[發明專利]基于Mask RCNN的圖像分割模型訓練方法及粒徑檢測方法

在審

• 申請號: 202110771044.4
• 申請日: 2021-07-07
• 公開（公告）號: CN113408478A
• 公開（公告）日: 2021-09-17
• 發明（設計）人: 甘化新;劉洪;張振華;胡吉鋒;陳勝平;陳林空
• 申請（專利權）人: 深圳市宏申工業智能有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/46;G06K9/62;G06T5/00;G06T7/12;G06T7/13;G06T7/80;G06N3/04;G06N3/08
• 代理公司: 北京維正專利代理有限公司 11508
• 代理人: 吳珊

1.一種基于Mask RCNN的圖像分割模型訓練方法，其特征在于，包括以下步驟：

獲取石子的檢測圖像和樣例圖像；

將檢測圖像輸入CNN中，CNN對檢測圖像進行特征提取，以得到特征圖；

通過RPN生成錨框，并根據RPN回歸分支的輸出結果對錨框進行修正，且選擇預定數量的錨框以形成建議窗口；

把建議窗口映射到CNN最后一層的特征圖上，通過RoI Align層使每個建議窗口生成固定尺寸的RoI特征圖；

利用全連接層對RoI分類與邊框回歸，通過FCN生成每個RoI的mask，分割得到石子輪廓；計算石子輪廓與樣例圖像標記的真實輪廓之間的偏移量，根據偏移量對Mask RCNN神經網絡的參數進行更新；

判斷偏移量是否達標，若否，則重復上述步驟；若是，則完成Mask RCNN模型的訓練。

2.根據權利要求1所述的一種基于Mask RCNN的圖像分割模型訓練方法，其特征在于，所述計算石子輪廓與樣例圖像標記的真實輪廓之間的偏移量，根據偏移量對Mask RCNN神經網絡的參數進行更新，包括：

利用損失公式計算石子輪廓相對于真實輪廓的偏移量，損失公式：

式中：Loss為偏移量，n為樣本個數，為真實輪廓的坐標軸的坐標，x_i為石子輪廓相應的預測坐標；

記錄偏移量，繪制偏移量的損失曲線，并根據損失曲線調整學習率；

根據學習率調整偏移量的梯度，利用該梯度對Mask RCNN神經網絡的參數進行更新。

3.根據權利要求2所述的一種基于Mask RCNN的圖像分割模型訓練方法，其特征在于，所述記錄偏移量，繪制偏移量的損失曲線，并根據損失曲線調整學習率，包括：

計算損失曲線預定區間內的下降率，若下降率小于預定下降值，則增大學習率；

獲取預定區間內的偏移量，計算相鄰偏移量的差值，若差值小于預定誤差的次數大于預定次數，則減小學習率。

4.根據權利要求2所述的一種基于Mask RCNN的圖像分割模型訓練方法，其特征在于，所述根據學習率調整偏移量的梯度，利用該梯度對Mask RCNN神經網絡的參數進行更新，包括：

通過損失公式對x求導數，以得到關于x的導數；

計算學習率與導數的乘積，計算Mask RCNN模型的原參數與該乘積的差值，該差值為Mask RCNN模型更新后的參數。

5.根據權利要求1所述的一種基于Mask RCNN的圖像分割模型訓練方法，其特征在于，所述判斷偏移量是否達標，若否，則重復上述步驟；若是，則完成Mask RCNN模型的訓練，包括：

記錄偏移量小于預定偏移值的輪數，若偏移量小于預定偏移值的輪數大于預定輪數，則偏移量達標。

6.根據權利要求1所述的一種基于Mask RCNN的圖像分割模型訓練方法，其特征在于，獲取檢測圖像和樣例圖像，包括：

刪除原來保存測試圖片的文件夾，重建新的空文件夾；

對檢測圖像和樣例圖像進行畸變校準處理，然后再進行直方圖均衡化處理。

7.根據權利要求6所述的一種基于Mask RCNN的圖像分割模型訓練方法，其特征在于，所述對檢測圖像和樣例圖像進行畸變校準處理，然后再進行直方圖均衡化處理之后，還包括：將檢測圖像和樣例圖像均勻分割成若干預定尺寸的結果圖像，相鄰結果圖像的之間存在重疊面積；

對結果圖像進行旋轉變換和/或縮放變換，以得到若干檢測圖像和樣例圖像。

8.一種粒度檢測方法，其特征在于，包括以下步驟：

將檢測圖像輸入利用如權利要求1-7任一所述訓練方法得到的Mask RCNN模型中，以得到石子輪廓；

將石子輪廓映射到檢測圖像上，以得到石子的輪廓信息，并根據輪廓信息計算石子的粒徑信息；

判斷粒徑信息是否超過數量閾值，若超過，則進行預警。

9.根據權利要求8所述的一種粒度檢測方法，其特征在于，所述判斷粒徑信息是否超過數量閾值，若超過，則進行預警，包括：

將粒徑信息與預定粒徑進行比對，若粒徑信息大于預定粒徑，則統計預定粒徑的數目，以得到超值數量；

將超值數量與數量閾值進行比對，若超值數量大于數量閾值，則進行預警。