基于投票机制的工业零件实例分割方法技术

本发明专利技术涉及基于投票机制的工业零件实例分割方法。其步骤为：选定三种图像分割方法，即为Graph Cut，GrabCut和OneCut；输入待分割工业零件图片后分别初始化Graph Cut，GrabCut和OneCut三种图像分割模型的初始参数；根据图像的灰度直方图、RGB三通道高斯混合模型和全图前景和背景的L1

【技术实现步骤摘要】
基于投票机制的工业零件实例分割方法


[0001]本专利技术涉及机器学习和计算机视觉
,具体的说是基于投票机制的工业零件实例分割方法。

技术介绍

[0002]中国工业正在向自动化、智能化方向转型，具有视觉的智能化工业机器人逐渐成为制造企业未来发展的主方向。在许多工业机器人应用场景中，工业零件的精确分割是智能化视觉机器人实现各种工业任务的必要前提。因此，实现一种高精度工业零件分割方法对于工业自动化和智能化发展具有重要意义。
[0003]现阶段传统的图像分割算法对于工业零件分割不具备高精度强鲁棒性的特点，很容易受到背景环境的影响，使得算法在不同情况下表现得分割效果有很大的差异。近年来深度学习相关算法被大量研究，该类算法拥有较高的分割精度和较强的鲁棒性，但是神经网络的训练十分消耗计算资源，且对硬件资源要求较高，增大了训练成本和经济成本。

