仓库点云语义分割方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种仓库点云语义分割方法、装置、计算机设备和存储介质。所述方法包括：获取包括目标仓储图像的第一数据库文件；将所述目标仓储图像输入已训练好的目标语义分割模型进行语义分割得到目标蒙版图像；所述目标语义分割模型是基于包括卷积注意力机制单元的条形池化网络训练得到的；将所述第一数据库文件中的所述目标仓储图像替换为所述目标蒙版图像，得到第二数据库文件；根据所述第二数据库文件构建三维点云地图得到仓库点云语义分割结果。采用本方法能够提高仓库点云的语义分割精度。精度。精度。

【技术实现步骤摘要】
仓库点云语义分割方法、装置、计算机设备和存储介质


[0001]本申请涉及计算机图形与图像处理
，特别是涉及一种仓库点云语义分割方法、装置、计算机设备和存储介质。

技术介绍

[0002]仓库作为物流行业资源供应的重要角色，其货物调度的效率直接决定货物配送的效率，而对于货物在仓库的存储规则和摆放位置的感知，是货物调度的先决条件。行业内通常使用射频识别技术(Radio Frequency Identification,RFID)结合仓库管理系统对出入库信息进行管理，虽然该种仓库货物管理方式能够获得货物的统计信息，但是不能准确获得货物摆放信息，无法满足5G时代智慧物流中“可视化”的要求，而三维数据能够更好的表示货物存放位置，由此基于三维数据的仓库货物管理方式能够更好的实现可控化与可视化。点云(point clouds)作为三维数据的一种表示形式，是三维空间中点的集合，具有易于测量与表示简单等优势，由此可基于点云实现三维数据的处理与分析。通过对仓库点云进行语义分割能够获得仓库的语义信息，从而能够直接使用语义信息可视化仓储空间。由此，如何实现仓库点云的语义分割是值得关注的问题。
[0003]目前，常用的点云分割方式包括将点云直接作为网络输入的PointNet，使用X变换提高网络性能的PointCNN，结合不同方向点云编码的PointSIFT等，但是，基于上述现有的点云语义分割方式对仓库点云进行语义分割，会存在语义分割精度低的问题。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够提高仓库点云的语义分割精度的仓库点云语义分割方法、装置、计算机设备和存储介质。
[0005]一种仓库点云语义分割方法，所述方法包括：
[0006]获取包括目标仓储图像的第一数据库文件；
[0007]将所述目标仓储图像输入已训练好的目标语义分割模型进行语义分割得到目标蒙版图像；所述目标语义分割模型是基于包括卷积注意力机制单元的条形池化网络训练得到的；
[0008]将所述第一数据库文件中的所述目标仓储图像替换为所述目标蒙版图像，得到第二数据库文件；
[0009]根据所述第二数据库文件构建三维点云地图得到仓库点云语义分割结果。
[0010]在其中一个实施例中，所述目标语义分割模型的训练步骤，包括：
[0011]获取仓储训练样本集；
[0012]构建包括卷积注意力机制单元的条形池化网络；
[0013]根据所述仓储训练样本集对所述条形池化网络进行训练得到已训练好的目标语义分割模型。
[0014]在其中一个实施例中，所述获取仓储训练样本集，包括：
[0015]获取在样本仓库下采集的样本仓储图像；
[0016]对所述样本仓储图像进行像素级语义标注，得到所述样本仓储图像中每个像素的语义类别；
[0017]基于所述样本仓储图像与相应语义类别生成样本蒙版图像；
[0018]根据所述样本仓储图像与相应样本蒙版图像得到仓储训练样本集。
[0019]在其中一个实施例中，所述根据所述仓储训练样本集对所述条形池化网络进行训练得到已训练好的目标语义分割模型，包括：
[0020]根据初始语义分割模型的模型参数对所述条形池化网络进行初始化；所述初始语义分割模型是基于室内图像集训练并测试得到的；
[0021]根据所述仓储训练样本集对初始化的条形池化网络进行训练，得到已训练好的目标语义分割模型。
[0022]在其中一个实施例中，所述条形池化网络包括单个混合池化单元。
[0023]在其中一个实施例中，所述条形池化网络包括两个卷积注意力机制单元，第一个卷积注意力机制单元置于所述条形池化网络的第一个卷积层处，第二个卷积注意力机制单元置于所述条形池化网络的最后一个卷积层处。
[0024]在其中一个实施例中，所述获取包括目标仓储图像的第一数据库文件，包括：
[0025]通过装载有语义分割设备的小车基于雷达自动导航的方式遍历目标仓库；
