【技术实现步骤摘要】
适用于储罐金属立面表面场景的深度学习语义分割方法
本专利技术属于计算机图形学与多媒体
，尤其是一种适用于储罐金属立面表面场景的深度学习语义分割方法。
技术介绍
利用爬壁机器人对石化储罐表面进行检测维护作业的方式取代了以往搭建脚手架的人工维护方式，不仅提高了工作效率，也极大地减小了对工作人员生命安全的威胁。但是，储罐的表面情况较为复杂，以应用最为广泛地拱顶储罐为例，除壁面之外，还存在着加强圈、旋梯、消防喷淋管以及密封圈、取样口、人孔等装置，这些装置使罐体壁面的复杂性大大提高，而机器人缺乏对这些附件的辨别能力，因而在一定程度上降低了爬壁机器人工作时的灵活性和可靠性。使机器人对工作场景拥有较高的理解能力，是提高机器人自主能力的关键。对石化储罐壁面场景而言，只有机器人拥有了对壁面上不同装置的“认知能力”，才能使爬壁机器人能够更加灵活可靠的完成各项工作。传统的机器人感知技术虽然能够获取储罐表面附件的位置信息和几何信息，但并不能完全理解环境中具体物体的所包含的语义信息，无法判断物体之间的相互逻辑关系。专利技...
【技术保护点】
1.一种适用于储罐金属立面表面场景的深度学习语义分割方法，其特征在于包括以下步骤：/n步骤1、采集制作储罐金属立面表面场景的数据集；/n步骤2、构建包括输入层、卷积层、反卷积层、SoftMax层和输出层的语义分割网络模型；/n步骤3、对储罐金属立面表面场景的数据集进行预处理，得到训练数据集和测试数据集；/n步骤4、根据训练数据集和测试数据集对语义分割网络模型进行训练并生成图像。/n
【技术特征摘要】
1.一种适用于储罐金属立面表面场景的深度学习语义分割方法，其特征在于包括以下步骤：
步骤1、采集制作储罐金属立面表面场景的数据集；
步骤2、构建包括输入层、卷积层、反卷积层、SoftMax层和输出层的语义分割网络模型；
步骤3、对储罐金属立面表面场景的数据集进行预处理，得到训练数据集和测试数据集；
步骤4、根据训练数据集和测试数据集对语义分割网络模型进行训练并生成图像。
2.根据权利要求1所述的适用于储罐金属立面表面场景的深度学习语义分割方法，其特征在于：所述步骤1的具体实现方法为：首先采集储罐金属立面表面场景的消防喷淋管、加强圈、壁面、旋梯、排污管道和电线管道的图像并以不同颜色进行标注，然后对其进行数据增强和灰度化处理。
3.根据权利要求1所述的适用于储罐金属立面表面场景的深度学习语义分割方法，其特征在于：所述步骤2的具体构建方法包括以下步骤：
步骤2.1、所述语义分割网络模型由一个输入层、三个卷积模块和残差连接模块、四个反卷积层、一个SoftMax层和一个输出层构成，三个卷积模块和八个残差连接模块共包括47个卷积层，每个卷积层后都进行Relu和BN操作，并进行Zero-Padding填充；
步骤2.2、特征图经第一个卷积层后，进入第一个卷积模块，一方面通过三个卷积层进行特征提取，另一方面经过一个卷积层进行特征提取，将生成的两种特征图通过相加得到新的特征图A；
步骤2.3、特征图A进入第一个残差连接模块，通过三次卷积后生成特征图后与特征图A相加，生成特征图B；
步骤2.4、特征图B进入第二个残差连接模块，通过三次卷积后生成特征图后与特征图B相加，生成特征图C；
步骤2.5、特征图C进入第二个卷积模块，一方面通过三个卷积层进行特征提取，另一方面经过一个卷积层进行特征提取，生成的两种特征图通过相加得到新的特征图D；
步骤2.6、特征图D进入第三个残差连接模块，通过三次卷积后生成特征图后与特征图D相加，生成特征图E；
步骤2.7、特征图E进入第四个残差连接模块，通过三次卷积后生成特征图后与特征图E相加，生成特征图F；
步骤2.8、特征图F进入第五个残差连接模块，通过三次卷积后生成特征图后与特征图F相加，生成特征图G；
步骤2.9、特征图G进入第三个卷积模块，一方面通过三个卷积层进行特征提取，另一方面经过一个卷积层进行特征提取，生成的两种特征图并通过相加得到特征图H；
步骤2.10、特征图H进入第六个残差连接模块，一方面通过三次卷积后生成特征图后与特征图H相加，生成特征图I；...
【专利技术属性】
技术研发人员：张小俊，王志鹏，孙凌宇，万媛，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：天津;12
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。