[发明专利]一种基于实例分割算法的异物检测方法及系统

说明书

本发明是关于一种基于实例分割算法的异物检测方法。该方法包括：基于不含异物的目标区域的样本图像训练得到实例分割模型；将所述目标区域的待检测图像输入所述实例分割模型，获得所述目标区域的掩膜；判断所述掩膜中的像素点是否连续，若不连续，则判断所述目标区域中存在异物。本发明提供的方案，利用实例分割模型来实现对异物的识别与定位，将异物的目标检测问题转化为实例分割问题，能更好的应用在实际环境中解决对非特定类别的异物的识别定位问题，具有较好的泛化性能和鲁棒性。

技术领域

本发明属于人工智能图像识别技术领域，具体涉及一种基于实例分割算法的异物检测方法及系统。

背景技术

在实际的生产操作场景中，由于受外界因素的影响，在工作台区域等工作场景中，除操作人员外常出现异物，工作台上的异物可能会严重影响到工作台的安全运行,因此，在实际的生产过程中，需要对工作台环境以及其他容易受到外界因素或人为因素影响的区域进行监测工作,坚持“实时检测，规范操作，有异必报”的原则，防止因异物的存在造成不良影响。

目前，通常采用目标检测模型来对异物进行识别，这种方法仅能识别指定类别的异物，泛化能力和鲁棒性较差。

发明内容

针对现有的目标检测模型在检测异物的过程中无法预知异物具体类别从而造成检测结果不鲁棒的情况，本发明提供一种基于实例分割算法的异物检测方法及系统，能够较为鲁棒地将异物从场景图像中提取出来。

根据本发明实施例的第一方面，提供一种基于实例分割算法的异物检测方法，包括：

基于不含异物的目标区域的样本图像训练得到实例分割模型；

将所述目标区域的待检测图像输入所述实例分割模型，获得所述目标区域的掩膜；

判断所述掩膜中的像素点是否连续，若不连续，则判断所述目标区域中存在异物。

进一步，所述实例分割模型采用YOLOF网络。

进一步，若所述掩膜中的像素点不连续，该方法还包括：

提取所述掩膜中不连续的像素点作为待测目标的mask矩阵；

计算所述待测目标的mask矩阵与已知的人的mask矩阵之间的相似度；

若所述相似度大于预设阈值，则判断所述待测目标是人，所述目标区域中不存在异物。

进一步，所述计算所述待测目标的mask矩阵与已知的人的mask矩阵之间的相似度，具体包括：

把所述待测目标的mask矩阵F和已知的人的mask矩阵P相乘，得到人和待测目标的交集，然后求和，得到相似度M，公式表示为：

M＝∑F⊙P

其中，⊙表示矩阵逐元素相乘。

根据本发明实施例的第二方面，提供一种基于实例分割算法的异物检测系统，包括：

模型训练模块，用于基于不含异物的目标区域的样本图像训练得到实例分割模型；

实例分割模块，用于将所述目标区域的待检测图像输入所述实例分割模型，获得所述目标区域的掩膜；

异物判断模块，用于判断所述掩膜中的像素点是否连续，若不连续，则判断所述目标区域中存在异物。

进一步，所述实例分割模型采用YOLOF网络。

进一步，该系统还包括：

矩阵提取模块，用于若所述掩膜中的像素点不连续，提取所述掩膜中不连续的像素点作为待测目标的mask矩阵；

相似度计算模块，用于计算所述待测目标的mask矩阵与已知的人的mask矩阵之间的相似度；