[发明专利]基于数据增广机器视觉的图像检测分割方法、系统、电子设备

说明书

本发明公开了一种基于数据增广机器视觉的图像检测方法、系统、电子设备，涉及人工智能与机器视觉领域。本发明首先获取砂石料堆图像，制作出砂石料图像原始数据集，然后建立数据集，基于数据增广机器视觉算法适配缺失数据以实现模型泛化，实现对数据集砂石料图像的检测与分割，通过建立高相关二维特征参数，表征出砂石料颗粒的三维粒度公式，实现二维特征参数表征砂石料颗粒三维特征，计算得到砂石料图像的三维粒度分布。本发明采用基于领域泛化元学习的全局卷积网络机器视觉方法，实现了针对砂石料特征的自主学习，提高了图像分割的精度及语义分割中分类和定位的准确度，解决了不规则砂石颗粒图像分割中存在的过分割和欠分割问题。

技术领域

本发明涉及一种智慧工厂机器视觉的图像检测分割方法，涉及人工智能与机器视觉领域。

背景技术

各类建筑行业对混凝土有大量需求，其中主要成分砂石的需求量同样巨大。然而，在不同的建筑应用场景中，混凝土对砂石颗粒大小的要求各不相同。所以针对高楼建筑、桥梁、公路建造等不同应用场景，需要实时检测砂石粒径大小，检测工作量巨大，人工抽样检测效率低、不准确、主观偏差大、准确率无法保证。

现有采用领域泛化机器视觉的方法，利用图像分割技术实现智能化的砂石料图像检测。以混凝土数字化生产流程为研究对象，其中间原材料砂石的颗粒度检测对后续生产品控至关重要，为此，已经有多种基于机器视觉的智能化检测方法，砂石颗粒图像边缘检测与图像分割的难点在于其颗粒形状不规则，并且颗粒之间互相堆叠，有时由于成像原因导致颗粒边界模糊，所有这些都给图像检测带来很大挑战，相比具有规则几何形状的目标检测难度要增大很多。

与此相关的图像分割与检测方法有基于图像纹理、灰度等将其进行语义分割；或者根据灰度值结合阈值来进行分割；有采用边缘分割的方法；有采用形态学分水岭分割图像，包括结合标记的方法提升性能；有采用深度学习全卷积分离分割模型的方法。所有这些方法容易产生过分割和欠分割问题。

发明内容

本发明所要解决的技术问题是：针对背景技术中指出的不规则砂石颗粒图像分割中其他方法存在的过分割和欠分割问题，提出一种基于数据增广机器视觉的图像检测方法，解决不规则砂石颗粒图像边缘检测与图像分割问题。

本发明为解决技术问题而提出的技术方案如下：

本发明提出一种基于数据增广机器视觉的图像检测分割方法，本发明所涉及的数据增广采用领域泛化方法，领域泛化是领域自适应方法的进阶，都属于人工智能领域的迁移学习方法类，应用于不规则砂石颗粒图像边缘检测与图像分割，把源任务模型的训练结果作为初始权重，实现源模型迁移学习，拟合能力和泛化性能显著提升，具体包括如下步骤：

S1、获取砂石料堆图像，制作出砂石料图像原始数据集；

S2、对原始数据集进行预处理，构建训练集、验证集和测试集；

S3、基于数据增广机器视觉算法适配缺失数据以实现模型泛化；

S4、根据步骤S3的泛化模型，基于训练集采用GCN算法进行迁移学习，实现对数据集砂石料图像的检测与分割，在模型训练的过程中，结合数据集规模、图像扫描迭代周期次数、损失函数收敛曲线因素，进行模型超参数的初步适配；

S5、把初步训练完成的语义分割模型在验证集上进行验证，根据推理精度，进一步调适网络模型超参数；

S6、重复步骤S4-S5，得到优化全局卷积网络语义分割模型，在测试集上推理得到测试集精度；

S7、如果优化全局卷积网络语义分割模型在测试集精度没有达到预设阈值，那么重复步骤S4至步骤S6，直至符合预设阈值条件，进入步骤S8；

S8、从训练集中随机抽取n组图像，采用全局卷积网络语义分割模型抽取图像特征，然后基于近邻成分分析特征选择算法对这n组砂石料图像二维形态特征参数进行关联性计算，找出与混合料三维粒度相关性最高的二维特征参数；