[发明专利]一种基于语义分割的风飘异物识别方法和装置

权利要求书

1.一种基于语义分割的风飘异物识别方法，其特征在于，包括以下步骤：

S1：对收集到的风飘异物图片数据集进行语义分割像素标注，得到标签图片；

S2：搭建针对风飘异物的语义分割神经网络，并将所述风飘异物图片数据集中的图片输入所述语义分割神经网络，结合所述标签图片对所述语义分割神经网络进行训练，所述语义分割神经网络基于deeplabv3+网络，包括含有空洞卷积的深度卷积网络和空洞金字塔池化；

S3：将采集到的图片输入训练好的所述语义分割神经网络，得到输出结果；以及

S4：通过Opencv对所述输出结果进行轮廓提取，根据提取出的所述轮廓的个数判断所述图片中是否存在风飘异物。

2.根据权利要求1所述的基于语义分割的风飘异物识别方法，其特征在于，在所述步骤S1之前还包括：对所述风飘异物图片数据集进行数据扩增。

3.根据权利要求1所述的基于语义分割的风飘异物识别方法，其特征在于，在所述步骤S1之后还包括：将所述标签图片从RGB模式转化为L灰度模式或调色板颜色模式。

4.根据权利要求1所述的基于语义分割的风飘异物识别方法，其特征在于，所述步骤S2具体包括：

S21：将所述图片输入所述含有空洞卷积的深度卷积网络中进行特征提取，得到高级语义特征图和低级语义特征图；

S22：将所述高级语义特征图输入所述空洞金字塔池化中分别与四个空洞卷积层和一个池化层进行卷积和池化得到五个特征图，所述五个特征图连接后再通过1×1的卷积运算得到第一输出图片，所述第一输出图片经过第一次上采样得到第二输出图片；

S23：获取与所述第二输出图片具有相同分辨率的所述低级语义特征图，将所述低级语义特征图经过1×1的卷积运算，得到具有与所述第二输出图片相同的通道比重的第三输出图片；

S24：将所述第三输出图片与所述第二输出图片进行合并，再通过3×3的细化卷积进行细化，最后通过第二次上采样得到预测结果；以及

S25：根据预测结果和所述标签图片求取损失函数进行权重更新，得到最终的所述语义分割神经网络和权重。

5.根据权利要求4所述的基于语义分割的风飘异物识别方法，其特征在于，所述第一次上采样和所述第二次上采样均采用双线性上采样4倍的方式。

6.根据权利要求1所述的基于语义分割的风飘异物识别方法，其特征在于，所述步骤S4具体包括：若通过Opencv提取出的所述轮廓的个数大于0，则表示所述图片中存在风飘异物，否则表示所述图片中不存在风飘异物。

7.根据权利要求1-6中任一项所述的基于语义分割的风飘异物识别方法，其特征在于，所述风飘异物包括塑料袋、麻袋、米袋、绳子、毛巾或布条。

8.一种基于语义分割的风飘异物识别装置，其特征在于，包括：

标注模块，被配置为对收集到的风飘异物图片数据集进行语义分割像素标注，得到标签图片；

模型训练模块，被配置为搭建针对风飘异物的语义分割神经网络，并将所述风飘异物图片数据集中的图片输入所述语义分割神经网络，结合所述标签图片对所述语义分割神经网络进行训练，所述语义分割神经网络基于deeplabv3+网络，包括含有空洞卷积的深度卷积网络和空洞金字塔池化；

结果输出模块，被配置为将采集到的图片输入训练好的所述语义分割神经网络，得到输出结果；以及

判断模块，被配置为通过Opencv对所述输出结果进行轮廓提取，根据提取出的所述轮廓的个数判断所述图片中是否存在风飘异物。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。