一种基于多任务深度学习的TBM图像出渣分割方法技术

本发明专利技术公开了一种基于多任务深度学习的TBM图像出渣分割方法。将原始图像数据集和分割标签数据集送入第一图像分割神经网络中训练；将原始图像数据集和边缘标签数据集送入第二图像分割神经网络中训练；对于待处理的TBM图像分别输入到训练后的两个图像分割神经网络中，获得掩膜，将两个网络的掩膜进行融合，然后再进行反卷积处理而生成分割结果图；进行后处理消除图像上的细小点，生成石块粒径分布图，实现TBM图像出渣分割。本发明专利技术引入了石块边缘子任务学习轮廓信息，最后将两个子任务的输出结果做掩膜融合，有效的分离出相互接触的石块，从而增多了检测到的石块数量。相比于单一任务深度学习分割算法，本发明专利技术的分割精度和准确度大大提高。

【技术实现步骤摘要】
一种基于多任务深度学习的TBM图像出渣分割方法
本专利技术涉及一种在TBM系统下的图像出渣分割方法，特别涉及一种基于多任务深度学习的TBM图像出渣分割方法。
技术介绍
隧道掘进机(TunnelBoringMachine，简称TBM)，是一个庞大的系统，有许多的参数，为了让系统稳定需要提前知道一些TBM参数从而对系统进行调整。在出渣任务中，产出的石块大小可以有效地反应当前TBM的状态，石块太大了反映TBM速度太快，石块太小了反映在TBM中有能量过剩。因此通过检测石块粒径的分布，就可以对TBM系统的调节带来显著指导意义。在出渣任务中，所获取的图像如图1，由于光线很差，图像上的阴影非常多，并且由于石块的数量很庞大，没有办法分割出所有的石块，只能分割出图像中显著的石块，并且石块之间的间隙过小，传统的分割算法和单任务深度学习方法不能很好的把石块边缘信息提取出来。本专利技术提出的多任务深度学习方法，石块分割任务用于分割出显著石块的位置信息，石块边缘任务用于提取出石块的轮廓信息，把两个任务生成的掩膜进行融合，得到更准确的预测结果，获取更准确的石块粒径大小分布。
技术实现思路
为了解决
技术介绍
中存在的问本文档来自技高网...

【技术保护点】
1.一种基于多任务深度学习的TBM图像出渣分割方法，其特征在于：包括以下步骤：(1)处理获得原始图像数据集、分割标签数据集和边缘标签数据集；(2)将原始图像数据集和分割标签数据集送入第一图像分割神经网络中训练；(3)将原始图像数据集和边缘标签数据集送入第二图像分割神经网络中训练；(4)对于待处理的TBM图像分别输入到训练后的第一图像分割神经网络和第二图像分割神经网络中，不直接输出网络的结果，而是获得第一图像分割神经网络中间步骤得到的掩膜，将两个网络的掩膜进行融合，然后再进行反卷积处理而生成分割结果图；(5)进行后处理消除图像上的细小点，在生成的石块分割结果图上统计石块数量，再生成石块粒径分布图...

【技术特征摘要】
1.一种基于多任务深度学习的TBM图像出渣分割方法，其特征在于：包括以下步骤：(1)处理获得原始图像数据集、分割标签数据集和边缘标签数据集；(2)将原始图像数据集和分割标签数据集送入第一图像分割神经网络中训练；(3)将原始图像数据集和边缘标签数据集送入第二图像分割神经网络中训练；(4)对于待处理的TBM图像分别输入到训练后的第一图像分割神经网络和第二图像分割神经网络中，不直接输出网络的结果，而是获得第一图像分割神经网络中间步骤得到的掩膜，将两个网络的掩膜进行融合，然后再进行反卷积处理而生成分割结果图；(5)进行后处理消除图像上的细小点，在生成的石块分割结果图上统计石块数量，再生成石块粒径分布图，实现最终的TBM图像出渣分割。2.根据权利要求1所述的一种基于多任务深度学习的TBM图像出渣分割方法，其特征在于：所述步骤(1)中，原始图像数据集为由通过相机拍摄采集的一系列原始TBM系统渣土图像组成的图像数据集；所述的分割标签数据集为二值化的已经被标注出石块目标的图像区域的TBM系统渣土图像，其中石块目标的图像区域被赋值为白色，石块图像区域以外被赋值为黑色；所述的边缘标签数据集由分割标签数据集生成，将分割标签数据集中每一幅图像采用轮廓提取算法提取获得轮廓，在通过膨胀操作处理，生成边缘标签图像，其中石块的轮廓线被赋值为白色，石块的轮廓线以外均被赋值为黑色。3.根据权利要求1所述的一种基于多...

【专利技术属性】
技术研发人员：陈进，薛振锋，贾连辉，孙伟，林福龙，刘之涛，毛维杰，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33