[發(fā)明專利]基于數(shù)據(jù)增廣機(jī)器視覺的圖像檢測分割方法、系統(tǒng)、電子設(shè)備

有效

• 申請?zhí)枺?/td>: 202210267565.0
• 申請日: 2022-03-17
• 公開（公告）號: CN114612450B
• 公開（公告）日: 2023-09-05
• 發(fā)明（設(shè)計）人: 曹東
• 申請（專利權(quán)）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(jīng)緯專利商標(biāo)代理有限公司 32200
• 代理人: 朱小兵

本發(fā)明公開了一種基于數(shù)據(jù)增廣機(jī)器視覺的圖像檢測方法、系統(tǒng)、電子設(shè)備，涉及人工智能與機(jī)器視覺領(lǐng)域。本發(fā)明首先獲取砂石料堆圖像，制作出砂石料圖像原始數(shù)據(jù)集，然后建立數(shù)據(jù)集，基于數(shù)據(jù)增廣機(jī)器視覺算法適配缺失數(shù)據(jù)以實現(xiàn)模型泛化，實現(xiàn)對數(shù)據(jù)集砂石料圖像的檢測與分割，通過建立高相關(guān)二維特征參數(shù)，表征出砂石料顆粒的三維粒度公式，實現(xiàn)二維特征參數(shù)表征砂石料顆粒三維特征，計算得到砂石料圖像的三維粒度分布。本發(fā)明采用基于領(lǐng)域泛化元學(xué)習(xí)的全局卷積網(wǎng)絡(luò)機(jī)器視覺方法，實現(xiàn)了針對砂石料特征的自主學(xué)習(xí)，提高了圖像分割的精度及語義分割中分類和定位的準(zhǔn)確度，解決了不規(guī)則砂石顆粒圖像分割中存在的過分割和欠分割問題。

技術(shù)領(lǐng)域

本發(fā)明涉及一種智慧工廠機(jī)器視覺的圖像檢測分割方法，涉及人工智能與機(jī)器視覺領(lǐng)域。

背景技術(shù)

各類建筑行業(yè)對混凝土有大量需求，其中主要成分砂石的需求量同樣巨大。然而，在不同的建筑應(yīng)用場景中，混凝土對砂石顆粒大小的要求各不相同。所以針對高樓建筑、橋梁、公路建造等不同應(yīng)用場景，需要實時檢測砂石粒徑大小，檢測工作量巨大，人工抽樣檢測效率低、不準(zhǔn)確、主觀偏差大、準(zhǔn)確率無法保證。

現(xiàn)有采用領(lǐng)域泛化機(jī)器視覺的方法，利用圖像分割技術(shù)實現(xiàn)智能化的砂石料圖像檢測。以混凝土數(shù)字化生產(chǎn)流程為研究對象，其中間原材料砂石的顆粒度檢測對后續(xù)生產(chǎn)品控至關(guān)重要，為此，已經(jīng)有多種基于機(jī)器視覺的智能化檢測方法，砂石顆粒圖像邊緣檢測與圖像分割的難點在于其顆粒形狀不規(guī)則，并且顆粒之間互相堆疊，有時由于成像原因?qū)е骂w粒邊界模糊，所有這些都給圖像檢測帶來很大挑戰(zhàn)，相比具有規(guī)則幾何形狀的目標(biāo)檢測難度要增大很多。

與此相關(guān)的圖像分割與檢測方法有基于圖像紋理、灰度等將其進(jìn)行語義分割；或者根據(jù)灰度值結(jié)合閾值來進(jìn)行分割；有采用邊緣分割的方法；有采用形態(tài)學(xué)分水嶺分割圖像，包括結(jié)合標(biāo)記的方法提升性能；有采用深度學(xué)習(xí)全卷積分離分割模型的方法。所有這些方法容易產(chǎn)生過分割和欠分割問題。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是：針對背景技術(shù)中指出的不規(guī)則砂石顆粒圖像分割中其他方法存在的過分割和欠分割問題，提出一種基于數(shù)據(jù)增廣機(jī)器視覺的圖像檢測方法，解決不規(guī)則砂石顆粒圖像邊緣檢測與圖像分割問題。

本發(fā)明為解決技術(shù)問題而提出的技術(shù)方案如下：

本發(fā)明提出一種基于數(shù)據(jù)增廣機(jī)器視覺的圖像檢測分割方法，本發(fā)明所涉及的數(shù)據(jù)增廣采用領(lǐng)域泛化方法，領(lǐng)域泛化是領(lǐng)域自適應(yīng)方法的進(jìn)階，都屬于人工智能領(lǐng)域的遷移學(xué)習(xí)方法類，應(yīng)用于不規(guī)則砂石顆粒圖像邊緣檢測與圖像分割，把源任務(wù)模型的訓(xùn)練結(jié)果作為初始權(quán)重，實現(xiàn)源模型遷移學(xué)習(xí)，擬合能力和泛化性能顯著提升，具體包括如下步驟：

S1、獲取砂石料堆圖像，制作出砂石料圖像原始數(shù)據(jù)集；

S2、對原始數(shù)據(jù)集進(jìn)行預(yù)處理，構(gòu)建訓(xùn)練集、驗證集和測試集；

S3、基于數(shù)據(jù)增廣機(jī)器視覺算法適配缺失數(shù)據(jù)以實現(xiàn)模型泛化；

S4、根據(jù)步驟S3的泛化模型，基于訓(xùn)練集采用GCN算法進(jìn)行遷移學(xué)習(xí)，實現(xiàn)對數(shù)據(jù)集砂石料圖像的檢測與分割，在模型訓(xùn)練的過程中，結(jié)合數(shù)據(jù)集規(guī)模、圖像掃描迭代周期次數(shù)、損失函數(shù)收斂曲線因素，進(jìn)行模型超參數(shù)的初步適配；

S5、把初步訓(xùn)練完成的語義分割模型在驗證集上進(jìn)行驗證，根據(jù)推理精度，進(jìn)一步調(diào)適網(wǎng)絡(luò)模型超參數(shù)；

S6、重復(fù)步驟S4-S5，得到優(yōu)化全局卷積網(wǎng)絡(luò)語義分割模型，在測試集上推理得到測試集精度；

S7、如果優(yōu)化全局卷積網(wǎng)絡(luò)語義分割模型在測試集精度沒有達(dá)到預(yù)設(shè)閾值，那么重復(fù)步驟S4至步驟S6，直至符合預(yù)設(shè)閾值條件，進(jìn)入步驟S8；

S8、從訓(xùn)練集中隨機(jī)抽取n組圖像，采用全局卷積網(wǎng)絡(luò)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(tài)特征參數(shù)進(jìn)行關(guān)聯(lián)性計算，找出與混合料三維粒度相關(guān)性最高的二維特征參數(shù)；