【技术实现步骤摘要】
本专利技术涉及人工智能领域。更具体地，本专利技术提供了一种用于矿区挡墙分割的深度学习模型的训练方法、矿区挡墙边界的识别方法及装置。
技术介绍
1、在矿区无人驾驶场景中，挡墙边界的精准分割及其重要。挡墙是指支承路基填土或山坡土体、防止填土或土体变形失稳的构造物。挡墙在矿区中广泛使用，是矿山的必要设施。因此，在矿区中行驶的智能驾驶车辆需要准确的识别挡墙的边界，这对于准确地规划行车路线、装载和卸载位置等大有裨益。
技术实现思路
1、本专利技术的实施例提供了一种用于矿区挡墙分割的深度学习模型的训练方法，包括：获取训练样本集，其中所述训练样本集包括多个样本图像；对样本图像进行标注以生成具有前景区域和背景区域的经标注的图像数据；对经标注的图像数据中的前景区域进行检测以得到矿区挡墙的轮廓图和各个像素点的轮廓边界修正系数；以及以所述经标注的图像数据或所述轮廓图作为真实值来训练挡墙分割的深度学习模型，所述深度学习模型的损失函数为包含轮廓边界修正系数的边界聚焦损失函数，所述轮廓边界修正系数使前景区域中的更靠近轮廓边界的点比前景区域中的更远离轮廓边界的点在损失函数中具有更大的权重。
2、在一些实施例中，所述样本图像中的各个像素点的轮廓边界修正系数定义如下：
3、
4、其中，λ为轮廓边界修正系数，downpos为表示沿着一坐标轴方向经过所述像素点的直线与轮廓边界的负向相交点在该坐标轴上的坐标，uppos为表示沿着该坐标轴方向经过所述像素点的直线与轮廓边界的正向相交点在该
5、在一些实施例中，所述坐标轴方向为竖直方向，downpos为表示经过所述像素点的垂线与轮廓边界下方的相交点在竖直方向上的坐标，uppos为表示经过所述像素点的垂线与轮廓边界上方的相交点在竖直方向上的坐标。
6、在一些实施例中，所述边界聚焦损失函数被定义为
7、bfl(pt)＝(1+λ)(1-pt)γ×(-αt log(pt))
8、其中，
9、
10、
11、p表示所述深度学习模型所预测的该像素点处于前景区域中的概率，α为大于0.5且小于1的系数，γ为大于1且小于5的系数。
12、在一些实施例中，α为0.8且γ为2。
13、本专利技术的实施例还提供了一种矿区挡墙边界的识别方法，包括：采集包含矿区挡墙的图像；利用挡墙分割模型从所述图像中分割挡墙和背景；以及对所分割出的挡墙和背景进行检测，以获得挡墙的轮廓边界，其中，所述挡墙分割模型为如上述任一实施例所述的方法所训练的深度学习模型。
14、本专利技术的实施例还提供了一种用于矿区挡墙分割的深度学习模型的训练装置，包括：样本获取单元，所述获取单元配置成获取训练样本集，其中所述训练样本集包括多个样本图像；标注单元，所述标注单元配置成对样本图像进行标注以生成具有前景区域和背景区域的经标注的图像数据；检测单元，所述检测单元配置成对经标注的图像数据中的前景区域进行检测以得到矿区挡墙的轮廓图和各个像素点的轮廓边界修正系数；以及训练单元，所述训练单元配置成以所述经标注的图像数据或所述轮廓图作为真实值来训练挡墙分割的深度学习模型，所述深度学习模型的损失函数为包含轮廓边界修正系数的边界聚焦损失函数，所述轮廓边界修正系数使前景区域中的更靠近轮廓边界的点比前景区域中的更远离轮廓边界的点在损失函数中具有更大的权重。
15、在一些实施例中，所述样本图像中的各个像素点的轮廓边界修正系数定义如下：
16、
17、其中，λ为轮廓边界修正系数，downpos为表示沿着一坐标轴方向经过所述像素点的直线与轮廓边界的负向相交点在该坐标轴上的坐标，uppos为表示沿着该坐标轴方向经过所述像素点的直线与轮廓边界的正向相交点在该坐标轴上的坐标，所述负向相交点为相对于所述像素点位于坐标轴的负方向上的相交点，所述正向相交点为相对于所述像素点位于坐标轴的正方向上的相交点，且distmin为所述像素点与所述正向相交点和所述负向相交点中更近的一者之间的距离。
18、在一些实施例中，所述坐标轴方向为竖直方向，downpos为表示经过所述像素点的垂线与轮廓边界下方的相交点在竖直方向上的坐标，uppos为表示经过所述像素点的垂线与轮廓边界上方的相交点在竖直方向上的坐标。
19、在一些实施例中，所述边界聚焦损失函数被定义为
