[發(fā)明專利]基于Mask RCNN的圖像分割模型訓(xùn)練方法及粒徑檢測方法

在審

• 申請?zhí)枺?/td>: 202110771044.4
• 申請日: 2021-07-07
• 公開（公告）號: CN113408478A
• 公開（公告）日: 2021-09-17
• 發(fā)明（設(shè)計(jì)）人: 甘化新;劉洪;張振華;胡吉鋒;陳勝平;陳林空
• 申請（專利權(quán)）人: 深圳市宏申工業(yè)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

本申請公開了基于Mask RCNN的圖像分割模型訓(xùn)練方法及粒徑檢測方法，訓(xùn)練方法包括：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(jìn)行特征提取，以得到特征圖；通過RPN生成錨框，并根據(jù)RPN回歸分支的輸出結(jié)果對錨框進(jìn)行修正，且選擇預(yù)定數(shù)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(jì)算石子輪廓與樣例圖像標(biāo)記的真實(shí)輪廓之間的偏移量，根據(jù)偏移量對Mask RCNN神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行更新。本申請具有提高粒度檢測精準(zhǔn)度的效果。

技術(shù)領(lǐng)域

本發(fā)明涉及機(jī)器視覺分析領(lǐng)域，尤其是涉及基于Mask RCNN的圖像分割模型訓(xùn)練方法及粒徑檢測方法。

背景技術(shù)

碎石骨料生產(chǎn)企業(yè)通常是采用破碎機(jī)對石料進(jìn)行破碎，用機(jī)械篩或者振動篩進(jìn)行碎石骨料的篩分，來生產(chǎn)出各種規(guī)格的碎石骨料成品。生產(chǎn)出來的碎石骨料是否符合標(biāo)準(zhǔn)，是否存在超標(biāo)(超長料、針狀料等)，這個檢測的工作也非常關(guān)鍵，比如：篩網(wǎng)破損，導(dǎo)致超規(guī)大料混入，會影響了成品的規(guī)格構(gòu)成等，如不能及時檢出發(fā)現(xiàn)異常，會影響產(chǎn)成品的質(zhì)量，給碎石生產(chǎn)企業(yè)帶來較大的經(jīng)濟(jì)損失。

有色金屬冶煉行業(yè)在其礦石解離工序中使用多層破碎機(jī)對大塊礦石進(jìn)行破碎，破碎后的礦石粒度檢測，也存在碎石骨料生產(chǎn)企業(yè)面臨的類似的狀況。

隨著機(jī)器視覺的發(fā)展，國內(nèi)外的研究機(jī)構(gòu)均投入大量的精力試圖用計(jì)算機(jī)視覺技術(shù)對礦石骨料進(jìn)行檢測，現(xiàn)有的采用機(jī)器視覺對礦石骨料進(jìn)行粒度檢測的做法中，應(yīng)用最為廣泛的是基于分水嶺變換的分割算法，在閾值分割的結(jié)果上進(jìn)行分水嶺變換，將礦石骨料圖像分割成單個封閉的礦石區(qū)域從而進(jìn)行粒度測量，該算法極易造成過分割和欠分割；后來提出的凹點(diǎn)匹配法解決這兩個問題，但由于礦石骨料堆疊的復(fù)雜性以及礦石本身形狀的復(fù)雜性，凹點(diǎn)匹配法的魯棒性很低，很容易造成二次錯分割，這些問題都會造成粒度統(tǒng)計(jì)結(jié)果產(chǎn)生較大的偏差。

發(fā)明內(nèi)容

為了提高粒度檢測的精準(zhǔn)度，本申請?zhí)峁┝嘶贛ask RCNN的圖像分割模型訓(xùn)練方法及粒徑檢測方法。

第一方面，本申請?zhí)峁┮环N基于Mask RCNN的圖像分割模型訓(xùn)練方法，采用如下的技術(shù)方案：

一種基于Mask RCNN的圖像分割模型訓(xùn)練方法，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(jìn)行特征提取，以得到特征圖；

通過RPN生成錨框，并根據(jù)RPN回歸分支的輸出結(jié)果對錨框進(jìn)行修正，且選擇預(yù)定數(shù)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(jì)算石子輪廓與樣例圖像標(biāo)記的真實(shí)輪廓之間的偏移量，根據(jù)偏移量對Mask RCNN神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行更新；

判斷偏移量是否達(dá)標(biāo)，若否，則重復(fù)上述步驟；若是，則完成Mask RCNN模型的訓(xùn)練。

通過采用上述技術(shù)方案，利用神經(jīng)網(wǎng)絡(luò)對石子的圖像進(jìn)行分割，并將分割得到的石子輪廓與真實(shí)輪廓進(jìn)行對比，然后調(diào)整神經(jīng)網(wǎng)絡(luò)的參數(shù)，并訓(xùn)練得到Mask RCNN模型，使Mask RCNN模型能準(zhǔn)確分割并得到的石子輪廓，有效提高了分割的精準(zhǔn)度。

可選的，計(jì)算石子輪廓與樣例圖像標(biāo)記的真實(shí)輪廓之間的偏移量，根據(jù)偏移量對Mask RCNN神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行更新，包括：

利用損失公式計(jì)算石子輪廓相對于真實(shí)輪廓的偏移量，損失公式：

式中：Loss為偏移量，n為樣本個數(shù)，為真實(shí)輪廓的坐標(biāo)軸的坐標(biāo)，x_i為石子輪廓相應(yīng)的預(yù)測坐標(biāo)；