【技术实现步骤摘要】
一种基于单独编码网络的机械零件语义分割方法
本专利技术涉及一种基于单独编码网络的机械零件语义分割方法。
技术介绍
在自然场景中目标的语义分割是计算机视觉研究领域中的基本问题。此外，语义分割在自动机器人导航、自动驾驶车辆、安全监控以及工业自动化的高科技领域中也起着重要作用。在实际工业检测领域中，机械零件的语义分割是一项具有巨大挑战性的工作。首先，由相机捕获的机械零件通常存在着较大动态的外观和尺度变化，这些是由制造现场的照明和观察距离的变化而引起的。机械零件的外观和尺度变化将不可避免地在精度方面抑制图像分割性能。其次，典型的生产线通常需要在不同的过程中处理多种类型的零件。因此，对于能够捕获不同类型机械零件的单独特征信息系统是非常有吸引力的。通过这种方式，特定部分的语义分割模块可以容易地安装在当前处理阶段并且在完成时将其卸载。2012年，Krizhevsky等人开发了网络架构，计算机视觉领域的一个重大突破是使用卷积网络，几乎将对象识别的错误率减少一半。从那时起，基于卷积神经网络的语义分割算法一直是传统手工制作方法的...
【技术保护点】
1.一种基于单独编码网络的机械零件语义分割方法，其特征在于：该分割方法利用单独编码模型对单个或多个待分割机械零件进行单独编码实现语义分割。/n
【技术特征摘要】
1.一种基于单独编码网络的机械零件语义分割方法，其特征在于：该分割方法利用单独编码模型对单个或多个待分割机械零件进行单独编码实现语义分割。
2.根据权利要求1所述的基于单独编码网络的机械零件语义分割方法，其特征在于：所述单独编码模型包括：
卷积层conv（l，o，h，p），用于对待分割机械零件进行特征的提取，l表示卷积层的内核，o表示卷积层的输出数量，h表示卷积层扩张因子，p表示卷积层的填充；
池化层（l，s，p），用于对所述卷积层提取的特征进行分区采样，形成包含待分割机械零件特征的小矩阵，l和s表示池化层的步幅，p表示池化层的填充；
整形线性单元，用于判定函数和整个神经网络的非线性特性；
损失目标函数，用于决定训练过程如何来“惩罚”网络的预测结果和真实结果之间的差异。
3.根据权利要求1所述的基于单独编码网络的机械零件语义分割方法，其特征在于：所述单独编码模型包括具有不同深度和尺度的第一单独编码网络模型、第二单独编码网络模型、第三单独编码网络模型、第四单独编码网络模型、第五单独编码网络模型和第六单独编码网络模型；所述第一单独编码网络模型、所述第二单独编码网络模型、所述第三单独编码网络模型、所述第四单独编码网络模型、所述第五单独编码网络模型和所述第六单独编码网络模型包括：
卷积层conv（l，o，h，p），用于对待分割机械零件进行特征的提取，l表示卷积层的内核，o表示卷积层的输出数量，h表示卷积层扩张因子，p表示卷积层的填充；
池化层（l，s，p），用于对所述卷积层提取的特征进行分区采样，形成包含待分割机械零件特征的小矩阵，l和s表示池化层的步幅，p表示池化层的填充；
整形线性单元，用于判定函数和整个神经网络的非线性特性；
损失目标函数，用于决定训练过程如何来“惩罚”网络的预测结果和真实结果之间的差异。
4.根据权利要求3所述的基于单独编码网络的机械零件语义分割方法，其特征在于：所述第一单独编码网络模型结构为：卷积层（3,64,0,1）-整形线性单元-卷积层（3,16,0,1）-整形线性单元-池化层（3,2,0）-卷积层（3,2,0,1）-损失目标函数。
5.根据权利要求3所述的基于单独编码网络的机械零件语义分割方法，其特征在于：所述第二单独编码网络模型结构为：卷积层（3,64,0,1）-整形线性单元-卷积层（3,16,0,1）-整形线性单元-池化层（3,2,0）-卷积层（3,64,0,1）-整形线性单元-卷积层（3,16,0,1）-整形线性单元-池化层（3,2,0）-卷积层（3,2,0,1）-损失目标函数。
6.根据权利要求3所述的基于单独编码网络的机械零件语义分割方法，其特征在于：所述第三单独编码网络模型结构为：卷积层（3,64,0,1）-整形线性单元-卷积层（3,16,0，1）-整形线性单元-池化层（3,2,0）-卷积层（3,64,0,1）-整形线性单元-卷积层（3,16,0,1）-整形线性单元-池化层（3,2,0）-卷积层（3,64,0,1）-整形线性单元-卷积层（3,16,0,1）-整形线性单元-池化层（3,2,0）-卷积层（3,2,0,1）-损失目标函数。
7.权利要求3所述的基于单独编码网络的机械零...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。