[發(fā)明專(zhuān)利]一種基于改進(jìn)DeepLabV3+網(wǎng)絡(luò)的機(jī)械零部件圖像分割算法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210184465.1
• 申請(qǐng)日: 2022-02-25
• 公開(kāi)（公告）號(hào): CN114627290A
• 公開(kāi)（公告）日: 2022-06-14
• 發(fā)明（設(shè)計(jì)）人: 付生鵬;侯維廣;夏仁波;趙吉賓;孫海濤;張誠(chéng)
• 申請(qǐng)（專(zhuān)利權(quán)）人: 中國(guó)科學(xué)院沈陽(yáng)自動(dòng)化研究所;沈陽(yáng)智能機(jī)器人創(chuàng)新中心有限公司;沈陽(yáng)智能機(jī)器人國(guó)家研究院有限公司
• 主分類(lèi)號(hào): G06V10/26
• 分類(lèi)號(hào): G06V10/26;G06V10/80;G06V10/52;G06V10/82;G06V10/774;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 沈陽(yáng)科苑專(zhuān)利商標(biāo)代理有限公司 21002
• 代理人: 周宇

本發(fā)明涉及一種基于改進(jìn)DeepLabV3+網(wǎng)絡(luò)的機(jī)械零部件圖像分割算法。包括：首先，在主干網(wǎng)絡(luò)中引入注意力機(jī)制來(lái)提升有效特征信息的重要性，增強(qiáng)對(duì)零部件目標(biāo)的學(xué)習(xí)能力。其次，增加底層特征來(lái)源以充分利用特征融合分支進(jìn)行自適應(yīng)學(xué)習(xí)低級(jí)特征的空間信息，并且將原4倍上采樣操作分解為逐層上采樣，減少了重要像素信息的丟失。最后，使用不對(duì)稱(chēng)卷積來(lái)增強(qiáng)解碼層中3×3卷積的核骨架部分，提高了卷積核的處理能力以及模型精度。本發(fā)明方法實(shí)現(xiàn)了對(duì)零部件圖像中的零部件區(qū)域的準(zhǔn)確分割，有效彌補(bǔ)了傳統(tǒng)DeepLabV3+對(duì)零部件圖像分割時(shí)存在邊緣分割模糊、不完全分割的問(wèn)題，同時(shí)具有一定的實(shí)時(shí)性，提升工業(yè)化效率。

技術(shù)領(lǐng)域

本發(fā)明涉及深度學(xué)習(xí)和計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域,具體的說(shuō)是一種基于改進(jìn)DeepLabV3+網(wǎng)絡(luò)的機(jī)械零部件圖像分割算法。

背景技術(shù)

零件的識(shí)別分割作為工業(yè)機(jī)器人智能抓取視覺(jué)任務(wù)的重要組成部分，其分割結(jié)果將對(duì)抓取任務(wù)的順利進(jìn)行產(chǎn)生極大的影響。在對(duì)零部件識(shí)別分割的研究中，先是使用HOG算法、Canny邊緣檢測(cè)和Sobel算子等傳統(tǒng)算法進(jìn)行特征提取，但這些傳統(tǒng)方法的零件特征識(shí)別精度主要取決于人工選擇特征提取法的質(zhì)量，且在多目標(biāo)機(jī)械零部件圖像中識(shí)別效果不佳；隨著卷積神經(jīng)網(wǎng)絡(luò)算法被逐步提出，提取零部件圖像區(qū)域的方法常為目標(biāo)檢測(cè)或語(yǔ)義分割，目標(biāo)檢測(cè)方法中常用R-CNN，SS和YOLO系列等，但由于實(shí)際場(chǎng)景中零件種類(lèi)繁多，目標(biāo)檢測(cè)方法難以提取目標(biāo)輪廓和特定區(qū)域，但語(yǔ)義分割方法可以，常用方法為SegNet，U-Net和DeepLab系列等，但在分割的過(guò)程中，由于部分零部件圖像與背景相似，局部遮擋等問(wèn)題，增加了分割難度。

發(fā)明內(nèi)容

針對(duì)傳統(tǒng)DeepLabV3+分割零部件圖像時(shí)存在零件邊緣分割模糊，不完全分割等問(wèn)題，造成最終圖像分割準(zhǔn)確率低的問(wèn)題，提出了一種基于改進(jìn)DeepLabV3+網(wǎng)絡(luò)的機(jī)械零部件圖像分割算法，減少零部件圖像分割結(jié)果中邊界信息模糊，提高零部件分割算法的準(zhǔn)確度，以適應(yīng)目前工業(yè)化的零部件圖像分割。實(shí)驗(yàn)結(jié)果顯示本文的算法模型能夠取得不錯(cuò)的分割效果，對(duì)零部件圖像分割具有一定的參考意義。

本發(fā)明為實(shí)現(xiàn)上述目的所采用的技術(shù)方案是：一種基于改進(jìn)DeepLabV3+網(wǎng)絡(luò)的機(jī)械零部件圖像分割算法，包括以下步驟：

步驟一：采集原始零部件圖像；對(duì)零部件原始圖像中出現(xiàn)的1個(gè)或多個(gè)零部件邊界進(jìn)行分割標(biāo)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(shù)據(jù)集；

步驟二：對(duì)零部件圖像和人工分割圖像分別進(jìn)行數(shù)據(jù)增強(qiáng)處理擴(kuò)充樣本圖像，再按比例隨機(jī)劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集；

步驟三：搭建改進(jìn)DeepLabV3+的語(yǔ)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(yīng)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(jìn)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(duì)稱(chēng)卷積模塊，用于逐步恢復(fù)空間維度，輸出同尺寸的邊界分割結(jié)果圖；

步驟四：設(shè)置網(wǎng)絡(luò)訓(xùn)練參數(shù)，將訓(xùn)練集圖片輸入改進(jìn)DeepLabV3+的語(yǔ)義分割網(wǎng)絡(luò)進(jìn)行訓(xùn)練，利用驗(yàn)證集進(jìn)行驗(yàn)證，得到優(yōu)化的網(wǎng)絡(luò)模型；

步驟五：利用優(yōu)化的DeepLabV3+語(yǔ)義分割模型對(duì)測(cè)試集中的零部件圖像進(jìn)行識(shí)別預(yù)測(cè)，得到機(jī)械零部件分割結(jié)果圖。

所述數(shù)據(jù)增強(qiáng)包括旋轉(zhuǎn)、平移和添加噪聲操作。

所述旋轉(zhuǎn)包括水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)、±60°、±90°、±210°、±240°的旋轉(zhuǎn)；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(qiáng)后的數(shù)據(jù)集樣本按8：1：1的比例隨機(jī)劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。