[发明专利]适用于储罐金属立面表面场景的深度学习语义分割方法

说明书

本发明涉及一种适用于储罐金属立面表面场景的深度学习语义分割方法，其技术特点是：采集制作储罐金属立面表面场景的数据集；构建包括输入层、卷积层、反卷积层、SoftMax层和输出层的语义分割网络模型；对储罐金属立面表面场景的数据集进行预处理，得到训练数据集和测试数据集；根据训练数据集和测试数据集对语义分割网络模型进行训练并生成图像。本发明针对储罐金属里面表面场景数据特点通过构建深度学习语义分割网络，语义分割综合了图像分割任务和物体识别任务，对图像进行像素级别的分类，返回带有语义信息的分割图像，将其应用爬壁机器人上，能够更加灵活可靠地完成各项工作。

技术领域

本发明属于计算机图形学与多媒体技术领域，尤其是一种适用于储罐金属立面表面场景的深度学习语义分割方法。

背景技术

利用爬壁机器人对石化储罐表面进行检测维护作业的方式取代了以往搭建脚手架的人工维护方式，不仅提高了工作效率，也极大地减小了对工作人员生命安全的威胁。但是，储罐的表面情况较为复杂，以应用最为广泛地拱顶储罐为例，除壁面之外，还存在着加强圈、旋梯、消防喷淋管以及密封圈、取样口、人孔等装置，这些装置使罐体壁面的复杂性大大提高，而机器人缺乏对这些附件的辨别能力，因而在一定程度上降低了爬壁机器人工作时的灵活性和可靠性。

使机器人对工作场景拥有较高的理解能力，是提高机器人自主能力的关键。对石化储罐壁面场景而言，只有机器人拥有了对壁面上不同装置的“认知能力”，才能使爬壁机器人能够更加灵活可靠的完成各项工作。传统的机器人感知技术虽然能够获取储罐表面附件的位置信息和几何信息，但并不能完全理解环境中具体物体的所包含的语义信息，无法判断物体之间的相互逻辑关系。

发明内容

本发明的目的在于克服现有技术的不足，提出一种设计合理、精度高且能够满足复杂环境的适用于储罐金属立面表面场景的深度学习语义分割方法。

本发明解决其技术问题是采取以下技术方案实现的：

一种适用于储罐金属立面表面场景的深度学习语义分割方法，包括以下步骤：

步骤1、采集制作储罐金属立面表面场景的数据集；

步骤2、构建包括输入层、卷积层、反卷积层、SoftMax层和输出层的语义分割网络模型；

步骤3、对储罐金属立面表面场景的数据集进行预处理，得到训练数据集和测试数据集；

步骤4、根据训练数据集和测试数据集对语义分割网络模型进行训练并生成图像。

进一步，所述步骤1的具体实现方法为：首先采集储罐金属立面表面场景的消防喷淋管、加强圈、壁面、旋梯、排污管道和电线管道的图像并以不同颜色进行标注，然后对其进行数据增强和灰度化处理。

进一步，所述步骤2的具体构建方法包括以下步骤：

步骤2.1、所述语义分割网络模型由一个输入层、三个卷积模块和残差连接模块、四个反卷积层、一个SoftMax层和一个输出层构成，三个卷积模块和八个残差连接模块共包括47个卷积层，每个卷积层后都进行Relu和BN操作，并进行Zero-Padding填充；

步骤2.2、特征图经第一个卷积层后，进入第一个卷积模块，一方面通过三个卷积层进行特征提取，另一方面经过一个卷积层进行特征提取，将生成的两种特征图通过相加得到新的特征图A；

步骤2.3、特征图A进入第一个残差连接模块，通过三次卷积后生成特征图后与特征图A相加，生成特征图B；

步骤2.4、特征图B进入第二个残差连接模块，通过三次卷积后生成特征图后与特征图B相加，生成特征图C；

步骤2.5、特征图C进入第二个卷积模块，一方面通过三个卷积层进行特征提取，另一方面经过一个卷积层进行特征提取，生成的两种特征图通过相加得到新的特征图D；