申请/专利权人：北京化工大学

申请日：2021-05-10

公开（公告）日：2024-04-26

公开（公告）号：CN113435470B

主分类号：G06V20/64

分类号：G06V20/64;G06V10/764;G06V10/774;G06V10/26;G06V10/25;G06T17/00;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2021.10.15#实质审查的生效;2021.09.24#公开

摘要：本发明属于图像识别技术领域，公开了一种基于语义分割的三维物体特征区域识别方法。在原有数据集传统数据增强方法的基础上，引入了高斯噪声的模糊处理，使得在物体模型细微之处的局部特征得以放大，提高了原始数据集的质量。本发明基于目前最新的语义分割网络Maskrcnn进行的改进，在保留原始语义分割架构的RPN,ROIAlign以及最后的三条分支三部分架构的基础上，加深了Resnet‑FPN网络架构，实现了多角度模型区域特征的提取与语义分割。解决了二维模型的局部区域特征映射到三维模型的特征矛盾问题，利用AdaBoost算法训练各个分类器的权重值，选取最优化的局部特征完成三维映射工作。本发明可以提高对三维物体模型特征识别的精度，实现精确到像素级别的语义分割。

主权项：1.一种基于语义分割的三维物体特征区域识别方法，具体步骤为：步骤1：将原始三维模型置于14面体中，投影之后得到二维数据集；步骤2：对步骤1制作的数据集进行数据增强，得到多种通道变换的复合数据集；步骤3：针对步骤2生成的复合数据集，基于原有的语义分割算法进行改进优化，原有的语义分割算法包含ResNet-FPN，RPN，ROIAlign以及最后的三条分支四部分，三条分支为mask分支，reg回归分支，cls分类分支，对ResNet-FPN进行改进；所述ResNet-FPN改进步骤如下：步骤31：保持原有语义分割架构里面的RPN，ROIAlign以及最后的三条分支三部分架构；步骤311：RPN的作用是用来提取由FPN架构生成图片模型特征信息的候选框；步骤312：ROIAlign的目的是确定分割所需要的像素位置，在下采样的时候，对像素进行对准，使得像素更加精确；步骤32：对原始ResNet-FPN架构进行网络加深；步骤321：Resnet是为了解决由于网络加深的梯度爆炸与梯度消失的问题而提出的网络架构，原始输入x经过多层卷积层与非线性Relu变换之后变为Fx，将原始x与生成变换之后的Fx相加，保留原始的维度信息以及增加的channel特征信息；步骤322：FPN用于提取原始图片模型的多层级特征，完成逐层次的特征叠加与特征分解；步骤4：利用步骤3生成的语义分割架构，将ResNet-FPN改进，加深网络结构，生成新的FPN架构，更好地提取模型特征信息与局部特征；具体为：步骤41：基于原有提取图片的不同深度特征信息的FPN架构，使用三个ResNet-FPN模块，模块之间经过卷积与池化，将原有的架构P2,P3,P4,P5分别与conv1,conv2,conv3,conv4进行concat拼接，生成新的多尺度检测方法；步骤42：利用步骤41生成的新型多尺度检测方法的输出作为两部分的输入，对featuremap中的每一点设定预定个的ROI，从而获得多个候选ROI；步骤43：利用步骤42的输出传入到RPN架构中，利用二分类Softmax损失函数进行分类，选择出其中是特征区域的样本；步骤44：利用步骤43生成的候选ROI进行ROIAlign操作；步骤45：最后，利用平均二值交叉熵损失函数对这些ROI进行分类，回归以及mask分支生成；步骤5：利用步骤4获得的语义分割架构，训练数据集的特征区域，生成对应的特征权重模型，共计5类特征，球状区域，方形区域，尖角形区域，薄壁区域与局部封闭区域，具体为：利用步骤45生成的语义分割的架构，对步骤2生成的复合数据集进行训练，生成权重模型，完成二维模型的特征训练；步骤6：利用步骤5得到的二维模型的局部区域特征，结合AdaBoost算法映射回原有的三维模型，完成在三维模型上的局部特征显示。

全文数据：

权利要求：

百度查询： 北京化工大学 一种基于语义分割的三维物体特征区域识别方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD