基于改进DeepLabv3+的线状柔性体分割方法技术

本发明专利技术提供了一种基于改进DeepLabv3+的线状柔性体分割方法，采用改进的轻量化MobileNetv2网络代替原来的Xception网络，倒残差模块中的3x3卷积和1x1卷积后的激活函数ReLU6替换为Sigmoid,采用MobileNetv2网络中第一层卷积层和前十七个Bottleneck，并在随后两次1x1卷积中间的平均池化更换为最大池化，减少了MobileNetv2中的参数量。双注意力机制DAMM应用于浅层特征进入解码器1x1卷积之前、改进采样率的ASPP的通道堆叠之后以及深层、浅层特征信息融合之后。解决了现有线状柔性体分割技术中复杂场景导线分割效果不好，鲁棒性差的问题，能有效提高线状柔性体语义分割的准确性，提升了网络整体的分割预测性能。提升了网络整体的分割预测性能。提升了网络整体的分割预测性能。

【技术实现步骤摘要】
基于改进DeepLabv3+的线状柔性体分割方法


[0001]本专利技术属于线状柔性体分割领域，尤其是涉及一种基于改进DeepLabv3+的线状柔性体分割方法。

技术介绍

[0002]随着工业生产装配中自动化程度的日益提升，对柔性体自主操作的需求越来越大。诸如电源导线、软绳、工业软管等线状柔性物体却是现实工业生产中需要经常面对的，但目前很少有能够正确感知线束的系统，有关这类材料的工作目前只能依靠人工。线状柔性体的感知和操纵仍然是一个开放的问题。线状柔性体几何结构虽然十分简单，却能呈现出复杂多变的缠绕状态，不同的缠绕状态却可能具有相同的拓扑结构，没有任何特定的形状、颜色和特征，并且导线过长、纵横交错，区分每一根导线存在一定的难度。
[0003]常见的线状柔性体识别技术包括基于阈值分割、曲率增强、边缘检测、目标检测和点云的方法。基于阈值分割的方法对于光照不均匀、噪声干扰等问题容易出现分割错误；基于曲率增强算法的方法可以应对光照不均匀等问题，但需要合适的参数设置，并且对于大量的干扰像素会出现错误；常见的边缘检测算法包括Sobel算子、Cann本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进DeepLabv3+的线状柔性体分割方法，所述DeepLabv3+网络包括骨干特征提取网络，ASPP模块和特征解码结构，其特征在于，包括如下步骤内容：步骤1、采集线状柔性体图像数据，构建线状柔性体图像数据集；步骤2、构建改进DeepLabV3+语义分割模型，包括编码器模块和解码器模块，输入编码器模块将轻量化改进的MobileNetv2网络作为骨干特征提取网络，融合轻量化改进的DAMM双注意力机制和改进采样率的ASPP模块，得到深层语义特征信息，并传输至解码器模块处理；步骤3、通过步骤1中的数据集对步骤2中改进的DeepLabV3+语义分割模型进行训练，得到训练好的改进DeepLabV3+网络；步骤4、基于获取的线状柔性体图像，将其输入至改进的DeepLabV3+的语义分割模型进行编码器模块的图像语义特征处理，完成特征提取后，进行特征解码结构，输出高语义信息到解码器模块，以实时分割出线状柔性体及其交点。2.根据权利要求1所述的线状柔性体分割方法，其特征在于，所述编码器模块用于图像语义特征的处理，包括轻量化改进的MobileNetv2网络作为特征提取网络、改进采样率的ASPP模块、添加改进轻量化的DAMM双注意力机制；所述解码器模块用于特征信息的还原。3.根据权利要求1所述的线状柔性体分割方法，步骤2中经过特征提取网络得到的浅有效特征层，其特征在于，所述特征提取网络处理步骤为：步骤21、对输入特征矩阵进行1x1卷积的压缩，降低channel的大小；步骤22、通过3x3的DW卷积和进行卷积处理；步骤33、通过1x1卷积进行升维，组成倒残差结构，导线图片输入1x1卷积中，得到特征图F1，F1经过十七个Bottleneck，得到特征图F2，进行1x1卷积生成特征图F3，后经过最大池化得到特征图F4，减少了参数量，之后经过1x1卷积生成特征图F5，完成特征提取；其中，其中将所述倒残差结构中的3x3卷积和1x1卷积后的ReLU6替换为Sigmoid，采用MobileNetv2网络中第一层卷积层和前十七个Bottleneck，并在随后两次1x1卷积中间的平均池化更换为最大池化。...

【专利技术属性】
技术研发人员：张长勇，李玉洲，姚凯超，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：