CN111291763A - 大理石板图像分割方法、装置设备及存储介质 - Google Patents
大理石板图像分割方法、装置设备及存储介质 Download PDFInfo
- Publication number
- CN111291763A CN111291763A CN202010250174.9A CN202010250174A CN111291763A CN 111291763 A CN111291763 A CN 111291763A CN 202010250174 A CN202010250174 A CN 202010250174A CN 111291763 A CN111291763 A CN 111291763A
- Authority
- CN
- China
- Prior art keywords
- plate image
- marble plate
- picture
- marble
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000004579 marble Substances 0.000 title claims abstract description 150
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000003709 image segmentation Methods 0.000 title claims abstract description 48
- 238000012937 correction Methods 0.000 claims abstract description 26
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 238000012216 screening Methods 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 230000000877 morphologic effect Effects 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 239000011800 void material Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 11
- 238000005259 measurement Methods 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 101100295091 Arabidopsis thaliana NUDT14 gene Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012770 industrial material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4023—Decimation- or insertion-based scaling, e.g. pixel or line decimation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
Abstract
本申请中公开了一种大理石板图像分割方法、装置设备及存储介质，方法包括：获取大理石板图像，对大理石板图像进行预处理，获得相应的预测图片；通过卷积神经网络语义分割算法对预测图片进行卷积计算，获得语义分割后的图片；通过最大连通域筛选算法和形态学开闭运算对分割后的图片进行误差纠正，并获得纠正后的图片。本申请解决了现有的图像分割方法需要大量计算量和内存占用，在计算资源有限的情况下，不能提供工业场景中实时的测量控制；并且复杂的网络往往泛化能力比较差，需要大量数据驱动，并不适合高精度的大理石板加工的工业场景的技术问题。
Description
技术领域
本申请涉及图像分割技术领域，尤其涉及大理石板图像分割方法、装置设备及存储介质。
背景技术
大理石是一种应用非常广泛的工业材料，其主要用于加工成各种形材、板材，用作建筑物的墙面、地面、台、柱，还常用于纪念性建筑物如碑、塔、雕像等。大理石还可以雕刻成工艺美术品、文具、灯具、器皿等实用艺术品。在加工大理石过程中往往残留一些废料，利用机器视觉技术对大理石板进行再加工，能够避免资源浪费，同时节约工厂的成本。
图像分割是计算机视觉核心问题之一，广泛应用于各种工业场景。高精度和高准确度一直是图像分割的一个难点。近年来随着深度学习的发展，图像分割技术准确度、灵活度得到了极大的提升，图像分割技术也逐步成为自动驾驶、机器人中的核心技术。
镜像的全卷积神经网络Unet，由于其参数小，拟合能力强广泛应用于缺陷检测和医学图像分割中。Unet由于其跳层连接的方式以及多尺度网络结构，有效的减少了神经网络在运算过程中信息的流失。这一结构，这也保证了Unet在语义分割中取得优异的表现。
