[發明專利]一種基于稠密連接的廢舊塑料圖像分割方法

有效

• 申請號: 202011443104.1
• 申請日: 2020-12-11
• 公開（公告）號: CN112541916B
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 文生平;馮澤鋒
• 申請（專利權）人: 華南理工大學
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06N3/084;G06V10/82;G06V10/774;G06V10/764;G06N3/082
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李斌

1.一種基于稠密連接的廢舊塑料圖像分割方法，其特征在于，包括以下步驟：

采集廢舊塑料圖像，得到采集圖像，將采集圖像劃分為驗證集和訓練集，利用圖像標注工具對采集圖像進行語義標簽標注；

對帶語義標簽的采集圖像及其標簽進行局部數據增廣，對增廣后的局部圖像進行預處理，將局部圖像與對應的語義標簽轉化為張量后，對圖像張量進行正則化，得到訓練數據；

模型訓練，將訓練數據輸入基于稠密連接的語義分割模型，進行空洞卷積下采樣，得到不同尺寸語義特征圖，基于雙線性插值的方法對不同尺寸語義特征圖進行上采樣，進行語義特征圖拼接；利用帶聚焦參數和平衡因子的交叉熵損失函數評估訓練結果，利用Adam算法進行反向傳播更新模型參數；帶聚焦參數和平衡因子的交叉熵損失函數具體為：

FL(p_t)＝-α_t(1-p_t)^γlog(p_t)

其中，y為目標的真實語義標簽，p為模型預測y＝1的概率，γ為聚焦參數，γ＝2，α為平衡因子，α＝0.25；

損失越小，表示模型預測結果與真實標簽的差距越小，模型預測結果越好；

所述Adam算法以一階矩估計和二階矩估計作為根據，自適應調整參數更新的學習率，加速損失函數的收斂且減少其波動，公式為：

m_t＝β₁m_t-1+(1-β₁)g_t

v_t＝β₂v_t-1+(1-β₂)g_t²

其中，g_t為損失函數f(w_t)對待更新參數w_t的導數，m_t為一階動量項，v_t為二階動量項，β₁為一階矩估計的指數衰減率，β₁＝0.9，β₂為二階矩估計的指數衰減率，β₂＝0.999，ε為平滑項系數，ε＝10^-8；

所述基于稠密連接的語義分割模型包括基于稠密連接的骨干網絡，骨干網絡用于下采樣特征提取，包括稠密連接塊，所述稠密連接塊利用稠密連接的方式進行特征融合；稠密連接塊具體結構為堆疊的四層子處理層，每層子處理層由卷積、批標準化以及ReLU激活層組成，每一子處理層的輸入均為前面所有子處理層的輸出的拼接，稠密連接公式為：

x_l＝H_l([x₀,x₁,...,x_l-1])

其中，x_l為模塊中第l層子處理層的輸出，[]表示特征圖通道上的拼接操作，H_l表示卷積、批標準化以及ReLU激活運算；

循環模型訓練步驟，直至達到停止條件，保存模型以及模型參數，將模型用于實際廢舊塑料分選。

2.根據權利要求1所述的一種基于稠密連接的廢舊塑料圖像分割方法，其特征在于，所述劃分為驗證集和訓練集具體為將采集圖像按2:8比例劃分為驗證集和訓練集。

3.根據權利要求1所述的一種基于稠密連接的廢舊塑料圖像分割方法，其特征在于，所述局部數據增廣具體為：

對訓練集中完整的圖像與語義標簽通過隨機選取中心點的方式隨機劃分為48×48大小的局部圖像，通過該種隨機采樣方式，在每張圖像隨機選取3000張子圖像。