[发明专利]基于深度神经网络的煤矸石图像分割方法、装置及设备

权利要求书

1.一种基于深度神经网络的煤矸石图像分割方法，其特征在于，包括：

获取待进行图像分割的伪双能X射线煤矸石图像，并将所述伪双能X射线煤矸石图像中的低能射线图像和高能射线图像合并为两通道图像；

利用深度学习分割模型提取所述两通道图像的语义特征，并依据所述语义特征输出煤矸石图像分割结果的概率分布值，其中，所述语义特征用于表示煤矸区域像素点同背景区域像素点之间的关系；

根据所述煤矸石图像分割结果的概率分布值确定所述伪双能X射线煤矸石图像中包含的所有煤矸区域；

基于所述所有煤矸区域进行图像后处理，得到最终的煤矸石图像分割结果。

2.根据权利要求1所述的方法，其特征在于，所述将所述伪双能X射线煤矸石图像中的低能射线图像和高能射线图像合并为两通道图像，包括：

将所述伪双能X射线煤矸石图像剪切为低能射线图像和高能射线图像；

执行所述低能射线图像和所述高能射线图像的通道合并操作，得到合并后的两通道图像。

3.根据权利要求1所述的方法，其特征在于，在利用深度学习分割模型提取所述两通道图像的语义特征，并依据所述语义特征输出煤矸石图像分割结果的概率分布值之前，还包括：

预训练编解码卷积神经网络架构，所述编解码卷积神经网络架构用于提取两通道图像的语义特征，并依据所述语义特征输出煤矸石图像分割结果的概率分布值；

对训练完成的编解码卷积神经网络架构进行模型结构及参数文件的转化，并编写C++程序进行模型部署；

利用LibTorch在所述C++程序中调用转化好的深度学习分割模型。

4.根据权利要求3所述的方法，其特征在于，所述预训练编解码卷积神经网络架构，包括：

基于深度神经网络搭建编解码卷积神经网络架构；

获取预设数量个样本伪双能X射线煤矸石图像，并将所述样本伪双能X射线煤矸石图像按照预设比例划分为训练集和测试集，其中，所述样本伪双能X射线煤矸石图像中包含煤矸区域标记数据；

将所述样本伪双能X射线煤矸石图像对应的两通道图像作为输入特征，将所述煤矸区域标记数据作为特征标签，离线训练所述编解码卷积神经网络架构；

利用所述测试集中的样本伪双能X射线煤矸石图像对所述编解码卷积神经网络架构进行训练结果验证，获取所述编解码卷积神经网络架构的损失函数，若判断所述损失函数小于预设阈值，则确定所述编解码卷积神经网络架构训练完成。

5.根据权利要求4所述的方法，其特征在于，所述编解码卷积神经网络架构包括编码器、解码器，所述编码器的主网络中包含空间至通道元素重组模块，所述解码器的主网络中包含通道至空间元素重组模块，所述将所述样本伪双能X射线煤矸石图像对应的两通道图像作为输入特征，将所述煤矸区域标记数据作为特征标签，离线训练所述编解码卷积神经网络架构，包括：

所述编码器利用所述空间至通道元素重组模块将所述两通道图像中高分辨的特征图通过卷积和多通道间的重组，实现对所述两通道图像的下采样；

所述解码器利用所述通道至空间元素重组模块将所述两通道图像中低分辨的特征图通过卷积和多通道间的重组，实现对所述两通道图像的上采样；

根据所述下采样结果和上采样结果确定所述两通道图像的语义特征；

根据所述语义特征以及所述特征标签离线训练更新所述编解码卷积神经网络架构的权值与偏置。

6.根据权利要求1所述的方法，其特征在于，所述煤矸石图像分割结果中包含至少一个分割区域，所述根据所述煤矸石图像分割结果的概率分布值确定所述伪双能X射线煤矸石图像中包含的所有煤矸区域，包括：

将对应概率分布值大于预设概率分布阈值的分割区域确定为煤矸区域，以提取出所述伪双能X射线煤矸石图像中所包含的所有煤矸区域。

7.根据权利要求1所述的方法，其特征在于，所述基于所述所有煤矸区域进行图像后处理，得到最终的煤矸石图像分割结果，包括：

在所述所有煤矸区域中剔除煤矸粒度小于预设阈值的煤矸区域，得到最终的煤矸石图像分割结果。