一种基于深度学习的单目标物体分割方法及检测设备技术

本发明专利技术属于电机卡簧凹槽高度检测中图像处理技术领域，公开了一种基于深度学习的单目标物体分割方法及检测设备，利用改进的U‑Net神经网络，在同类型不完整目标和完整目标同时存在下，将完整的目标分割出来，并将把完整的目标过滤掉。本发明专利技术发明专利技术通过对U‑Net神经网络进行改进，在同类型不完整目标和完整目标同时存在时，该网络可以直接将完整的目标分割出来，而把不完整的目标过滤掉。此方法对于只考虑完整目标情况时有很大的帮助，减少了不完整目标的干扰，缩减了完整目标分割步骤；并且改进后的U‑Net网络相对比原始U‑Net网络，提高了网络的分割效率。

【技术实现步骤摘要】
一种基于深度学习的单目标物体分割方法及检测设备
本专利技术属于电机卡簧凹槽高度检测中图像处理
，尤其涉及一种基于深度学习的单目标物体分割方法。
技术介绍
目前，随着科学技术的不断发展，工业产线的自动化程度不断提高，越来越多的工业产线开始使用机器视觉技术来辅助工人工作，如目标检测、缺陷检测、物体分割等。对于物体分割方面，主要是采用图像分割，实例分割技术，即将不同物体定义为不同的标签，然后将其分割出来。目前的深度学习分割网络主要考虑多目标，多类型目标的图像分割，而忽略了同一类型下，完整目标和不完整目标同时存在时，对完整目标的分割，即单目标物体分割。专利号为CN110930419A的专利公开了一种图像分割方法、装置、电子设备及计算机存储介质，里面介绍了一种用于在多目标图像中分割出单目标的方法，首先是进行目标检测，然后对目标检测区域进行语义分割。该专利技术分割步骤复杂，需要两种深度学习模型，分割效率不高，并且没有考虑如何在分割目标不完整情况下的分割情况。专利号为CN111080613A的专利公开了一种铁路货车浴盆破损故障图像识别方法，该专利虽然对U-Net网络进行改进，提高了预测时间，但是同样无法处理同类型完整目标和不完整目标同时存在情况下的分割情况。通过上述分析，现有技术存在的问题及缺陷为：（1）电机卡簧凹槽高度检测中，同类型完整目标和不完整目标同时存在的情况下，目前的图像分割网络无法只分割出完整的目标，只能将所有的目标都分割出来。并且不能过滤掉不完整的目标。（2）如果使用先目标检测再目标分割的步骤，会造成整体分割效率变慢。不能减少模型复杂度，延长了目标分割的时间。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种基于深度学习的单目标物体分割方法。本专利技术目的一在于：同类型完整目标和不完整目标同时存在的情况下，目前的图像分割网络无法只分割出完整的目标，只能将所有的目标都分割出来。本专利技术提出的分割方法可以直接将完整目标分割出来，过滤掉不完整的目标。本专利技术目的二在于：如果使用先目标检测再目标分割的步骤，会造成整体分割效率变慢。本专利技术提出的分割方法，无需先进行目标检测再进行分割，并且本专利技术减少了模型复杂度，缩短了目标分割的时间，提高了分割效率。本专利技术是这样实现的，一种基于深度学习的单目标物体分割方法，包括：利用改进的U-Net神经网络，在同类型不完整目标和完整目标同时存在下，将完整的目标分割出来，并将把完整的目标过滤掉。进一步，所述改进的U-net网络包括：多个部分卷积核数量缩小的解码器，每个解码器卷积核数量都缩小为原来的4倍；缩小的解码器减少模型得到的特征，使模型不关注目标的细节特征，对完整目标过拟合，只分割出ROI区域中的完整目标，忽略不完整目标。进一步，在同类型不完整目标和完整目标同时存在中，所述完整目标和不完整目标为同一种物体；将完整的目标分割中，目标图像有且仅有一个完整目标，在分割前先进行ROI区域的提取；提取后的ROI区域只包含一个完整的目标，对于包含的不完整目标不作限制。进一步，所述ROI区域的提取方法包括根据目标中心来大致判断包含完整目标的区域大小、根据目标轮廓判断ROI区域大小，ROI区域中包括多个不完整的目标；然后将ROI区域图像输入到改进后的U-net网络中。进一步，所述完整的目标分割方法具体包括：（1）进行图像采集；（2）将采集到的图像根据目标的位置进行ROI区域选择，将ROI区域图像输入到改进后的U-Net图像分割网络中，可分割出单目标的图像掩模；（3）将单目标图像掩模与原始图像进行融合，融合后的图像即为单目标分割图像。进一步，所述步骤（3）融合方法包括：将掩模中完整目标物体位置所在的像素值变为1，其余位置的像素值变为0，然后与原始图像相乘，原始图像中就只保留单目标图像，其余位置全部变色；融合后的图像只剩下一个完整的目标物体，完成单目标图像分割。本专利技术的另一目的在于提供一种实施所述的基于深度学习的单目标物体分割方法的改进的U-Net神经网络。本专利技术的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：利用改进的U-Net神经网络，在同类型不完整目标和完整目标同时存在下，将完整的目标分割出来，并将把完整的目标过滤掉。本专利技术的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：利用改进的U-Net神经网络，在同类型不完整目标和完整目标同时存在下，将完整的目标分割出来，并将把完整的目标过滤掉。本专利技术的另一目的在于提供一种实施所述的基于深度学习的单目标物体分割方法的电机卡簧凹槽高度检测设备。结合上述的所有技术方案，本专利技术所具备的优点及积极效果为：本专利技术通过对U-Net神经网络进行改进，在同类型不完整目标和完整目标同时存在时，该网络可以直接将完整的目标分割出来，而把不完整的目标过滤掉。此方法对于只考虑完整目标情况时有很大的帮助，减少了不完整目标的干扰，缩减了完整目标分割步骤；并且改进后的U-Net网络相对比原始U-Net网络，提高了网络的分割效率。相比于现有技术，本专利技术的优点进一步包括：本专利技术是通过对U-net网络的解码器部分进行改进，从而实现了在同类型不完整和完整目标同时存在时，可以只分割出完整目标。该方法的前提是图像中有且仅有一个完整目标，所以在分割前需要进行ROI区域的提取，ROI区域原则是提取后的ROI区域只包含一个完整的目标，对于包含的不完整目标不作限制，完整目标和不完整目标为同一类型，即同一种物体。原始的U-net网络，在完整目标和不完整目标同时存在时，无法单独分割出完整目标，而只是把所有的完整、不完整目标与背景分割出来。这种情况下，对于需要在完整目标中判断某些特征时，会出现无法判断，故采用本专利技术，可以只将完整目标分割出来，摒除掉不完整的目标，从而实现在完整目标中进行相应操作的目的。ROI区域的提取方法有多种，包括根据目标中心来大致判断包含完整目标的区域大小、根据目标轮廓判断ROI区域大小等，ROI区域中可以包含多个不完整的目标。然后将ROI区域图像输入到改进后的U-net网络中，本专利技术对U-net网络的改进为将网络的解码器部分卷积核数量缩小，每个解码器卷积核数量都缩小为原来的4倍，当然，这个倍数不作限制。缩小解码器的原因是为了减少模型得到的特征，使模型不关注目标的细节特征，对完整目标过拟合。因为模型只识别完整目标（过拟合），那么模型就会只分割出ROI区域中的完整目标，而忽略了不完整目标，这样就达到了分割出单目标的目的。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不本文档来自技高网...

