一种基于烟叶图像分割的加速处理方法及系统技术方案

本发明专利技术涉及计算机视觉技术领域，具体涉及一种基于烟叶图像分割的加速处理方法及系统。其中一种基于烟叶图像分割的加速处理方法，包括：于获取到与分割网络模型结构匹配的分割参数和基础神经网络算子状态下形成神经网络GPU引擎文件；读取采集图像，对所述采集图像做归一化处理，并于归一化处理完成后加载所述神经网络GPU引擎文件以形成一与所述采集图像匹配的推算结果；根据所述推算结果，从GPU单元传输到CPU单元上并通过指针映射到输出图像以形成处理结果。处理结果。处理结果。

【技术实现步骤摘要】
一种基于烟叶图像分割的加速处理方法及系统


[0001]本专利技术涉及计算机视觉
，具体涉及一种基于烟叶图像分割的加速处理方法及系统。

技术介绍

[0002]目前，大部分烟厂对烟叶的出片率十分看重，合理的计算监控烟叶的出片率可以很好地指导烟厂收烟烤烟。传统方法是人工手工剥离烟叶的主梗并称重然后统计记录，这种方式比较依赖人力，而且手工剔除会破坏烟叶的整体性，也比较耗费时间和人力。因此，应用计算机视觉方法来解放人力意义重大。
[0003]现有技术中，已有类似的利用深度学习图像分割技术，识别并精细分割出烟叶中主梗的图像,通过计算烟叶主梗的占比来进一步计算整批烟叶的出片率的相应研究，但是现有技术中其采用的深度学习分割技术在执行过程中其运算时间相对较长，尤其是在大规模应用在烟叶生产的多个任务，不利于实时性要求。

