[发明专利]一种基于改进DeepLabV3+网络的机械零部件图像分割算法

说明书

本发明涉及一种基于改进DeepLabV3+网络的机械零部件图像分割算法。包括：首先，在主干网络中引入注意力机制来提升有效特征信息的重要性，增强对零部件目标的学习能力。其次，增加底层特征来源以充分利用特征融合分支进行自适应学习低级特征的空间信息，并且将原4倍上采样操作分解为逐层上采样，减少了重要像素信息的丢失。最后，使用不对称卷积来增强解码层中3×3卷积的核骨架部分，提高了卷积核的处理能力以及模型精度。本发明方法实现了对零部件图像中的零部件区域的准确分割，有效弥补了传统DeepLabV3+对零部件图像分割时存在边缘分割模糊、不完全分割的问题，同时具有一定的实时性，提升工业化效率。

技术领域

本发明涉及深度学习和计算机视觉技术领域,具体的说是一种基于改进DeepLabV3+网络的机械零部件图像分割算法。

背景技术

零件的识别分割作为工业机器人智能抓取视觉任务的重要组成部分，其分割结果将对抓取任务的顺利进行产生极大的影响。在对零部件识别分割的研究中，先是使用HOG算法、Canny边缘检测和Sobel算子等传统算法进行特征提取，但这些传统方法的零件特征识别精度主要取决于人工选择特征提取法的质量，且在多目标机械零部件图像中识别效果不佳；随着卷积神经网络算法被逐步提出，提取零部件图像区域的方法常为目标检测或语义分割，目标检测方法中常用R-CNN，SS和YOLO系列等，但由于实际场景中零件种类繁多，目标检测方法难以提取目标轮廓和特定区域，但语义分割方法可以，常用方法为SegNet，U-Net和DeepLab系列等，但在分割的过程中，由于部分零部件图像与背景相似，局部遮挡等问题，增加了分割难度。

发明内容

针对传统DeepLabV3+分割零部件图像时存在零件边缘分割模糊，不完全分割等问题，造成最终图像分割准确率低的问题，提出了一种基于改进DeepLabV3+网络的机械零部件图像分割算法，减少零部件图像分割结果中边界信息模糊，提高零部件分割算法的准确度，以适应目前工业化的零部件图像分割。实验结果显示本文的算法模型能够取得不错的分割效果，对零部件图像分割具有一定的参考意义。

本发明为实现上述目的所采用的技术方案是：一种基于改进DeepLabV3+网络的机械零部件图像分割算法，包括以下步骤：

步骤一：采集原始零部件图像；对零部件原始图像中出现的1个或多个零部件边界进行分割标注得到人工分割图像，将原始图像与人工分割图像共同建立零部件图像数据集；

步骤二：对零部件图像和人工分割图像分别进行数据增强处理扩充样本图像，再按比例随机划分为训练集、验证集和测试集；

步骤三：搭建改进DeepLabV3+的语义分割模型，包括编码层和解码层；编码层包括MobileNetV2和通道注意力模块、自适应空间特征融合模块ASFF、空间金字塔池模块ASPP、1×1卷积模块，用于将特征图尺寸缩小，提取信息进行零部件边界分割；解码层包括1×1卷积模块、上采样操作、非对称卷积模块，用于逐步恢复空间维度，输出同尺寸的边界分割结果图；

步骤四：设置网络训练参数，将训练集图片输入改进DeepLabV3+的语义分割网络进行训练，利用验证集进行验证，得到优化的网络模型；

步骤五：利用优化的DeepLabV3+语义分割模型对测试集中的零部件图像进行识别预测，得到机械零部件分割结果图。

所述数据增强包括旋转、平移和添加噪声操作。

所述旋转包括水平翻转、垂直翻转、±60°、±90°、±210°、±240°的旋转；所述平移包括右移100像素、下移100像素；以及添加0.001,0.002,0.003的椒盐噪声；最后将增强后的数据集样本按8：1：1的比例随机划分为训练集、验证集和测试集。