20、bfl(pt)＝(1+λ)(1-pt)γ×(-αt log(pt))
21、其中，
22、
23、
24、p表示所述深度学习模型所预测的该像素点处于前景区域中的概率，α为大于0.5且小于1的系数，γ为大于1且小于5的系数。
25、在一些实施例中，α为0.8且γ为2。
26、本专利技术的实施例还提供了一种矿区挡墙边界的识别装置，包括：图像获取单元，所述图像获取单元配置成采集包含矿区挡墙的图像；图像分割单元，所述图像分割单元配置成利用挡墙分割模型从所述图像中分割挡墙和背景；以及图像检测单元，所述图像检测单元配置成对所分割出的挡墙和背景进行检测，以获得挡墙的轮廓边界，其中，所述识别装置还包括如上述任一实施例所述的训练装置，所述挡墙分割模型为由所述训练装置训练后得到的深度学习模型。
27、本专利技术的实施例还提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有能够被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如前述任一实施例所述的用于矿区挡墙分割的深度学习模型的训练方法或矿区挡墙边界的识别方法。
28、本专利技术的实施例还提供了一种存储有计算机指令的计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行如前述任一实施例所述的用于矿区挡墙分割的深度学习模型的训练方法或矿区挡墙边界的识别方法。
29、应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
本文档来自技高网...【技术保护点】
1.一种用于矿区挡墙分割的深度学习模型的训练方法，包括：
2.根据权利要求1所述的方法，其中，所述样本图像中的各个像素点的轮廓边界修正系数定义如下：
3.根据权利要求2所述的方法，其中，所述坐标轴方向为竖直方向，downPos为表示经过所述像素点的垂线与轮廓边界下方的相交点在竖直方向上的坐标，upPos为表示经过所述像素点的垂线与轮廓边界上方的相交点在竖直方向上的坐标。
4.根据权利要求2所述的方法，其中，所述边界聚焦损失函数被定义为
5.根据权利要求1所述的方法，其中，α为0.8且γ为2。
6.一种矿区挡墙边界的识别方法，包括：
7.一种用于矿区挡墙分割的深度学习模型的训练装置，包括：
8.根据权利要求1所述的训练装置，其中，所述样本图像中的各个像素点的轮廓边界修正系数定义如下：
9.根据权利要求8所述的训练装置，其中，所述坐标轴方向为竖直方向，downPos为表示经过所述像素点的垂线与轮廓边界下方的相交点在竖直方向上的坐标，upPos为表示经过所述像素点的垂线与轮廓边界上方的相交点
10.根据权利要求9所述的训练装置，其中，所述边界聚焦损失函数被定义为
11.根据权利要求7所述的训练装置，其中，α为0.8且γ为2。
12.一种矿区挡墙边界的识别装置，包括：
13.一种电子设备，包括：
14.一种存储有计算机指令的计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
...【技术特征摘要】
1.一种用于矿区挡墙分割的深度学习模型的训练方法，包括：
2.根据权利要求1所述的方法，其中，所述样本图像中的各个像素点的轮廓边界修正系数定义如下：
3.根据权利要求2所述的方法，其中，所述坐标轴方向为竖直方向，downpos为表示经过所述像素点的垂线与轮廓边界下方的相交点在竖直方向上的坐标，uppos为表示经过所述像素点的垂线与轮廓边界上方的相交点在竖直方向上的坐标。
4.根据权利要求2所述的方法，其中，所述边界聚焦损失函数被定义为
5.根据权利要求1所述的方法，其中，α为0.8且γ为2。
6.一种矿区挡墙边界的识别方法，包括：
7.一种用于矿区挡墙分割的深度学习模型的训练装置，包括：
8.根据权利要求1所述的...
【专利技术属性】
技术研发人员：谢意，那崇宁，蒋先尧，刘志勇，赵磊，高志成，
申请(专利权)人：北京路凯智行科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。