全卷积神经网络需要大量的数据作为驱动，并且由于不可解释性，大量的训练模型往往没法避免瑕疵的出现。同时，由于工业场景复杂多变且数据有限，单一的端到端全卷积神经网络很难直接满足工业场景中高精度、高稳定性的要求。为了提高图像分割的准确度，通常加入大量优化单元模块和加深网络提取更多的特征。这些方法需要大量计算量和内存占用，在计算资源有限的情况下，不能提供工业场景中实时的测量控制。并且复杂的网络往往泛化能力比较差，需要大量数据驱动，并不适合高精度的大理石板加工的工业场景。
发明内容
本申请提供了大理石板图像分割方法、装置设备及存储介质，解决了现有的图像分割方法需要大量计算量和内存占用，在计算资源有限的情况下，不能提供工业场景中实时的测量控制；并且复杂的网络往往泛化能力比较差，需要大量数据驱动，并不适合高精度的大理石板加工的工业场景的技术问题。
本申请第一方面提供了一种大理石板图像分割方法，包括：
获取大理石板图像，对所述大理石板图像进行预处理，获得相应的预测图片；
通过卷积神经网络语义分割算法对所述预测图片进行卷积计算，获得语义分割后的图片；
通过最大连通域筛选算法和形态学开闭运算对所述分割后的图片进行误差纠正，并获得纠正后的图片。
可选地，所述获取大理石板图像，对所述大理石板图像进行预处理，获得相应的预测图片具体包括：
获取大理石板图像，对所述大理石板图像进行打标，分为前景和背景；
打标完成后，检查所述大理石板图像的数据的正误；
对所述大理石板图像进行数据增强；
数据增强后，对所述大理石板图像进行滑动预测。
可选地，所述数据增强后，对所述大理石板图像进行滑动预测具体包括：
将所述大理石板图像从上到下，从左到右依次分解成若干个相同尺寸的小图像。
可选地，所述通过卷积神经网络语义分割算法对所述预测图片进行卷积计算，获得语义分割后的图片还包括：
通过五种空洞卷积结构来提取所述大理石板图像的高层次特征；所述五种空洞卷积结构均包括层次结构。
可选地，所述通过最大连通域筛选算法和形态学开闭运算对所述分割后的图片进行误差纠正，并获得纠正后的图片具体包括：
通过最大连通域筛选算法和形态学开闭运算对所述分割后的图片进行误差纠正，并获得第一次纠正后的图片；
通过所述最大连通域筛选算法和所述形态学开闭运算对所述分割后的图片进行误差纠正，并获得第二次纠正后的图片。
本申请第二方面提供了一种大理石板图像分割装置，包括：
预处理模块，用于获取大理石板图像，对所述大理石板图像进行预处理，获得相应的预测图片；
分割模块，用于通过卷积神经网络语义分割算法对所述预测图片进行卷积计算，获得语义分割后的图片；
误差纠正模块，用于通过最大连通域筛选算法和形态学开闭运算对所述分割后的图片进行误差纠正，并获得纠正后的图片。
可选地，所述预处理模块具体用于：
获取大理石板图像，对所述大理石板图像进行打标，分为前景和背景；
打标完成后，检查所述大理石板图像的数据的正误；
对所述大理石板图像进行数据增强；
数据增强后，对所述大理石板图像进行滑动预测。
可选地，所述分割模块还包括：
将所述大理石板图像从上到下，从左到右依次分解成若干个相同尺寸的小图像。
本申请第三方面提供了一种大理石板图像分割设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行第一方面所述的大理石板图像分割方法。
本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面所述的大理石板图像分割方法。
从以上技术方案可以看出，本申请具有以下优点：
本申请中，提供了一种大理石板图像分割方法，包括：
获取大理石板图像，对所述大理石板图像进行预处理，获得相应的预测图片；
通过卷积神经网络语义分割算法对所述预测图片进行卷积计算，获得语义分割后的图片；
通过最大连通域筛选算法和形态学开闭运算对所述分割后的图片进行误差纠正，并获得纠正后的图片。
本申请提供的一种大理石板图像分割方法，基于大理石板废物利用的工业场景，通过深度学习和图像处理相结合的方法，利用深度学习良好的拟合能力对大理石板图像进行初步分割，再通过形态学和最大连通域筛选机制，对经过统计卷积神经网络分割所产生的误差进行修正，以对大理石板图像进行再优化，进而弥补深度学习适应能力差的缺陷，保证在工业测量中满足高精度低错误率的需求。本申请解决了现有的图像分割方法需要大量计算量和内存占用，在计算资源有限的情况下，不能提供工业场景中实时的测量控制；并且复杂的网络往往泛化能力比较差，需要大量数据驱动，并不适合高精度的大理石板加工的工业场景的技术问题。
附图说明
图1为本申请提供的一种大理石板图像分割方法的一个实施例的流程示意图；
图2为本申请提供的一种大理石板图像分割方法的另一个实施例的流程示意图；
图3为本申请提供的一种大理石板图像分割方法的RASPPUnet的网络结构图；
图4为本申请提供的一种大理石板图像分割方法的RASPP感知域的模块图；
图5为本申请提供的一种大理石板图像分割方法的预测错误图像；
图6为本申请提供的一种大理石板图像分割方法的经最大连通域筛选后的图像；
图7为本申请提供的一种大理石板图像分割方法的大理石板图像；
