[發明專利]基于數據增廣機器視覺的圖像檢測分割方法、系統、電子設備

有效

• 申請號: 202210267565.0
• 申請日: 2022-03-17
• 公開（公告）號: CN114612450B
• 公開（公告）日: 2023-09-05
• 發明（設計）人: 曹東
• 申請（專利權）人: 無錫東如科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/12;G06T7/13;G06N3/0464;G06N3/08;G06V10/774;G06V10/82
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 朱小兵

1.一種基于數據增廣機器視覺的圖像檢測分割方法，其特征在于，包括如下步驟：

S1、獲取砂石料堆圖像，制作出砂石料圖像原始數據集；

S2、對原始數據集進行預處理，構建訓練集、驗證集和測試集；

S3、基于數據增廣機器視覺算法適配缺失數據以實現模型泛化；

S4、根據步驟S3的泛化模型，基于訓練集采用全局卷積網絡算法進行遷移學習，實現對數據集砂石料圖像的檢測與分割，在模型訓練的過程中，結合數據集規模、圖像掃描迭代周期次數、損失函數收斂曲線因素，進行模型超參數的初步適配；

S5、把初步訓練完成的語義分割模型在驗證集上進行驗證，根據推理精度，進一步調適網絡模型超參數；

S6、重復步驟S4-S5，得到優化全局卷積網絡語義分割模型，在測試集上推理得到測試集精度；

S7、如果優化全局卷積網絡語義分割模型在測試集精度沒有達到預設閾值，那么重復步驟S4至步驟S6，直至符合預設閾值條件，進入步驟S8；

S8、從訓練集中隨機抽取n組圖像，采用全局卷積網絡語義分割模型抽取圖像特征，然后基于近鄰成分分析特征選擇算法對這n組砂石料圖像二維形態特征參數進行關聯性計算，找出與混合料三維粒度相關性最高的二維特征參數；

S9、基于步驟S8得到的二維特征參數，表征出混合料的三維粒度公式，通過公式計算得到砂石料圖像的三維粒度分布，其中，砂石料圖像的三維粒度值是指顆粒度D_M：

其中，代表混合料顆粒等效圓直徑，σ代表混合料顆粒等效橢圓短軸，τ代表混合料顆粒最小柱狀直徑，φ代表混合料顆粒最大內接圓半徑；

步驟S3所述基于數據增廣機器視覺算法適配缺失數據以實現模型泛化，具體過程如下：

S301、構建砂石料圖像增強廣數據集：設砂石圖像數據集由N位數據工程師標注，每一位工程師標注的數據集稱為一個相對獨立的集，這N個數據集對應N個不同源集，復合數據集由N個源集組成，分別表示為每個人的標注風格對應不同的標簽集；

S302、在復合數據集上，隨機抽樣樣本數據，構建分組數據集

S303、在數據集上，根據狄利克雷分布函數計算,并據此構造數據集其中Dir(α)⁽ⁿ⁾是根據狄利克雷分布函數計算得到的權重，y_n表示數據(y₁,y₂,…,y_N)

其中α是狄利克雷分布參數，x表示樣本隨機變量，表示全局卷積網絡特征提取器，用于對圖像數據提取檢測分割特征；f^Dir表示數據集中的(x₁,x₂,…,x_N)的一個新組合，y^Dir表示數據集中的(y₁,y₂,…,y_N)的一個新組合，K為超參數，0KN,i＝1,2,…,K；

S304、構建代價函數：

其中表示表示全局卷積網絡特征分類器,在數據集和上，根據代價函數進行經典全局卷積網絡模型訓練；

S305、根據模型訓練是否收斂到預設閾值，重復實行步驟S302到步驟S304，直至模型訓練收斂達到預期，存儲訓練模型結果；

S306、輸出訓練參數到后續全局卷積網絡模型輸入接口。

2.根據權利要求1所述的圖像檢測分割方法，其特征在于，步驟S1是通過單目工業相機拍攝獲取砂石料堆圖像，制作出砂石料圖像原始數據集。

3.根據權利要求1所述的圖像檢測分割方法，其特征在于，步驟S2的數據預處理過程包括：數據標注、裁剪、增廣、數據清洗、數據集結構化。