实例分割探杆检测方法及装置制造方法及图纸

本发明专利技术提供了一种实例分割探杆检测方法及装置，该方法包括：获取待检测区域的图像；将图像输入预先训练的实例分割模型，得到探杆的检测结果；预先训练的实例分割模型包括主干网络模块、特征金字塔模块及预测模块；主干网络模块包括连接主干网络模型，连接主干网络模型包括至少两个主干网络，两个主干网络提取的特征融合后输出；和/或，特征金字塔模块的至少一个卷积层提取的特征与主干网络模块的底层卷积层提取的特征融合后输出，和/或，预测模块的输入为多个先验框，输出为多个先验框融合得到的先验框。本发明专利技术利用实例分割模型检测探杆，检测精度及鲁棒性较高，且优化了模型，提高了特征表达能力和分割效果。特征表达能力和分割效果。特征表达能力和分割效果。

【技术实现步骤摘要】
实例分割探杆检测方法及装置


[0001]本专利技术涉及探杆检测
，具体而言，涉及一种实例分割探杆检测方法及装置。

技术介绍

[0002]在煤矿的生产过程中，综采面的探放水是一个必要的环节。探放水包括探水和放水两个方面。探水是指采矿过程中用超前勘探方法，查明采掘工作面顶底板、侧帮和前方等水体的具体空间位置和状况等，其目的是为有效地防治矿井水做好必要的准备；放水是指为了预防水害事故，在探明情况后采取钻孔等安全方法将水体放出。在实际的生产过程中，必须坚持“有疑必探，先探后掘”的探放水原则，在有水害威胁的区域进行采掘工作，都要坚持超前钻探。
[0003]在提高探放水的自动化水平的工作中，实现对探杆的自动识别与定位是一个重要的环节，是计算打杆数量的基础。目前，通常采用目标检测模型实现对探杆的识别与定位，然而在实际的生产过程中，检测模型通常受到探杆角度的影响造成对探杆的识别与定位不够准确，严重影响了在实际应用中的鲁棒性。

