申请/专利权人:河南科技学院
申请日:2023-12-13
公开(公告)日:2024-02-13
公开(公告)号:CN117392392B
主分类号:G06V10/26
分类号:G06V10/26;G06V10/44;G06V10/77;G06V10/80;G06V10/82;G06N3/0455;G06N3/0464;G06N3/048;G06N3/084
优先权:
专利状态码:有效-授权
法律状态:2024.02.13#授权;2024.01.30#实质审查的生效;2024.01.12#公开
摘要:本发明提供一种割胶线识别与生成方法,包括以下步骤:搭建网络模型,并对网络模型进行训练,将待处理图像输入网络模型,并输出特征图,对特征图进行多尺度特征融合,使用softmax函数对多尺度特征融合输出结果中的像素点进行分类,得到最终的分割结果。在编码器中,图像中每个像素点的特征映射都会通过一个注意力模块生成一个注意力权重,用于调整解码器路径中相应特征映射的权重;然后,ASPP模块通过多尺度特征融合生成更强大的特征表示,并将生成的特征传递给解码器路径,从而提高网络的分割性能;最后,在解码器路径中,将编码器路径中的特征映射解码为分割结果,并将注意力权重应用于特征映射,以进一步优化分割结果。
主权项:1.一种割胶线识别与生成方法,其特征在于:包括以下步骤:步骤1:搭建网络模型,网络模型搭建包括以下步骤:步骤1.1:对输入图像进行预处理,并得到图像大小固定的572×572单通道的特征图;步骤1.2:将特征图输入到网络模型中;步骤1.3:通过编码器路经对特征图进行四次下采样处理;步骤1.4:计算输入数据的权重分布,调整输入数据的权重分布,使得模型能够聚焦于输入数据的重要部分;采用空洞卷积来捕捉更大范围的上下文信息,同时使用多尺度特征融合来将不同空间尺度的特征进行融合;步骤1.5:通过解码器路经对512通道特征图进行四次上采样处理,完成网络模型搭建;步骤2:对网络模型进行训练;步骤3:将待处理图像输入网络模型,并输出特征图m,对特征图m进行多尺度特征融合;多尺度特征融合包括一下步骤:步骤3.1:将特征图进行1×1卷积操作;步骤3.2:分别通过GMP与GAP后的两个结果均进行全连接操作得到特征图mm与ma;步骤3.3:将mm与ma逐元素求和得到通道注意力特征图mc;步骤3.4:获得一维数组J1,J1=m·mc;步骤3.5:利用空洞率为6,12,18的3个3×3空洞卷积分别对特征图J1进行处理,并分别得到特征图d6J1,d12J1,d18J1;步骤3.6:利用Concat操作将特征图d6J1,d12J1,d18J1进行融合,并得到空间注意力特征图ms,ms=C[d6J1,d12J1,d18J1];其中,c为卷积操作;C[]为Concat操作;di为空洞率为i的空洞卷积操作;ms为空间注意力特征图,ms经过一层1×1卷积运算转化为一个一维数组J2,一维数组J2包含了该空间注意力特征图中特征点的所有信息;步骤3.7:最终多尺度特征融合输出结果为:O=J1·J2O表示原始图片中局部细节特征的集合,集合中每一个元素x表示图像中的一个特征点;步骤4:使用softmax函数对O中每个像素点进行分类,得到最终的分割结果。
全文数据:
权利要求:
百度查询: 河南科技学院 一种割胶线识别与生成方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。