[发明专利]一种基于深度学习的车辆外观部件图像分割方法

摘要

本发明是关于一种基于深度学习的车辆外观部件图像分割方法，包括：根据图像中的分割目标对原始图像进行手工分割标定，获得分割标签；将所述原始图像和分割标签输入到深度学习神经网络中,结合回归模型对所述深度学习神经网络进行训练，获得深度学习网络模型，其中，所述深度学习神经网络包括依次连接的编码层、解码层和卷积层；将待分割图像输入到所述深度学习网络模型中进行分割，获得分割图像。所述神经网络模型包括依次连接的编码层、解码层和卷积层，相对其它的神经网络结构，删除了全连接层，更加适用于车辆外观部件、这种大面积且平整的图像分割。同时，本实施例提供的该方法，不需要先验条件进行初始化，准确率高且不受先验条件的限制。

主权项

1.一种基于深度学习的车辆外观部件图像分割方法，其特征在于，包括：根据图像中的分割目标对原始图像进行手工分割标定，获得分割标签；将所述原始图像和分割标签输入到深度学习神经网络中，结合回归模型对所述深度学习神经网络进行训练，获得深度学习网络模型，其中，所述深度学习神经网络包括依次连接的编码层、解码层和卷积层；将待分割图像输入到所述深度学习网络模型中进行分割，获得分割图像；其中，将所述原始图像和分割标签输入到深度学习神经网络中,结合回归模型对所述深度学习神经网络进行训练，包括：利用深度学习神经网络中的编码层对所述原始图像进行卷积和池化处理，获得特征图像；利用所述深度学习神经网络中的解码层对所述特征图像进行逆卷积和逆池化处理，获得与所述原始图像大小相同的解码图像；利用深度学习神经网络中的卷积层对所述解码图像进行卷积运算，得到P个滤波后的图像，其中，P等于所述原始图像中的车辆部件类别数量；利用回归模型的假设函数，计算所述P个滤波后的图像中各像素点类别；利用回归模型的损失函数计算所述各像素点类别与所述分割标签之间的误差；判断所述误差是否大于预设值；如果所述误差大于预设值，则对所述损失函数反向求导，分别调节所述深度学习神经网络中的解码层、编码层和卷积层中的权值。