[发明专利]物料分类方法、装置、电子设备和存储介质

权利要求书

1.一种物料分类方法，其特征在于，包括：

将待分类物料图像输入至单物料分割模型，得到所述单物料分割模型输出的所述待分类物料图像中每一像素的语义分割结果和物料归属向量；

基于所述待分类物料图像中每一像素的语义分割结果和物料归属向量，对所述待分类物料图像中每一像素进行聚类，得到若干个单物料掩膜；

将每一单物料掩膜在所述待分类物料图像中的单物料图像输入至物料分类模型，得到所述物料分类模型输出的物料分类结果；

其中，所述单物料分割模型是基于样本物料图像，以及所述样本物料图像中每一单物料对应的样本单物料掩膜训练得到的；所述物料分类模型是基于样本单物料图像及其对应的样本物料分类结果训练得到的。

2.根据权利要求1所述的物料分类方法，其特征在于，所述将待分类物料图像输入至单物料分割模型，得到所述单物料分割模型输出的所述待分类物料图像中每一像素的语义分割结果和物料归属向量，具体包括：

将所述待分类物料图像输入至所述单物料分割模型的多尺度特征提取层，得到所述多尺度特征提取层输出的图像特征向量；

将所述图像特征向量输入至所述单物料分割模型的语义分类层，得到所述语义分类层输出的所述待分类物料图像中每一像素的语义分类结果；

将所述图像特征向量输入至所述单物料分割模型的物料归属向量表示层，得到所述物料归属向量表示层输出的所述待分类物料图像中每一像素的物料归属向量。

3.根据权利要求1或2所述的物料分类方法，其特征在于，所述单物料分割模型的损失函数包括语义分割损失函数和物料归属向量表示损失函数；

其中，所述语义分割损失函数是基于样本物料图像中每一像素的语义分割结果，以及每一像素的样本语义分割结果确定的；所述样本语义分割结果是基于所述样本物料图像中每一单物料对应的样本单物料掩膜确定的；

所述物料归属向量表示损失函数是基于样本物料图像中属于同一单物料的像素的物料归属向量间的距离，以及属于不同单物料的像素的物料归属向量间的距离确定的。

4.根据权利要求1所述的物料分类方法，其特征在于，所述将每一单物料掩膜在所述待分类物料图像中的单物料图像输入至物料分类模型，得到所述物料分类模型输出的物料分类结果，具体包括：

将任一单物料图像输入至所述物料分类模型的特征符号提取层，得到所述特征符号提取层输出的所述任一单物料图像对应的特征符号向量；

将所述任一单物料图像输入至所述物料分类模型的单物料特征提取层，得到所述单物料特征提取层输出的所述任一单物料图像对应的单物料特征向量；

将所述任一单物料图像对应的特征符号向量和单物料特征向量输入至所述物料分类模型的特征融合层，得到所述特征融合层输出的所述任一单物料图像对应的特征融合向量；

将每一单物料图像对应的特征融合向量输入至所述物料分类模型的图像分类层，得到所述图像分类层输出的所述物料分类结果。

5.根据权利要求4所述的物料分类方法，其特征在于，所述将所述任一单物料图像对应的特征符号向量和单物料特征向量输入至所述物料分类模型的特征融合层，得到所述特征融合层输出的所述任一单物料图像对应的特征融合向量，具体包括：

将所述任一单物料图像对应的特征符号向量和单物料特征向量分别输入至所述特征融合层的自注意力变换层，得到所述自注意力变换层输出的特征符号自注意力向量和单物料特征自注意力向量；

将所述特征符号自注意力向量和所述单物料特征自注意力向量输入至所述特征融合层的矩阵元素融合层，得到所述矩阵元素融合层输出的所述特征融合向量。

6.根据权利要求1、2、4、5任一项所述的物料分类方法，其特征在于，所述样本物料图像以及所述样本单物料掩膜的获取方法，具体包括：

对包含物料的样本图像进行二值化，得到初步物料掩膜；

对所述初步物料掩膜进行连通域分析，得到所述初步物料掩膜中每一连通域分别对应的候选物料掩膜；

将仅包含单个物料的候选物料掩膜作为所述样本单物料掩膜；

将若干个样本单物料掩膜的连通域在所述样本图像中对应的子图，在背景图像上随机堆叠，得到所述样本物料图像。