图像分割方法、设备和计算机可读存储介质技术

本发明专利技术公开一种图像分割方法、设备和计算机可读存储介质，所述图像分割方法包括：获得原始图像；将所述原始图像输入至预先训练的神经网络进行计算，计算分类所述第一图像中的每一物体，获得对应每一物体的像素点集。本发明专利技术具有准确分割出物体的每一像素，以达到定位准确和姿态判断准确的效果。

Image Segmentation Method, Equipment and Computer Readable Storage Media

The invention discloses an image segmentation method, equipment and computer readable storage medium. The image segmentation method includes obtaining the original image, inputting the original image into a pre-trained neural network for calculation, calculating and classifying each object in the first image, and obtaining a set of pixels corresponding to each object. The invention has the advantages of accurately segmenting every pixel of an object to achieve the effect of accurate positioning and accurate attitude judgment.

【技术实现步骤摘要】
图像分割方法、设备和计算机可读存储介质
本专利技术涉及机器人分拣领域，特别涉及图像分割方法、设备和计算机可读存储介质。
技术介绍
目前随着物流自动化的发展，机器人分拣也越来越火热。越来越多的货物需要快速进行分拣。在实际操作中，许多货物堆叠在一起，需要进行区分。但是，现有的图像分割算法通常仅算出一个大致的矩形边框，不能准确的涵盖物体的所有像素点，包含了大量的背景信息，并造成定位不准确，也无法得到准确的姿态。
技术实现思路
本专利技术的主要目的是提供图像分割方法、设备和计算机可读存储介质，旨在准确分割出物体的每一像素，以达到定位准确和姿态判断准确的效果。一种图像分割方法，用于物流系统中物体分割，所述图像分割方法包括：获得原始图像；将所述原始图像输入至预先训练的神经网络进行计算，计算分割所述第一图像中的每一物体，获得对应每一物体的像素点集。可选的，对原始图像通过神经网络降维算法，获得所述原始图像的降维图像；根据降维图像和预设的分类模型，对所述降维图像的每一像素进行分类；将降维图像通过神经网络升维算法，获得与所述原始图像大小相同的分类图像。可选的，所述分类模型的数量为多个；所述图像分割方法还包括：根据多个分类模型获得的分类图像的重叠情况进行调整，获得调整后的分类图像。可选的，所述图像分割方法还包括：获得多个训练图像；根据输入指令获得所述训练图像中完整度达到70％的物体的标注；根据所述训练图像和对应的标注对神经网络进行训练。可选的，多个所述训练模型包括处于多种形态，多种角度，多种距离和或多种光线的物体。本专利技术还提供了一种图像分割设备，用于物流系统中物体分割，所述图像分割设备包括处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的图像分割程序，所述图像分割程序被所述处理器执行时实现如下步骤：获得原始图像；将所述原始图像输入至预先训练的神经网络进行计算，计算分割所述第一图像中的每一物体，获得对应每一物体的像素点集。可选的，所述将所述原始图像输入至预先训练的神经网络进行计算，计算分类所述第一图像中的每一物体，获得对应每一物体的像素点集包括：对原始图像通过神经网络降维算法，获得所述原始图像的降维图像；根据降维图像和预设的分类模型，对所述降维图像的每一像素进行分类；将降维图像通过神经网络升维算法，获得与所述原始图像大小相同的分类图像。可选的，所述分类模型的数量为多个；所述图像分割方法还包括：根据多个分类模型获得的分类图像的重叠情况进行调整，获得调整后的分类图像。可选的，所述图像分割方法还包括：获得多个训练图像；根据输入指令获得所述训练图像中完整度达到70％的物体的标注；根据所述训练图像和对应的标注对神经网络进行训练。本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有图像分割程序，所述图像分割程序被处理器执行时实现如上述的图像分割方法的步骤。本专利技术所提供的图像分割方法，通过获得原始图像。再将所述原始图像输入至预先训练的神经网络进行计算，计算分类所述第一图像中的每一物体，获得对应每一物体的像素点集。从而利用了经过训练的神经网络能够高效和准确进行分类，从而获得对应每一物体的像素点集。从而再进行后续步骤时，能够定位准确，并且得到准确的姿态。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。图1为本专利技术图像分割方法第一实施例的流程图；图2为本专利技术图像分割方法第二实施例的部分流程图；图3为本专利技术图像分割方法第三实施例的部分流程图；本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。实施例一本实施例提供了一种图像分割方法，用于物流系统中物体分割。请参看图1，所述图像分割方法包括：步骤S101，获得原始图像。步骤S102，将所述原始图像输入至预先训练的神经网络进行计算，计算分割所述第一图像中的每一物体，获得对应每一物体的像素点集。在本实施例中，首先获得原始图像。本实施例中，原始图像为二维的RGB图像。在获得原始图像之后，再将所述原始图像输入至预先训练的神经网络进行计算，计算分类所述第一图像中的每一物体，获得对应每一物体的像素点集。其中，其中，将原始图像作为神经网络的输入。预先训练的神经网络，能够在获得输入值时，根据预先训练而获得的计算式，计算获得输出值。其中，神经网络可以通过FullyConvolutionalInstance-awareSemanticSegmentation方案来进行卷积，分类和升维的操作。通过对原始图像进行卷积处理，能够高效和准确实施像素分类。在分类之后，再对降维后的图片进行升维处理，从而获得分类图像。而分类图像与第一图像大小相同，则能够便于进行后续步骤中依据每一分类物体的像素点集的识别边框操作。从而为机械手的平移，提供坐标。本实施例所提供的图像分割方法，通过获得原始图像。再将所述原始图像输入至预先训练的神经网络进行计算，计算分类所述第一图像中的每一物体，获得对应每一物体的像素点集。从而利用了经过训练的神经网络能够高效和准确进行分类，从而获得对应每一物体的像素点集。从而再进行后续步骤时，能够定位准确，并且得到准确的姿态。实施例二本实施例提供了一种图像分割方法。本实施例在上述实施例的基础上，对步骤S102进行了进一步说明，请参看图2，具体如下：请查看图2，所述步骤S102，将所述原始图像输入至预先训练的神经网络进行计算，计算分类所述第一图像中的每一物体，获得对应每一物体的像素点集包括：步骤S201，对原始图像通过神经网络降维算法，获得所述原始图像的降维图像；步骤S202，根据降维图像和预设的分类模型，对所述降维图像的每一像素进行分类；步骤S203，将降维图像通过神经网络升维算法，获得与所述原始图像大小相同的分类图像。在本实施例中，首先对原始图像通过神经网络降维算法，获得所述原始图像的降维图像。其中，原始图像为拍照获得的二维RGB图像。这些原始图像当中包括需要分割出来的目标，以及背景杂物。神经网络是由大量的神经元N相互连接而成。每个神经元N代表一种特定的输出函数，称为激活函数(activationfunction)。每两个节点之间的连接代表加权值，称为权重(weight)。不同的权重和激活函数，则会导致神经网络不同的输出。在本实施例中，在获得降维图像之后，再根据降维图像和预设的分类模型，对所述降维图像的每一像素进行分类。其中，分类模型为预先训练后，获得的分类模型，并且保存在神经网络系统中。分类模型可以是多个，例如通过不同训练样本组单独训练出来的多个分类模型。通过将降维图像作为输入，利用分类模型作为运算过程，则可以获得所需的对每一像素进行分类的输出。在本实施例中，在对所述降维图像的每一像素进行分类之后，再将降维图像通过神经网络升维算法，获得与所述原始图像大小相同的分类图像。其中，升维算法可以是现有技术中常用的基于卷积神经网络(CNN)的算法，或者全连接卷积神经网络(FCN)的本文档来自技高网...

