图像分割网络的训练方法、食材图像的分割方法及系统技术方案

本发明专利技术公开了一种图像分割网络的训练方法、食材图像的分割方法及系统，训练方法包括：对待分割图像数据进行预处理，以得到符合网络训练要求的图像数据；其中，图像数据包括可见光图像和红外温度数据；将预处理后的待分割图像数据输入到图像分割网络；图像分割网络动态分配待分割图像数据对应的通道权重；对图像分割网络进行训练以得到目标图像分割网络。利用多模态深度学习技术进行图像分割，全面捕捉数据的信息，以自动调整权重并灵活利用不同通道的信息，使得网络更加灵活地利用不同通道的信息，提高图像分割的准确度。

【技术实现步骤摘要】

本专利技术涉及深度学习，具体涉及一种图像分割网络的训练方法、食材图像的分割方法及系统。

技术介绍

1、目前普遍使用的食材分割方法主要有两种，基于传统图像处理的算法和基于深度学习的算法。

2、基于传统图像处理的算法通过对图像进行分析和处理，提取出食材的边缘、轮廓等特征，从而实现食材的分割。这种方法主要依赖于人工特征工程和规则设计，需要手动确定分割算法所需的特征和参数，因此对算法设计和调整的要求较高，且对于特殊形状和颜色的食材可能较难处理。

3、基于深度学习的算法则主要基于卷积神经网络(cnn)等深度学习模型，通过对大量标注数据的学习，自动提取食材分割所需的特征和参数，从而实现食材的分割。两种类型的分割方法都是将可以可见图像作为输入，输出分割结果。

4、现有技术中的算法准确度可能受到光线、角度等因素的影响。现有的食材分割算法主要利用可见光图像作为输入，而图像的质量可能受到光线、角度等因素的影响，从而影响算法的准确度。且目前已有深度学习方法大多是单模态深度学习，无法全面地捕捉数据的信息，对于复杂应用场景的鲁棒性和泛化性不高。<本文档来自技高网...

【技术保护点】

1.一种图像分割网络的训练方法，其特征在于，所述训练方法包括：

2.如权利要求1所述的训练方法，其特征在于，所述对待分割图像数据进行预处理，包括：

3.如权利要求2所述的训练方法，其特征在于，所述将预处理后的所述待分割图像数据输入到所述图像分割网络，包括：

4.如权利要求1所述的训练方法，其特征在于，所述图像分割网络采用U2-Net网络，并在所述网络的解码器的卷积块中加入Flash Attention模块，还引入权重调节器以实现动态分配所述待分割图像数据对应的通道权重。

5.一种食材图像的分割方法，其特征在于，利用权利要求1-4任一项所述的...

【技术特征摘要】

1.一种图像分割网络的训练方法，其特征在于，所述训练方法包括：

2.如权利要求1所述的训练方法，其特征在于，所述对待分割图像数据进行预处理，包括：

3.如权利要求2所述的训练方法，其特征在于，所述将预处理后的所述待分割图像数据输入到所述图像分割网络，包括：

4.如权利要求1所述的训练方法，其特征在于，所述图像分割网络采用u2-net网络，并在所述网络的解码器的卷积块中加入flash attention模块，还引入权重调节器以实现动态分配所述待分割图像数据对应的通道权重。

5.一种食材图像的分割方法，其特征在于，利用权利要求1-4任一项所述的图像分割网络的训练方法得到的图像分割网络对所述食材...

【专利技术属性】
技术研发人员：张爽爽，秦臻，俞贵涛，
申请(专利权)人：宁波方太厨具有限公司，
类型：发明
国别省市：