图8为本申请提供的一种大理石板图像分割方法的RASPPunet图像预测图；
图9为本申请提供的一种大理石板图像分割方法的开运算后的图像；
图10为本申请提供的一种大理石板图像分割方法的闭运算后的图像；
图11为本申请提供的一种大理石板图像分割装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
基于大理石板废物利用的工业场景，本申请提供的大理石板图像分割方法可以建立一种参数小、运算速度快，且可靠性强的图像分割模型，并利用数学形态学和最大连通域筛选机制法来减少卷积神经网络语义分割算法在图像分割时产生的误差，旨在提供一种针对大区域图像的高精度、速度快、可靠性好以及具有实时检测能力的图像分割方法。
本申请实施例提供了大理石板图像分割方法、装置设备及存储介质，解决了现有的图像分割方法需要大量计算量和内存占用，在计算资源有限的情况下，不能提供工业场景中实时的测量控制；并且复杂的网络往往泛化能力比较差，需要大量数据驱动，并不适合高精度的大理石板加工的工业场景的技术问题。
参见图1、3-10，图1为本申请提供的一种大理石板图像分割方法的一个实施例的流程示意图；图3为本申请提供的一种大理石板图像分割方法的RASPPUnet的网络结构图；图4为本申请提供的一种大理石板图像分割方法的RASPP感知域的模块图；图5为本申请提供的一种大理石板图像分割方法的预测错误图像；图6为本申请提供的一种大理石板图像分割方法的经最大连通域筛选后的图像；图7为本申请提供的一种大理石板图像分割方法的大理石板图像；图8为本申请提供的一种大理石板图像分割方法的RASPPunet图像预测图；图9为本申请提供的一种大理石板图像分割方法的开运算后的图像；图10为本申请提供的一种大理石板图像分割方法的闭运算后的图像；
本申请实施例第一方面提供了一种大理石板图像分割方法，包括：
100，获取大理石板图像，对大理石板图像进行预处理，获得相应的预测图片；
200，通过卷积神经网络语义分割算法对预测图片进行卷积计算，获得语义分割后的图片；
300，通过最大连通域筛选算法和形态学开闭运算对分割后的图片进行误差纠正，并获得纠正后的图片。
需要说明的是，本申请实施例提供的大理石板图像分割方法，分为预处理、卷积神经网络和后处理三个部分。先对获取的大理石板图像进行预处理，根据大理石板图像根据不同的分割精度分为高速度和高准确度两种模式，高速度将大图像利用双线性插值算法缩小到小尺度输入到网络中的出预测图片，高准确度将大图像进行滑动预测。然后通过深度学习和图像处理相结合的方向，利用深度学习良好的拟合能力对大理石板图像进行初步分割，经过结果统计卷积神经网络分割的不足，利用形态学和最大连通域筛选机制，对大理石板进行再优化，这样的方法能够很好地弥补深度学习适应能力差的缺陷以保证在工业测量中的高精度低错误率的需求。
参见表1中的Unet和RASPPUnet的性能对比表，与现有技术相比，本申请的优点有：
1、与现有的Unet网络29.67M，本网络只用了10M的参数量，需要的参数量更少，更小的参数泛化能力更强，不容易出现过拟合情况。
2、所采用的卷积神经网络的推理速度快，经测试推理过程只需要0.004秒，可以节约工业场景中的计算开销。
3、感知域利用了RASPP(残差空间空洞卷积)模块，可以有效的利用空间层次的空洞卷积对大大增强模型的感知域，对于目标占比大的图像有更好的预测能力。
4、鲁棒性更强，传统图像处理和深度学习相结合的方式能够保证工业测量中稳定性。完全利用深度学习端到端的方法固然更加直观，但是在高精度低错误率的工业测量场景往往不能很好的保证。
表1 Unet和RASPPUnet性能对比表
为了便于理解，请参见图2，图2为本申请提供的一种大理石板图像分割方法的另一个实施例的流程示意图；
进一步地，获取大理石板图像，对大理石板图像进行预处理，获得相应的预测图片具体包括：
110，获取大理石板图像，对大理石板图像进行打标，分为前景和背景；
120，打标完成后，检查大理石板图像的数据的正误；
130，对大理石板图像进行数据增强；
140，数据增强后，对大理石板图像进行滑动预测。
需要说明的是，本申请实施例提供的大理石板图像分割方法，对大理石板图像的预处理具体包括数据集的制作和增强、滑动预测；
先通过打标软件对大理石板图像进行打标，将其分为前景和背景两个部分，前景表示目标区域为图像中的大理石板区域，背景表示图像中的非大理石板区域；
打标完成后，检查图像数据的正误。打标软件可能像素点的分配非统一，将标签图像变为背景为0像素值，前景为1像素值，以便于后续网络训练的one-hot编码；
对图像进行数据增强。数据增强主要有两种，一种是随机裁剪图像补零，另外一种是随机裁剪后利用双线性插值算法将图像变为原来的大小，这样的操作可以保证网络不会因为原来少量数据过拟合，可以利用多种情况且多尺度的数据来增强模型的鲁棒性。
最后根据大理石板图像不同的分割精度可以将分割后的图像分为高速度和高准确度两种模式，对于分割精度为高速度的图像将大图像通过双线性插值算法缩小至小尺寸，并输入到卷积网络中得出预测图片；对于分割精度为高准确度的图像将其进行滑动预测。