技术实现思路

[0004]本专利技术解决的是现有通过目标检测模型进行探杆检测方式的检测精度不足，且鲁棒性不足的问题。
[0005]为解决上述问题，本专利技术提供一种实例分割探杆检测方法，所述方法包括：获取待检测区域的图像；将所述图像输入预先训练的实例分割模型，得到探杆的检测结果；所述预先训练的实例分割模型包括主干网络模块、特征金字塔模块及预测模块；所述主干网络模块包括连接主干网络模型，所述连接主干网络模型包括至少两个主干网络，所述两个主干网络提取的特征融合后输出；和/或，所述特征金字塔模块的至少一个卷积层提取的特征与所述主干网络模块的底层卷积层提取的特征融合后输出，和/或，所述预测模块的输入为多个先验框，输出为所述多个先验框融合得到的先验框。
[0006]可选地，所述主干网络模块包括第一主干网络及第二主干网络，所述第一主干网络与所述第二主干网络中相同分辨率的卷积层连接，所述相同分辨率的卷积层输出的特征图相加后作为所述第一主干网络中上一层卷积层的输入。
[0007]可选地，所述主干网络模块中特征图相加的公式如下：
[0008][0009]F
′
out
＝ε(F
out
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0010]其中，F
l
为第一主干网络第l卷积层的特征图，F
a
为第二主干网络第a卷积层的特征图，F
l
和F
a
具有相同的分辨率，表示元素级别的相加，ε为1*1的卷积，F
out
为融合之后的特征图，F
′
out
为第一主干网络第l+1卷积层的输入。
[0011]可选地，所述特征金字塔模块包括多层卷积层，至少一层所述卷积层与所述主干
网络模块的底层卷积层连接；所述底层卷积层输出的特征图下采样得到与所述特征金字塔模块的卷积层相同分辨率的目标特征图，所述目标特征图与所述特征金字塔模块的卷积层的特征图相加后作为所述特征金字塔模块的卷积层的输出。
[0012]可选地，所述底层卷积层为所述主干网络模块的第一卷积层；所述特征金字塔模块中与所述主干网络模块的卷积层连接的卷积层，均与所述第一卷积层连接。
[0013]可选地，所述预测模块包括循环神经网络及自注意力机制模块，所述循环神经网络的输入为先验框序列，所述循环神经网络的输出为所述自注意力机制模块的输入，所述自注意力机制模块输出特征融合后的先验框。
[0014]可选地，所述预测模块还包括预测单元，所述预测单元的输出为多个先验框。
[0015]本专利技术实施例提供一种实例分割探杆检测装置，所述装置包括：获取模块，用于获取待检测区域的图像；检测模块，用于将所述图像输入预先训练的实例分割模型，得到探杆的检测结果；所述预先训练的实例分割模型包括主干网络模块、特征金字塔模块及预测模块；所述主干网络模块包括连接主干网络模型，所述连接主干网络模型包括至少两个主干网络，所述两个主干网络提取的特征融合后输出；和/或，所述特征金字塔模块的至少一个卷积层提取的特征与所述主干网络模块的底层卷积层提取的特征融合后输出，和/或，所述预测模块的输入为多个先验框，输出为所述多个先验框融合得到的先验框。
[0016]可选地，所述主干网络模块包括第一主干网络及第二主干网络，所述第一主干网络与所述第二主干网络中相同分辨率的卷积层连接，所述相同分辨率的卷积层输出的特征图相加后作为所述第一主干网络中上一层卷积层的输入。
[0017]可选地，所述特征金字塔模块包括多层卷积层，至少一层所述卷积层与所述主干网络模块的底层卷积层连接；所述底层卷积层输出的特征图下采样得到与所述特征金字塔模块的卷积层相同分辨率的目标特征图，所述目标特征图与所述特征金字塔模块的卷积层的特征图相加后作为所述特征金字塔模块的卷积层的输出。
[0018]本专利技术实施例提供的实例分割探杆检测方法及装置，利用实例分割模型来实现对探杆的识别与定位，将检测问题转化为实例分割问题，由于实例分割算法不容易受到角度的影响，检测精度及鲁棒性较高，且从特征优化的角度对实例分割模型进行了优化，可以提高模型的特征表达能力和最终的分割效果。
附图说明
[0019]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，还可以根据提供的附图获得其他的附图。
[0020]图1为现有Yolact算法模型的结构示意图；
[0021]图2为本专利技术的一个实施例中一种实例分割探杆检测方法的示意性流程图；
[0022]图3为本专利技术实施例的改进的主干网络模块的结构示意图；
[0023]图4为本专利技术实施例的改进的特征金字塔模型的结构示意图；
[0024]图5为本专利技术实施例的特征融合模块的结构示意图；
[0025]图6为本专利技术的一个实施例中一种实例分割探杆检测装置的结构示意图。
[0026]附图标记说明：
[0027]601
‑
获取模块；602
‑
检测模块。
具体实施方式
[0028]为使本专利技术的上述目的、特征和优点能够更为明显易懂，下面结合附图对本专利技术的具体实施例做详细的说明。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。
[0029]示例性地，本专利技术实施例以实例分割算法采用Yolact算法进行说明。图1是现有Yolact算法模型的结构示意图，该Yolact算法模型主要包括：预处理模块、主干网络模块、特征金字塔模块、掩模(Protonet)生成模块、预测(Prediction Head)模块、非最大值抑制(Non
‑
Maximum Supression，NM本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种实例分割探杆检测方法，其特征在于，所述方法包括：获取待检测区域的图像；将所述图像输入预先训练的实例分割模型，得到探杆的检测结果；所述预先训练的实例分割模型包括主干网络模块、特征金字塔模块及预测模块；所述主干网络模块包括连接主干网络模型，所述连接主干网络模型包括至少两个主干网络，所述两个主干网络提取的特征融合后输出；和/或，所述特征金字塔模块的至少一个卷积层提取的特征与所述主干网络模块的底层卷积层提取的特征融合后输出，和/或，所述预测模块的输入为多个先验框，输出为所述多个先验框融合得到的先验框。2.根据权利要求1所述的方法，其特征在于，所述主干网络模块包括第一主干网络及第二主干网络，所述第一主干网络与所述第二主干网络中相同分辨率的卷积层连接，所述相同分辨率的卷积层输出的特征图相加后作为所述第一主干网络中上一层卷积层的输入。3.根据权利要求2所述的方法，其特征在于，所述主干网络模块中特征图相加的公式如下：F
′
out
＝ε(F
out
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，F
l
为第一主干网络第l卷积层的特征图，F
a
为第二主干网络第a卷积层的特征图，F
l
和F
a
具有相同的分辨率，表示元素级别的相加，ε为1*1的卷积，F
out
为融合之后的特征图，F
′
out
为第一主干网络第l+1卷积层的输入。4.根据权利要求1
‑
3任一项所述的方法，其特征在于，所述特征金字塔模块包括多层卷积层，至少一层所述卷积层与所述主干网络模块的底层卷积层连接；所述底层卷积层输出的特征图下采样得到与所述特征金字塔模块的卷积层相同分辨率的目标特征图，所述目标特征图与所述特征金字塔模块的卷积层的特征图相...

【专利技术属性】
技术研发人员：朱晓宁，员娇娇，
申请(专利权)人：精英数智科技股份有限公司，
类型：发明
国别省市：