[0026]在遍历所述目标仓库的过程中，通过所述小车实时采集包括所述目标仓储图像的仓储数据，并生成包括所述目标仓储图像的第一数据库文件。
[0027]一种仓库点云语义分割装置，所述装置包括：
[0028]获取模块，用于获取包括目标仓储图像的第一数据库文件；
[0029]第一语义分割模块，用于将所述目标仓储图像输入已训练好的目标语义分割模型进行语义分割得到目标蒙版图像；所述目标语义分割模型是基于包括卷积注意力机制单元的条形池化网络训练得到的；
[0030]替换模块，用于将所述第一数据库文件中的所述目标仓储图像替换为所述目标蒙版图像，得到第二数据库文件；
[0031]第二语义分割模块，用于根据所述第二数据库文件构建三维点云地图得到仓库点云语义分割结果。
[0032]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0033]获取包括目标仓储图像的第一数据库文件；
[0034]将所述目标仓储图像输入已训练好的目标语义分割模型进行语义分割得到目标蒙版图像；所述目标语义分割模型是基于包括卷积注意力机制单元的条形池化网络训练得到的；
[0035]将所述第一数据库文件中的所述目标仓储图像替换为所述目标蒙版图像，得到第二数据库文件；
[0036]根据所述第二数据库文件构建三维点云地图得到仓库点云语义分割结果。
[0037]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0038]获取包括目标仓储图像的第一数据库文件；
[0039]将所述目标仓储图像输入已训练好的目标语义分割模型进行语义分割得到目标蒙版图像；所述目标语义分割模型是基于包括卷积注意力机制单元的条形池化网络训练得到的；
[0040]将所述第一数据库文件中的所述目标仓储图像替换为所述目标蒙版图像，得到第二数据库文件；
[0041]根据所述第二数据库文件构建三维点云地图得到仓库点云语义分割结果。
[0042]上述仓库点云语义分割方法、装置、计算机设备和存储介质，在获取到用于构建三维点云地图且包括目标仓储图像的第一数据库文件后，通过已训练好的目标语义分割模型对二维的目标仓储图像进行语义分割，得到二维的目标蒙版图像，并根据包括目标蒙版图像的第二数据库文件构建三维点云地图，以将二维的语义分割结果直接渲染至三维点云上，从而实现三维仓库点云的语义分割，能够提高仓库点云的语义分割精度，并得到精度更高的仓库点云语义分割结果，此外，目标语义分割模型是基于优化的条形池化网络训练得到的，能够提高语义分割的准确性，从而能够进一步提高仓库点云的语义分割精度。
附图说明
[0043]图1为一个实施例中仓库点云语义分割方法的流程示意图；
[0044]图2为另一个实施例中仓库点云语义分割方法的流程示意图；
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种仓库点云语义分割方法，其特征在于，所述方法包括：获取包括目标仓储图像的第一数据库文件；将所述目标仓储图像输入已训练好的目标语义分割模型进行语义分割得到目标蒙版图像；所述目标语义分割模型是基于包括卷积注意力机制单元的条形池化网络训练得到的；将所述第一数据库文件中的所述目标仓储图像替换为所述目标蒙版图像，得到第二数据库文件；根据所述第二数据库文件构建三维点云地图得到仓库点云语义分割结果。2.根据权利要求1所述的方法，其特征在于，所述目标语义分割模型的训练步骤，包括：获取仓储训练样本集；构建包括卷积注意力机制单元的条形池化网络；根据所述仓储训练样本集对所述条形池化网络进行训练得到已训练好的目标语义分割模型。3.根据权利要求2所述的方法，其特征在于，所述获取仓储训练样本集，包括：获取在样本仓库下采集的样本仓储图像；对所述样本仓储图像进行像素级语义标注，得到所述样本仓储图像中每个像素的语义类别；基于所述样本仓储图像与相应语义类别生成样本蒙版图像；根据所述样本仓储图像与相应样本蒙版图像得到仓储训练样本集。4.根据权利要求2所述的方法，其特征在于，所述根据所述仓储训练样本集对所述条形池化网络进行训练得到已训练好的目标语义分割模型，包括：根据初始语义分割模型的模型参数对所述条形池化网络进行初始化；所述初始语义分割模型是基于室内图像集训练并测试得到的；根据所述仓储训练样本集对初始化的条形池化网络进行训练，得到已训练好的目标语义分割模型。5.根据权利要求1所述的方法，其特征在于，所述条形池化网络包...

【专利技术属性】
技术研发人员：施岩，孙增强，李诺，赵钦炎，
申请(专利权)人：顺丰科技有限公司，
类型：发明
国别省市：