进一步地，数据增强后，对大理石板图像进行滑动预测具体包括：
将大理石板图像从上到下，从左到右依次分解成若干个相同尺寸的小图像。
需要说明的是，滑动预测主要针对大图像，在不损失大图像精度的前提下的一种方法，即将一个大图像从上到下、从左到右依次分解为n个相同尺寸的小图像。将这些小图像送入到卷积神经网络中得出预测结果后，根据分解的顺序拼接成对应的预测图片。
进一步地，通过卷积神经网络语义分割算法对预测图片进行卷积计算，获得语义分割后的图片还包括：
通过五种空洞卷积结构来提取大理石板图像的高层次特征；五种空洞卷积结构均包括层次结构。
需要说明的是，如图3所示，图示中的1/n表示图像下采样的倍数，C表示输出通道数，×2表示经过两次卷积运算，Downsampling采用maxpooling进行下采样，Upsampling利用双线性插值进行上采样，特征融合采用通道拼接的方式。此网络结构在原有的Unet的结构上对通道数量进行了改进，同时增大图像的感受野，使得模型在大区域图像分割上感知域范围更大。
其改进主要分为三点：
1、在原来的Unet的基础上将[64,128,256,512,1024,512,256,64,2]的通道数改[32,64,128,256,512,256,64,32,2]，这样的通道组合使得网络参数更少，计算效率更高。
2、RASPP模块加入编码结构尾部，利用了五种富有层次结构的空洞卷积结构提取高层次特征，如图4所示，图示中的C代表输出通道数，Dilation rate代表空洞卷积的空洞个数，1/16代表原图像下采样16倍，其空洞卷积的比例为[1,3,6,12,18]，富有层次的空洞卷积有助于卷积神经网络感知域的扩大，对大理石板图像边缘预测更加准确。
3、由于原有的Unet编码解码结构类似于VGG网络的直连结构，并没有加入残差模块，这就导致网络加深后，会出现过拟合现象，所以本申请在Unet底层加入残差结构和ASPP模块形成RASPP模块，如图4所示。RASPP有效的扩大底层特征在卷积计算过程中的感受野且不会因为网络层加深而出现过拟合的现象。
进一步地，通过最大连通域筛选算法和形态学开闭运算对分割后的图片进行误差纠正，并获得纠正后的图片具体包括：
通过最大连通域筛选算法和形态学开闭运算对分割后的图片进行误差纠正，并获得第一次纠正后的图片；
通过最大连通域筛选算法和形态学开闭运算对分割后的图片进行误差纠正，并获得第二次纠正后的图片。
需要说明的是，由于卷积神经网络对图像的语义分割是像素级别的预测，一张图片通常有近乎千万个像素点。卷积神经网络的预测结果难免会有瑕疵，为了有效的去除这些瑕疵，本申请通过最大连通域筛选算法和形态学开闭运算来对卷积神经网络的分割结果进行处理。最大连通域筛选算法旨在于消除大区域的预测错误点，形态学开运算用于消除预测孤立的小点、毛刺、小桥，形态学闭运算是填平小湖(即小孔)，弥合小缝隙，而总的位置和形状不变。
图像中的最小单位是像素，每个像素周围都有8个邻接像素，常见的邻接关系有两种：4邻接与8邻接。4邻接一共4个点，即上下左右；8邻接的点一共有8个，包括了对角线位置的点。如果像素点A与B邻接，可以称之为A与B连通，如果A与B连通，B与C连通，则A与C连通。本申请采用的是8邻接方法。
根据8邻接方法对每个像素点进行遍历，对每个连通域进行编号，找到最大的连通域，将其他连通域像素值设置为0即可。具体结果如图5和图6所示，可知最大连通域筛选可以有效地保留了主要区域的部分，删除了一些原来图像中的错误预测的像素点。
数学形态学起源于岩相学对岩石结构的定量描述，常见形态学运算有腐蚀和膨胀，开运算和闭运算，设A为图像集合，B为结构元素且为b的集合，x其定义为：
腐蚀：表示B对A进行腐蚀，按照每个b来位移A并把结果或(OR)运算；
膨胀：表示用B对A进行膨胀，按每个b来负位移A并把结果并(AND)运算；
开运算：表示A被B开操作，先腐蚀再膨胀；
闭运算：表示A被B闭操作，先膨胀再腐蚀。
特别地，本申请采用的是先开后闭的运算法则，先让孤立的小点消除之后，然后采用闭运算去除石板图像中的小孔洞。如图7-10所示，通过这些附图可知，图8为RASPPUnet卷积神经网络预测结果出现了周边毛刺和空洞的现象，这是由于大理石板贴上一些未知的标签产生的问题；而图9所示的是经过了形态学开运算后周边毛刺明显消除，但是产生了左上角的空洞，因此通过闭运算后图像空洞进行补齐。
为了便于理解，请参见图11，图11为本申请提供的一种大理石板图像分割装置的结构示意图。
本申请第二方面提供了一种大理石板图像分割装置，包括：
预处理模10，用于获取大理石板图像，对大理石板图像进行预处理，获得相应的预测图片；
分割模块20，用于通过卷积神经网络语义分割算法对预测图片进行卷积计算，获得语义分割后的图片；
误差纠正模块30，用于通过最大连通域筛选算法和形态学开闭运算对分割后的图片进行误差纠正，并获得纠正后的图片。
进一步地，预处理模块10具体用于：
获取大理石板图像，对大理石板图像进行打标，分为前景和背景；
打标完成后，检查大理石板图像的数据的正误；
对大理石板图像进行数据增强；
