[发明专利]一种基于深度学习网络的机械装配体图像分割方法和设备

权利要求书

1.一种基于深度学习网络的机械装配体图像分割方法，其特征在于，包括以下步骤：

通过深度学习网络构建由编码器网络和解码器网络组成的机械装配体轻量化语义分割模型；

建立机械装配体数据集，建立复数个机械装配体的三维模型，并对各所述三维模型中的各零件添加标记，根据所述标记对所述三维模型进行三维渲染，得到不同角度下三维模型的深度图像和对应的标签图像；从各个三维模型中分别选取一个装配阶段的深度图像，整合为测试集，剩余的深度图像作为训练集；

特征提取，将训练集中的深度图像输入到所述编码器网络中，对所述深度图像进行特征提取，获取高信息质量的特征图；

图像分割，将所述高信息质量的特征图输入至所述解码器网络中，恢复图像大小并进行特征融合，得到多维分割图；

模型优化，根据多维分割图与对应的标签图像之间的误差，更新所述编码器网络中的可训练参数；

模型输出，利用所述训练集中的深度图像，迭代执行所述特征提取、图像分割和模型优化步骤，直到达到预设的训练次数；利用所述测试集中的深度图像对所述机械装配体轻量化语义分割模型进行验证，验证成功后输出所述机械装配体轻量化语义分割模型；

图像分割，利用训练好的所述机械装配体轻量化语义分割模型对机械装配体进行图像分割，分割出机械装配体的各零件；

所述编码器网络包含多层操作，每层操作由卷积模块、最大池化操作和选择性卷积模块组成；所述卷积模块包括卷积核、批量归一化操作和激活函数ReLu，所述编码器网络的输入端用于获取深度图像，依次通过卷积、批量归一化和激活函数ReLu操作，生成初始特征图；所述选择性卷积模块包括选择性卷积核，用于对所述初始特征图进行动态选择，生成所述高信息质量的特征图；所述最大池化操作用于扩大感受野并同时加倍输入图像的通道数；

所述解码器网络包括多层操作，每层操作由上采样操作、通道融合操作以及两个卷积模块组成；所述上采样操作用于对所述高信息质量的特征图进行上采样，并将所述高信息质量的特征图的通道数减半；所述通道融合操作用于将所述高信息质量的特征图的通道进行合并；所述卷积模块包括卷积核和激活函数ReLu，用于对输入的图像进行卷积操作和激活操作；在所述解码器网络的最后一层的最后端，连接有一个卷积操作和激活函数ReLu，通过所述卷积操作和激活函数ReLu获取多维分割图。

2.根据权利要求1所述的一种基于深度学习网络的机械装配体图像分割方法，其特征在于：所述机械装配体轻量化语义分割模型后端还连接有一DenseCRF后处理模块，所述DenseCRF后处理模块用于对所述多维分割图进行修正，得到更细致的分割边界。

3.根据权利要求1所述的一种基于深度学习网络的机械装配体图像分割方法，其特征在于：在所述模型优化步骤中，用反向传播算法，根据交叉熵损失函数计算多维分割图与对应的标签图像之间的误差值，使用优化器反向更新所述编码器网络中的可训练参数。

4.一种基于深度学习网络的机械装配体图像分割设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至3任一项所述的方法。

5.一种基于深度学习网络的机械装配体图像分割介质，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至3任一项所述的方法。