獲得分割結果后，還包括：

基于所述分割結果，確定所述容器的標簽區域；

對所述標簽區域進行缺陷檢測，獲得表征所述容器的標簽是否有損壞的檢測結果。