【技术保护点】
1.一种图像分割方法，用于物流系统中物体分割，其特征在于，所述图像分割方法包括：获得原始图像；将所述原始图像输入至预先训练的神经网络进行计算，计算分割所述第一图像中的每一物体，获得对应每一物体的像素点集。

【技术特征摘要】
1.一种图像分割方法，用于物流系统中物体分割，其特征在于，所述图像分割方法包括：获得原始图像；将所述原始图像输入至预先训练的神经网络进行计算，计算分割所述第一图像中的每一物体，获得对应每一物体的像素点集。2.如权利要求1所述的图像分割方法，其特征在于，所述将所述原始图像输入至预先训练的神经网络进行计算，计算分割所述第一图像中的每一物体，获得对应每一物体的像素点集包括：对原始图像通过神经网络降维算法，获得所述原始图像的降维图像；根据降维图像和预设的分类模型，对所述降维图像的每一像素进行分类；将降维图像通过神经网络升维算法，获得与所述原始图像大小相同的分类图像。3.如权利要求2所述的图像分割方法，其特征在于，所述分类模型的数量为多个；所述图像分割方法还包括：根据多个分类模型获得的分类图像的重叠情况进行调整，获得调整后的分类图像。4.如权利要求1所述的图像分割方法，其特征在于，所述图像分割方法还包括：获得多个训练图像；根据输入指令获得所述训练图像中完整度达到70％的物体的标注；根据所述训练图像和对应的标注对神经网络进行训练。5.如权利要求4所述的图像分割方法，其特征在于，多个所述训练模型包括处于多种形态，多种角度，多种距离和或多种光线的物体。6.一种图像分割设备，其特征在于，用于物流系统中物体分割，所述图像分割设备包括处理器...

【专利技术属性】
技术研发人员：吕仕杰，
申请(专利权)人：深圳蓝胖子机器人有限公司，
类型：发明
国别省市：广东,44