[发明专利]一种基于语义分割的磨粒图像分类方法及装置

说明书

本发明公开了一种基于语义分割的磨粒图像分类方法及装置，该方法包括：利用链式通道注意力网络提取待分类的磨粒图像的图像特征；利用基于类注意力的语义分割网络对提取到的图像特征进行语义分割；基于语义分割网络输出的语义分割结果，利用分类网络得到当前待分类的磨粒图像的分类结果。本发明利用语义分割标签引导模型关注目标区域，更加有益于分类图像中的小目标。

技术领域

本发明涉及图像分类技术领域，特别涉及一种基于语义分割的磨粒图像分类方法及装置。

背景技术

目前，对于图像进行分类已经有大量的研究成果，现有的图像分类方法包括传统的图像分类方法和基于深度学习的图像分类方法(网络自动提取特征)。尤其是基于深度学习的图像分类技术已经非常成熟。

但是，在一些特定的图像分析领域(如磨粒图像分析)，图像中的目标通常是很小的，即目标占据的像素少、背景占据的像素多，从而增加了分类的难度。把目前这些成熟的图像分类技术应用到如上所述的特定领域时，分类效果却不尽人意。因此，设计更好的小目标、大背景图像分类方法是非常有必要的。

发明内容

本发明提供了一种基于语义分割的磨粒图像分类方法及装置，以解决现有的图像分类方法对磨粒图像的分类效果不够理想的技术问题。

为解决上述技术问题，本发明提供了如下技术方案：

一方面，本发明提供了一种基于语义分割的磨粒图像分类方法，包括：

利用链式通道注意力网络提取待分类的磨粒图像的图像特征；

利用基于类注意力的语义分割网络对提取到的图像特征进行语义分割；

基于语义分割结果，利用分类网络得到当前待分类的磨粒图像的分类结果。

进一步地，所述语义分割网络使用的分割损失函数的表达式如下：

其中，Loss_seg表示分割损失函数，α表示每类的权重，f_nijc表示第n个磨粒图像的语义分割标签，seg_nijc表示语义分割网络输出的第n个磨粒图像的分割结果，N表示磨粒图像的个数，C表示磨粒数，W和H表示语义分割结果的大小；

所述链式通道注意力网络包括三个第一链式通道模块，两个第二链式通道模块，所述第一链式通道模块包括依次连接的两个卷积层、最大池化层、平均池化层以及全连接层；其中，在所述第一链式通道模块中，最大池化层的输出与全连接层的输出进行融合；所述第二链式通道模块包括依次连接的三个卷积层、最大池化层、平均池化层以及全连接层；其中，在所述第二链式通道模块中，最大池化层的输出与全连接的输出融合。

进一步地，当计算背景损失时，α的值为0.001，当计算磨粒损失时，α的值为1。

进一步地，所述分类网络使用的分类损失函数Loss_cla的表达式如下：

其中，Loss_cla表示分类损失函数，N表示磨粒图像的个数，C表示磨粒数，y_nc表示第n个磨粒图像的类标签，cla_nc表示第n个磨粒图像的分类结果。

另一方面，本发明还提供了一种基于语义分割的磨粒图像分类装置，包括：

图像特征提取模块，用于利用链式通道注意力网络提取待分类的磨粒图像的图像特征；

语义分割模块，用于利用基于类注意力的语义分割网络对所述图像特征提取模块提取到的图像特征进行语义分割；

图像分类模块，用于基于所述语义分割模块输出的语义分割结果，利用分类网络得到当前待分类的磨粒图像的分类结果；