技术实现思路

[0004]针对现有技术中的缺点，本专利技术实现了一种基于投票机制的工业零件实例分割方法。该方法基于图割理论，引入投票机制，将三个弱分割器转化为一个强分割器，实现工业零件的精准分割。和传统分割算法相比具有更高的分割效果和更强的鲁棒性，和深度学习相关算法相比，具有更高的实用性。
[0005]本专利技术为实现上述目的所采用的技术方案是：基于投票机制的工业零件实例分割方法，包括以下步骤：
[0006]采集工业零件原始图像；
[0007]基于图像分割方法Graph Cut、GrabCut和OneCut构造强分割器对原始图像进行处理，识别前景和背景区域输出三幅二值图像；
[0008]基于投票机制逐像素融合优化，制作掩膜图像；
[0009]对原始图像进行掩膜操作，得到工业零件分割图。
[0010]所述基于图像分割方法Graph Cut、GrabCut和OneCut构造强分割器的步骤，包括：
[0011]1)定义能量函数：基于图像的灰度直方图定义Graph Cut能量函数E(L)，基于图像RGB高斯混合模型GMM定义GrabCut能量函数E(α,k,θ,z)，基于全图前景和背景的L1
‑
norm定义OneCut能量函数E(S)，用于衡量图像中前景区域、背景区域和前景和背景交界处的相似性，从而实现图像分割；
[0012]2)初始化三种图分割方法的模型参数，将原始图像中目标前景或背景的像素特征分别输入给三个能量函数；
[0013]3)执行最小化能量函数的计算过程，用于将前景和背景分离；
[0014]4)输出对应的三幅分割二值图。
[0015]所述三种能量函数定义如下：
[0016][0017]其中，L为图像像素的类别标签，可表示为L＝{l1,l2,...,l
n
},l
i
∈{0,1}，0表示当前像素属于背景，1表示当前像素属于前景，R(L)为区域项，B(L)为边界项，a∈[0,1]为影响因子，表示对能量函数的影响程度；α∈{0,1}，表示是背景模型的GMM分量还是前景模型的GMM分量，k为GMM高斯分量参数，k∈{1,2,...,K}；θ为对应各个像素的GMM参数；U(α,k,θ,z)表示区域项，V(α,z)表示边界项，z为图像中像素的值；β，λ为可调参数，S表示前景点的集合，θ
S
表示前景点的颜色直方图，表示背景点的颜色直方图，表示区域项，是边界项。
[0018]基于投票机制逐像素融合优化为对三幅相同大小的分割二值图的相同位置的像素点进行投票，确定该像素点的值。
[0019]所述掩膜操作是根据二值图将原待分割图像中目标区域提取出来的操作。
[0020]所述该方法还采用评价指标MIoU对输出的分割图像与标准图像进行评价；
[0021][0022]其中，N为测试样本数量，A，B为按照本方法获取的分割图像和制作的标准图像中目标区域，所述标准图像为对原始图像逐像素进行标注用于区分当前像素为前景或背景，A∩B为两区域交集，A∪B为两区域并集。
[0023]本专利技术具有以下有益效果及优点：
[0024]1.本专利技术所述的一种基于投票机制的工业零件实例分割方法能有效地实现对不同场景下工业零件的精确分割，具有强鲁棒性。
[0025]2.本专利技术所述的一种基于投票机制的工业零件实例分割方法能够实现高精度分割，分割效果好，相对误差小。
[0026]3.本专利技术所述的一种基于投票机制的工业零件实例分割方法可以部署在普通PC机上，无需GPU资源，节约了计算资源，实现简单，具有更高实用性。
附图说明
[0027]图1为本专利技术方法流程图；
[0028]图2为本专利技术投票机制示意图。(a)为原图中目标所占区域，(b)、(c)、(d)分别为三种方法输出的分割图，(e)为最终输出的分割图。
[0029]图3为本专利技术方法及其对比方法在11种不同工业环境下分割得到的二值图；第一列为输入图像，第二列为人为标注的标准图像，第3列为为本专利技术方法输出的二值分割图。
[0030]图4为本专利技术方法及其对比方法在11种不同工业环境下分割得到的最终效果图。第一行为输入图像，第二行为标准图像转化成的分割图，第三行为本专利技术采用方法输出的最终分割效果图。
具体实施方式
[0031]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图对本专利技术的具体实施方法做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本专利技术。但本专利技术能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背专利技术内涵的情况下做类似改进，因此本专利技术不受下面公开的具体实施的限制。
[0032]除非另有定义，本文所使用的所有技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中在专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术。
[0033]如图1所示，本专利技术方法主要包含以下步骤：
[0034]步骤1：给定待分割图像，利用Labelme软件制作图像的标签文件并转换成二值分割图作为标准图像。其中，标签文件定义了图像中前景的位置信息，用于生成白色前景，黑色背景的二值图标准图像；在使用本专利技术提出的方法得到最终的分割图后，需要和标准图像计算评价指标MIoU。
[0035]步骤2：基于图分割理论，选定三种图分割图像分割方法Graph Cut，GrabCut和OneCut。
[0036]定义Graph Cut，GrabCut和OneCut的能量函数。包括：基于图像的灰度直方图定义Graph Cut能量函数E(L)；基于图像的RGB三通道高斯混合模型定义GrabCu能量函数E(α,k,θ,z)；基于图像全局前景和背景的L1
‑
norm定义OneCut能量函数E(S)。三种能量函数定义如下：
[0037][0038]其中，L为图像像素的类别标签，可表示为L＝{l1,l2,...,l
n
},本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于投票机制的工业零件实例分割方法，其特征在于，包括以下步骤：采集工业零件原始图像；基于图像分割方法Graph Cut、GrabCut和OneCut构造强分割器对原始图像进行处理，识别前景和背景区域输出三幅二值图像；基于投票机制逐像素融合优化，制作掩膜图像；对原始图像进行掩膜操作，得到工业零件分割图。2.根据权利要求1所述的基于投票机制的工业零件实例分割方法，其特征在于，所述基于图像分割方法Graph Cut、GrabCut和OneCut构造强分割器的步骤，包括：1)定义能量函数：基于图像的灰度直方图定义Graph Cut能量函数E(L)，基于图像RGB高斯混合模型GMM定义GrabCut能量函数E(α,k,θ,z)，基于全图前景和背景的L1
‑
norm定义OneCut能量函数E(S)，用于衡量图像中前景区域、背景区域和前景和背景交界处的相似性，从而实现图像分割；2)初始化三种图分割方法的模型参数，将原始图像中目标前景或背景的像素特征分别输入给三个能量函数；3)执行最小化能量函数的计算过程，用于将前景和背景分离；4)输出对应的三幅分割二值图。3.根据权利要求2所述的基于投票机制的工业零件实例分割方法，其特征在于，所述三种能量函数定义如下：其中，L为图像像素的类别标签，可表示为L＝{l1,l2,...,l
n
},l
...

【专利技术属性】
技术研发人员：付生鹏，夏鑫，夏仁波，赵吉宾，孙海涛，张诚，
申请(专利权)人：沈阳智能机器人创新中心有限公司沈阳智能机器人国家研究院有限公司，
类型：发明
国别省市：