技术实现思路

[0004]本专利技术提供的是一种一种基于烟叶图像分割的加速处理方法及系统，利用深度学习图像分割技术，快速识别并精细分割出烟叶中主梗的图像,通过计算烟叶主梗的占比来进一步计算整批烟叶的出片率。该方法可以不依赖于人工剔除，加快工业流程速度，提高生产力，进一步实现工业自动化。具体地：
[0005]一方面，本申请提供一种基于烟叶图像分割的加速处理方法，其中，包括：
[0006]于获取到与分割网络模型结构匹配的分割参数和基础神经网络算子状态下形成神经网络GPU引擎文件；
[0007]读取采集图像，对所述采集图像做归一化处理，并于归一化处理完成后加载所述神经网络GPU引擎文件以形成一与所述采集图像匹配的推算结果；
[0008]根据所述推算结果，从GPU单元传输到CPU单元上并通过指针映射到输出图像以形成处理结果。
[0009]优选地，上述的一种基于烟叶图像分割的加速处理方法，其中，读取采集图像，对所述采集图像做归一化处理，并于归一化处理完成后加载所述神经网络GPU引擎文件以形成一与所述采集图像匹配的推算结果具体包括：
[0010]读取所述采集图像，将采集图像由HWC转为CHW并做归一化操作，于归一化处理完成后通过指针索引像素值传给GPU计算模块；
[0011]加载GPU引擎文件，执行GPU推理计算，以形成与所述采集图像匹配的推算结果。
[0012]优选地，上述的一种基于烟叶图像分割的加速处理方法，其中，于获取到与分割网络模型结构匹配的分割参数和基础神经网络算子状态下形成神经网络GPU引擎文件具体包括：
[0013]对所述分割参数做格式化处理以形成一量化格式数据；
[0014]对所述基础神经网络算子做融合处理以形成融合神经网络算子；
[0015]根据所述量化格式数据、所述融合神经网络算子形成神经网络GPU引擎文件。
[0016]优选地，上述的一种基于烟叶图像分割的加速处理方法，其中，对所述分割参数做格式化处理以形成一量化格式数据具体包括：
[0017]对所述分割网络模型做解析处理以形成与所述分割网络模型匹配的分割参数，所述分割参数为二进制文件；
[0018]于深度学习网络推理框架搭建完成的状态下加载所述分割参数以形成一重构分割网络模型；根据重构分割网络模型形成基础神经网络算子；
[0019]对所述分割参数做格式化处理以形成所述量化格式数据。
[0020]优选地，上述的一种基于烟叶图像分割的加速处理方法，其中，于获取到与分割网络模型结构匹配的分割参数和基础神经网络算子状态下形成神经网络GPU引擎文件之前还包括：
[0021]于获取到基础采集图像的状态下，建立基础模型，通过所述基础采集图像训练所述基础模型以形成初始模型；
[0022]于获取到基础验证数据的状态下，通过所述基础验证数据对所述初始模型做验证处理，并于验证结果匹配预期目标的状态下形成所述分割网络模型。
[0023]再一方面，本申请提供一种基于烟叶图像分割的加速处理系统，其中，包括：
[0024]神经网络GPU引擎文件形成单元，于获取到与分割网络模型结构匹配的分割参数和基础神经网络算子状态下形成神经网络GPU引擎文件；
[0025]处理单元，读取采集图像，对所述采集图像做归一化处理，并于归一化处理完成后加载所述神经网络GPU引擎文件以形成一与所述采集图像匹配的推算结果；
[0026]显示单元，根据所述推算结果，从GPU单元传输到CPU单元上并通过指针映射到输出图像以形成处理结果。
[0027]优选地，上述的一种基于烟叶图像分割的加速处理系统，其中，所述神经网络GPU引擎文件形成单元包括：
[0028]量化格式数据形成装置，对所述分割参数做格式化处理以形成一量化格式数据；
[0029]融合装置，对所述基础神经网络算子做融合处理以形成融合神经网络算子；
[0030]神经网络GPU引擎文件形成装置，根据所述量化格式数据、所述融合神经网络算子形成神经网络GPU引擎文件。
[0031]优选地，上述的一种基于烟叶图像分割的加速处理系统，其中，所述处理单元包括：
[0032]读取装置，读取所述采集图像，将采集图像由HWC转为CHW并做归一化操作，于归一化处理完成后通过指针索引像素值传给GPU计算模块；
[0033]处理装置，加载GPU引擎文件，执行GPU推理计算，以形成与所述采集图像匹配的推算结果。
[0034]再一方面，本申请再提供一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现上述中任一项所述的一种基于烟叶图像分割的加速处理方法。
[0035]最后，一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的
计算机程序，其中，所述处理器执行所述计算机程序时实现上述任一项所述的一种基于烟叶图像分割的加速处理方法。
[0036]与现有技术相比，本专利技术的有益效果至少包括：
[0037]通过分割网络模型结构匹配的分割参数和基础神经网络算子形成重构分割网络模型，该重构分割模型被封装形成神经网络GPU引擎文件，在实际图像处理过程中直接调用神经网络GPU引擎文件执行GPU推理计算以生成检测分割结果。通过加载GPU引擎文件执行GPU推理计算，可在毫秒间获得模型计算结果，大大提高了检测速度。
附图说明
[0038]图1为本专利技术实施例提供一种基于烟叶图像分割的加速处理方法流程示意图；
[0039]图2为本专利技术实施例提供一种基于烟叶图像分割的加速处理方法中烟梗分割示意图；
[0040]图3为本专利技术实施例提供一种基于烟叶图像分割的加速处理方法中烟叶分割示意图；
[0041]图4为本专利技术实施例提供的一种电子设备的结构示意图。
具体实施方式
[0042]下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于烟叶图像分割的加速处理方法，其特征在于，包括：于获取到与分割网络模型结构匹配的分割参数和基础神经网络算子状态下形成神经网络GPU引擎文件；读取采集图像，对所述采集图像做归一化处理，并于归一化处理完成后加载所述神经网络GPU引擎文件以形成一与所述采集图像匹配的推算结果。2.根据权利要求1所述的一种基于烟叶图像分割的加速处理方法，其特征在于，读取采集图像，对所述采集图像做归一化处理，并于归一化处理完成后加载所述神经网络GPU引擎文件以形成一与所述采集图像匹配的推算结果具体包括：读取所述采集图像，将采集图像由HWC转为CHW并做归一化操作，于归一化处理完成后通过指针索引像素值传给GPU计算模块；加载神经网络GPU引擎文件，执行GPU推理计算以形成与所述采集图像匹配的推算结果。3.根据权利要求1所述的一种基于烟叶图像分割的加速处理方法，其特征在于，于获取到与分割网络模型结构匹配的分割参数和基础神经网络算子状态下形成神经网络GPU引擎文件具体包括：对所述分割参数做格式化处理以形成一量化格式数据；对所述基础神经网络算子做融合处理以形成融合神经网络算子；根据所述量化格式数据、所述融合神经网络算子形成神经网络GPU引擎文件。4.根据权利要求3所述的一种基于烟叶图像分割的加速处理方法，其特征在于，对所述分割参数做格式化处理以形成一量化格式数据具体包括：对所述分割网络模型做解析处理以形成与所述分割网络模型匹配的分割参数，所述分割参数为二进制文件；于深度学习网络推理框架搭建完成的状态下加载所述分割参数以形成一重构分割网络模型；根据重构分割网络模型形成基础神经网络算子；对所述分割参数做格式化处理以形成所述量化格式数据。5.根据权利要求1所述的一种基于烟叶图像分割的加速处理方法，其特征在于，于获取到与分割网络模型结构匹配的分割参数和基础神经网络算子状态下形成神经网络GPU引擎文件之前还包括：于获取到基础采集图像的状态下，建立基础模型，通过所述基础采集图像...

【专利技术属性】
技术研发人员：徐密，石超，薛辰，彭云发，
申请(专利权)人：上海创和亿电子科技发展有限公司，
类型：发明
国别省市：