[發(fā)明專利]一種基于YOLACT++車身表面損傷檢測(cè)及掩膜生成方法和存儲(chǔ)設(shè)備

有效

• 申請(qǐng)?zhí)枺?/td>: 202010839019.0
• 申請(qǐng)日: 2020-08-19
• 公開（公告）號(hào): CN112001294B
• 公開（公告）日: 2023-05-12
• 發(fā)明（設(shè)計(jì)）人: 林少丹;馮晨
• 申請(qǐng)（專利權(quán)）人: 福建船政交通職業(yè)學(xué)院
• 主分類號(hào): G06V20/40
• 分類號(hào): G06V20/40;G06V10/26;G06V10/40;G06V10/764;G06V10/766;G06V10/774;G06V10/82;G06N3/045;G06N3/0464;G06N3/08
• 代理公司: 福州市景弘專利代理事務(wù)所(普通合伙) 35219
• 代理人: 林祥翔;魏小霞

本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，特別涉及一種基于YOLACT++的車身表面損傷檢測(cè)及掩膜生成方法和存儲(chǔ)設(shè)備。所述一種基于YOLACT++的車身表面損傷檢測(cè)及掩膜生成方法，包括步驟：通過視頻數(shù)據(jù)采集并生成預(yù)設(shè)大小值的車體表面損傷區(qū)域圖像；輸入所述預(yù)設(shè)大小值的車體表面損傷區(qū)域圖像至主干網(wǎng)絡(luò)中進(jìn)行特征提??；輸入提取的特征張量至PredictionHeader和ProtoNet兩個(gè)并行處理分支中處理；通過目標(biāo)原型掩膜張量及掩膜系數(shù)計(jì)算出最優(yōu)原型掩膜；根據(jù)所述最優(yōu)原型掩膜及所述目標(biāo)原型掩膜的目標(biāo)定位，分割出損傷區(qū)域；在所述分割出的損傷區(qū)域上生成對(duì)應(yīng)的掩膜。通過引入掩膜系數(shù)，參與至最優(yōu)原型掩膜生成，大大提高損傷區(qū)域定位的準(zhǔn)確度。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，特別涉及一種基于YOLACT++車身表面損傷檢測(cè)及掩膜生成方法和存儲(chǔ)設(shè)備。

背景技術(shù)

隨著生活水平的提高，幾乎家家戶戶都有自己的車，而車在使用的過程中，難免會(huì)發(fā)生一些刮碰導(dǎo)致車體表面損失，傳統(tǒng)的車輛修復(fù)靠人工識(shí)別，完整修復(fù)的難度較大、修復(fù)時(shí)間較長(zhǎng)。

近年來，開始采用車體表面損傷檢測(cè)來對(duì)車輛損害進(jìn)行評(píng)估。然而盡管各種識(shí)別技術(shù)不斷向前演進(jìn)，但最關(guān)鍵的識(shí)別效果尚未達(dá)到理想程度，更難以實(shí)現(xiàn)大范圍普及。如采用ResNET101進(jìn)行檢測(cè)，由于主干網(wǎng)絡(luò)的參數(shù)量過大對(duì)檢測(cè)性能的應(yīng)許更大，及原有的模型中目標(biāo)查準(zhǔn)率相對(duì)較低，檢測(cè)效果較差，在進(jìn)行車身表面損傷檢測(cè)時(shí)，掩膜生成分支進(jìn)行實(shí)例分割時(shí)存在分割不精準(zhǔn)或者將微小干擾物也生成掩膜出來的問題。

發(fā)明內(nèi)容

為此，需要提供一種基于YOLACT++車身表面損傷檢測(cè)及掩膜生成方法，用以解決現(xiàn)有車輛表面損傷檢測(cè)及掩膜生成準(zhǔn)確率低的問題，具體技術(shù)方案如下：

一種基于YOLACT++車身表面損傷檢測(cè)及掩膜生成方法，包括步驟：

通過視頻數(shù)據(jù)采集并生成預(yù)設(shè)大小值的車體表面損傷區(qū)域圖像；

輸入所述預(yù)設(shè)大小值的車體表面損傷區(qū)域圖像至主干網(wǎng)絡(luò)中進(jìn)行特征提??；

輸入提取的特征張量至PredictionHeader和ProtoNet兩個(gè)并行處理分支中處理；

通過ProtoNet對(duì)特征張量進(jìn)行卷積操作生成目標(biāo)原型掩膜；

通過PredictionHeader對(duì)所述目標(biāo)原型掩膜進(jìn)行操作生成對(duì)應(yīng)掩膜系數(shù)，及圈定所述目標(biāo)原型掩膜的目標(biāo)定位；

通過目標(biāo)原型掩膜張量及掩膜系數(shù)計(jì)算出最優(yōu)原型掩膜；

根據(jù)所述最優(yōu)原型掩膜及所述目標(biāo)原型掩膜的目標(biāo)定位，分割出損傷區(qū)域；

在所述分割出的損傷區(qū)域上生成對(duì)應(yīng)的掩膜。

進(jìn)一步的，所述主干網(wǎng)絡(luò)包括：EfficientNet-B0和FPN。

進(jìn)一步的，所述“通過ProtoNet對(duì)特征張量進(jìn)行卷積操作生成目標(biāo)原型掩膜”，還包括步驟：通過全連接網(wǎng)絡(luò)生成預(yù)設(shè)大小值的原型掩膜，并與通過MaskIOU-Net生成的掩膜特征向量結(jié)合生成目標(biāo)原型掩膜。

進(jìn)一步的，所述“通過PredictionHeader對(duì)所述目標(biāo)原型掩膜進(jìn)行操作生成對(duì)應(yīng)掩膜系數(shù)，及圈定所述目標(biāo)原型掩膜的目標(biāo)定位”，還包括步驟：通過PredictionHeader生成每個(gè)anchor的掩膜系數(shù)的向量、分類向量和anchor-box向量，并通過Fast-NMS對(duì)anchor-box向量進(jìn)行篩選處理。

進(jìn)一步的，所述“通過目標(biāo)原型掩膜張量及掩膜系數(shù)計(jì)算出最優(yōu)原型掩膜”，還包括步驟：采用預(yù)測(cè)的掩膜與真實(shí)的掩膜兩者像素集二值交叉熵生成所述最優(yōu)原型掩膜的損失函數(shù)值；

所述最優(yōu)原型掩膜的損失函數(shù)值由：分類損失函數(shù)值、預(yù)測(cè)框損失函數(shù)值和掩膜生成損失函數(shù)值相加所得。