[發明專利]一種基于改進DeepLabV3+網絡的機械零部件圖像分割算法

在審

• 申請號: 202210184465.1
• 申請日: 2022-02-25
• 公開（公告）號: CN114627290A
• 公開（公告）日: 2022-06-14
• 發明（設計）人: 付生鵬;侯維廣;夏仁波;趙吉賓;孫海濤;張誠
• 申請（專利權）人: 中國科學院沈陽自動化研究所;沈陽智能機器人創新中心有限公司;沈陽智能機器人國家研究院有限公司
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06V10/80;G06V10/52;G06V10/82;G06V10/774;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 沈陽科苑專利商標代理有限公司 21002
• 代理人: 周宇

1.一種基于改進DeepLabV3+網絡的機械零部件圖像分割算法，其特征在于，包括以下步驟：

步驟一：采集原始零部件圖像；對零部件原始圖像中出現的1個或多個零部件邊界進行分割標注得到人工分割圖像，將原始圖像與人工分割圖像共同建立零部件圖像數據集；

步驟二：對零部件圖像和人工分割圖像分別進行數據增強處理擴充樣本圖像，再按比例隨機劃分為訓練集、驗證集和測試集；

步驟三：搭建改進DeepLabV3+的語義分割模型，包括編碼層和解碼層；編碼層包括MobileNetV2和通道注意力模塊、自適應空間特征融合模塊ASFF、空間金字塔池模塊ASPP、1×1卷積模塊，用于將特征圖尺寸縮小，提取信息進行零部件邊界分割；解碼層包括1×1卷積模塊、上采樣操作、非對稱卷積模塊，用于逐步恢復空間維度，輸出同尺寸的邊界分割結果圖；

步驟四：設置網絡訓練參數，將訓練集圖片輸入改進DeepLabV3+的語義分割網絡進行訓練，利用驗證集進行驗證，得到優化的網絡模型；

步驟五：利用優化的DeepLabV3+語義分割模型對測試集中的零部件圖像進行識別預測，得到機械零部件分割結果圖。

2.根據權利要求1所述的一種基于改進DeepLabV3+網絡的機械零部件圖像分割算法，其特征在于，所述數據增強包括旋轉、平移和添加噪聲操作。

3.根據權利要求2所述的一種基于改進DeepLabV3+網絡的機械零部件圖像分割算法，其特征在于，所述旋轉包括水平翻轉、垂直翻轉、±60°、±90°、±210°、±240°的旋轉；所述平移包括右移100像素、下移100像素；以及添加0.001,0.002,0.003的椒鹽噪聲；最后將增強后的數據集樣本按8：1：1的比例隨機劃分為訓練集、驗證集和測試集。

4.根據權利要求1所述的一種基于改進DeepLabV3+網絡的機械零部件圖像分割算法，其特征在于，所述MobileNetV2和通道注意力模塊，將輸入的樣本圖像進行處理，輸出原圖1/4大小的底層特征圖、三個不同大小的特征層級圖以及原圖1/16大小的高層語義特征圖；其中三個不同大小的特征層級圖輸入到ASFF模塊后輸出融合特征圖至解碼層；高層語義特征輸入到ASPP結構中，并行經過1×1卷積，空洞率為6，12，18的空洞卷積繼續提取特征以及全局平均池化后對特征圖進行融合再輸出至1×1卷積模塊，得到的高層語義特征圖進入解碼層；

所述編碼層輸出的底層特征圖經過1×1卷積后與ASFF融合特征圖進行相加操作；然后與編碼層獲得的高層語義特征圖進行逐層2倍雙線性插值上采樣后的特征圖進行融合操作；之后對融合后的特征圖采用非對稱卷積，再經過逐層2倍上采樣操作后輸出最終的分割預測結果圖。

5.根據權利要求4所述的一種基于改進DeepLabV3+網絡的機械零部件圖像分割算法，其特征在于，所述ASFF模塊進行處理的步驟包括：

以三個不同大小的特征層級圖為輸入，分別記為x1，x2，x3，通過3×3卷積進行下采樣操作將特征層級x2和x3調整與x1的大小相同；

對尺寸調整后的特征層級圖x1，x2，x3按照融合特征公式來自適應學習各空間權重信息，得到融合特征圖y^l；所述l級融合特征公式如下：

其中，表示輸出特征圖y^l的第(i,j)特征向量，表示不同的三個層級到l級的空間重要性權重，且該權重信息共享于所有通道，表示為m級調整到l級的特征映射上位置(i,j)處的特征向量。

6.根據權利要求1所述的一種基于改進DeepLabV3+網絡的機械零部件圖像分割算法，其特征在于，所述逐層2倍雙線性插值上采樣替換原4倍上采樣用于像素的連續性，減少重要像素信息的丟失。