数据增强后，对大理石板图像进行滑动预测。
进一步地，分割模块20还包括：
将大理石板图像从上到下，从左到右依次分解成若干个相同尺寸的小图像。
本申请第三方面提供了一种大理石板图像分割设备，设备包括处理器以及存储器：
存储器用于存储程序代码，并将程序代码传输给处理器；
处理器用于根据程序代码中的指令执行上述实施例提供的大理石板图像分割方法。
本申请第四方面提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行上述实施例提供的大理石板图像分割方法。
本申请的说明书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种大理石板图像分割方法，其特征在于，包括：
获取大理石板图像，对所述大理石板图像进行预处理，获得相应的预测图片；
通过卷积神经网络语义分割算法对所述预测图片进行卷积计算，获得语义分割后的图片；
通过最大连通域筛选算法和形态学开闭运算对所述分割后的图片进行误差纠正，并获得纠正后的图片。
2.根据权利要求1所述的大理石板图像分割方法，其特征在于，所述获取大理石板图像，对所述大理石板图像进行预处理，获得相应的预测图片具体包括：
获取大理石板图像，对所述大理石板图像进行打标，分为前景和背景；
打标完成后，检查所述大理石板图像的数据的正误；
对所述大理石板图像进行数据增强；
数据增强后，对所述大理石板图像进行滑动预测。
3.根据权利要求2所述的大理石板图像分割方法，其特征在于，所述数据增强后，对所述大理石板图像进行滑动预测具体包括：
将所述大理石板图像从上到下，从左到右依次分解成若干个相同尺寸的小图像。
4.根据权利要求1所述的大理石板图像分割方法，其特征在于，所述通过卷积神经网络语义分割算法对所述预测图片进行卷积计算，获得语义分割后的图片还包括：
通过五种空洞卷积结构来提取所述大理石板图像的高层次特征；所述五种空洞卷积结构均包括层次结构。
5.根据权利要求1所述的大理石板图像分割方法，其特征在于，所述通过最大连通域筛选算法和形态学开闭运算对所述分割后的图片进行误差纠正，并获得纠正后的图片具体包括：
通过最大连通域筛选算法和形态学开闭运算对所述分割后的图片进行误差纠正，并获得第一次纠正后的图片；
通过所述最大连通域筛选算法和所述形态学开闭运算对所述分割后的图片进行误差纠正，并获得第二次纠正后的图片。
6.一种大理石板图像分割装置，其特征在于，包括：
预处理模块，用于获取大理石板图像，对所述大理石板图像进行预处理，获得相应的预测图片；
分割模块，用于通过卷积神经网络语义分割算法对所述预测图片进行卷积计算，获得语义分割后的图片；
误差纠正模块，用于通过最大连通域筛选算法和形态学开闭运算对所述分割后的图片进行误差纠正，并获得纠正后的图片。
7.根据权利要求6所述的大理石板图像分割装置，其特征在于，所述预处理模块具体用于：
获取大理石板图像，对所述大理石板图像进行打标，分为前景和背景；
打标完成后，检查所述大理石板图像的数据的正误；
对所述大理石板图像进行数据增强；
数据增强后，对所述大理石板图像进行滑动预测。
8.根据权利要求6所述的大理石板图像分割装置，其特征在于，所述分割模块还包括：
将所述大理石板图像从上到下，从左到右依次分解成若干个相同尺寸的小图像。
9.一种大理石板图像分割设备，其特征在于，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-5任一项所述的大理石板图像分割方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-5任一项所述的大理石板图像分割方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010250174.9A CN111291763A (zh) | 2020-04-01 | 2020-04-01 | 大理石板图像分割方法、装置设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010250174.9A CN111291763A (zh) | 2020-04-01 | 2020-04-01 | 大理石板图像分割方法、装置设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111291763A true CN111291763A (zh) | 2020-06-16 |
Family
ID=71031234
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010250174.9A Pending CN111291763A (zh) | 2020-04-01 | 2020-04-01 | 大理石板图像分割方法、装置设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111291763A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508001A (zh) * | 2020-12-03 | 2021-03-16 | 安徽理工大学 | 一种基于多光谱波段筛选和改进U-Net的煤矸石定位方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109191471A (zh) * | 2018-08-28 | 2019-01-11 | 杭州电子科技大学 | 基于改进U-Net网络的胰腺细胞图像分割方法 |