【技术保护点】
1.一种基于深度学习的单目标物体分割方法，其特征在于，所述基于深度学习的单目标物体分割方法包括：/n利用改进的U-Net神经网络，在同类型不完整目标和完整目标同时存在下，将完整的目标分割出来，并将把完整的目标过滤掉。/n

【技术特征摘要】
1.一种基于深度学习的单目标物体分割方法，其特征在于，所述基于深度学习的单目标物体分割方法包括：
利用改进的U-Net神经网络，在同类型不完整目标和完整目标同时存在下，将完整的目标分割出来，并将把完整的目标过滤掉。


2.如权利要求1所述的基于深度学习的单目标物体分割方法，其特征在于，
所述改进的U-net网络包括：多个部分卷积核数量缩小的解码器，每个解码器卷积核数量都缩小为原来的4倍；缩小的解码器减少模型得到的特征，使模型不关注目标的细节特征，对完整目标过拟合，只分割出ROI区域中的完整目标，忽略不完整目标。


3.如权利要求1所述的基于深度学习的单目标物体分割方法，其特征在于，
在同类型不完整目标和完整目标同时存在中，所述完整目标和不完整目标为同一种物体；
将完整的目标分割中，目标图像有且仅有一个完整目标，在分割前先进行ROI区域的提取；提取后的ROI区域只包含一个完整的目标，对于包含的不完整目标不作限制。


4.如权利要求3所述的基于深度学习的单目标物体分割方法，其特征在于，
所述ROI区域的提取方法包括根据目标中心来大致判断包含完整目标的区域大小、根据目标轮廓判断ROI区域大小，ROI区域中包括多个不完整的目标；
然后将ROI区域图像输入到改进后的U-net网络中。


5.如权利要求1所述的基于深度学习的单目标物体分割方法，其特征在于，所述完整的目标分割方法具体包括：
（1）进行图像采集；
...

【专利技术属性】
技术研发人员：王长恺，刘志昌，张亚昇，王栋年，许瑞龙，
申请(专利权)人：珠海格力电器股份有限公司，
类型：发明
国别省市：广东;44