[发明专利]实例分割探杆检测方法及装置

权利要求书

1.一种实例分割探杆检测方法，其特征在于，所述方法包括：

获取待检测区域的图像；

将所述图像输入预先训练的实例分割模型，得到探杆的检测结果；所述预先训练的实例分割模型包括主干网络模块、特征金字塔模块及预测模块；

所述主干网络模块包括连接主干网络模型，所述连接主干网络模型包括至少两个主干网络，所述两个主干网络提取的特征融合后输出；所述特征金字塔模块的至少一个卷积层提取的特征与所述主干网络模块的底层卷积层提取的特征融合后输出；

所述预测模块的输入为多个先验框，输出为所述多个先验框融合得到的先验框；

所述特征金字塔模块包括多层卷积层，至少一层所述卷积层与所述主干网络模块的底层卷积层连接；

所述底层卷积层输出的特征图下采样得到与所述特征金字塔模块的卷积层相同分辨率的目标特征图，所述目标特征图与所述特征金字塔模块的卷积层的特征图相加后作为所述特征金字塔模块的卷积层的输出；

所述底层卷积层为所述主干网络模块的第一卷积层；所述特征金字塔模块中与所述主干网络模块的卷积层连接的卷积层，均与所述第一卷积层连接。

2.根据权利要求1所述的方法，其特征在于，所述主干网络模块包括第一主干网络及第二主干网络，所述第一主干网络与所述第二主干网络中相同分辨率的卷积层连接，所述相同分辨率的卷积层输出的特征图相加后作为所述第一主干网络中上一层卷积层的输入。

3.根据权利要求2所述的方法，其特征在于，所述主干网络模块中特征图相加的公式如下：

F′_out＝ε(F_out) (2)

其中，F_l为第一主干网络第l卷积层的特征图，F_a为第二主干网络第a卷积层的特征图，F_l和F_a具有相同的分辨率，表示元素级别的相加，ε为1*1的卷积，F_out为融合之后的特征图，F′_out为第一主干网络第l+1卷积层的输入。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述预测模块包括循环神经网络及自注意力机制模块，所述循环神经网络的输入为先验框序列，所述循环神经网络的输出为所述自注意力机制模块的输入，所述自注意力机制模块输出特征融合后的先验框。

5.根据权利要求4所述的方法，其特征在于，所述预测模块还包括预测单元，所述预测单元的输出为多个先验框。

6.一种实例分割探杆检测装置，其特征在于，所述装置包括：

获取模块，用于获取待检测区域的图像；

检测模块，用于将所述图像输入预先训练的实例分割模型，得到探杆的检测结果；所述预先训练的实例分割模型包括主干网络模块、特征金字塔模块及预测模块；

所述主干网络模块包括连接主干网络模型，所述连接主干网络模型包括至少两个主干网络，所述两个主干网络提取的特征融合后输出；所述特征金字塔模块的至少一个卷积层提取的特征与所述主干网络模块的底层卷积层提取的特征融合后输出；

所述预测模块的输入为多个先验框，输出为所述多个先验框融合得到的先验框；

所述特征金字塔模块包括多层卷积层，至少一层所述卷积层与所述主干网络模块的底层卷积层连接；

所述底层卷积层输出的特征图下采样得到与所述特征金字塔模块的卷积层相同分辨率的目标特征图，所述目标特征图与所述特征金字塔模块的卷积层的特征图相加后作为所述特征金字塔模块的卷积层的输出；

所述底层卷积层为所述主干网络模块的第一卷积层；所述特征金字塔模块中与所述主干网络模块的卷积层连接的卷积层，均与所述第一卷积层连接。

7.根据权利要求6所述的装置，其特征在于，所述主干网络模块包括第一主干网络及第二主干网络，所述第一主干网络与所述第二主干网络中相同分辨率的卷积层连接，所述相同分辨率的卷积层输出的特征图相加后作为所述第一主干网络中上一层卷积层的输入。