| CN109598269A (zh) * | 2018-11-14 | 2019-04-09 | 天津大学 | 一种基于多分辨率输入与金字塔膨胀卷积的语义分割方法 |
| CN109919206A (zh) * | 2019-02-25 | 2019-06-21 | 武汉大学 | 一种基于全空洞卷积神经网络的遥感影像地表覆盖分类方法 |
| CN110503649A (zh) * | 2019-07-05 | 2019-11-26 | 陕西科技大学 | 一种基于空间多尺度U-net与超像素修正的肝脏分割方法 |
| CN110619641A (zh) * | 2019-09-02 | 2019-12-27 | 南京信息工程大学 | 一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法 |
| CN110675419A (zh) * | 2019-10-11 | 2020-01-10 | 上海海事大学 | 一种自适应注意门的多模态脑胶质瘤影像分割方法 |
| CN110910408A (zh) * | 2019-11-28 | 2020-03-24 | 慧影医疗科技（北京）有限公司 | 图像分割方法、装置、电子设备及可读存储介质 |
| CN110942454A (zh) * | 2019-11-26 | 2020-03-31 | 北京科技大学 | 一种农业图像语义分割方法 |
-
2020
- 2020-04-01 CN CN202010250174.9A patent/CN111291763A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109191471A (zh) * | 2018-08-28 | 2019-01-11 | 杭州电子科技大学 | 基于改进U-Net网络的胰腺细胞图像分割方法 |
| CN109598269A (zh) * | 2018-11-14 | 2019-04-09 | 天津大学 | 一种基于多分辨率输入与金字塔膨胀卷积的语义分割方法 |
| CN109919206A (zh) * | 2019-02-25 | 2019-06-21 | 武汉大学 | 一种基于全空洞卷积神经网络的遥感影像地表覆盖分类方法 |
| CN110503649A (zh) * | 2019-07-05 | 2019-11-26 | 陕西科技大学 | 一种基于空间多尺度U-net与超像素修正的肝脏分割方法 |
| CN110619641A (zh) * | 2019-09-02 | 2019-12-27 | 南京信息工程大学 | 一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法 |
| CN110675419A (zh) * | 2019-10-11 | 2020-01-10 | 上海海事大学 | 一种自适应注意门的多模态脑胶质瘤影像分割方法 |
| CN110942454A (zh) * | 2019-11-26 | 2020-03-31 | 北京科技大学 | 一种农业图像语义分割方法 |
| CN110910408A (zh) * | 2019-11-28 | 2020-03-24 | 慧影医疗科技（北京）有限公司 | 图像分割方法、装置、电子设备及可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| CHUANGCHUANG LIU ET AL: "《Multi-Scale Residual Hierarchical Dense Networks for Single Image Super-Resolution》", 《IEEE》 * |
| 郑婷月 等；: "《基于全卷积神经网络的多尺度视网膜血管分割》", 《光学学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508001A (zh) * | 2020-12-03 | 2021-03-16 | 安徽理工大学 | 一种基于多光谱波段筛选和改进U-Net的煤矸石定位方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115049936B (zh) | 一种面向高分遥感影像的边界增强型语义分割方法 | |
| CN111091130A (zh) | 基于轻量级卷积神经网络的实时图像语义分割方法及系统 | |
| CN110929696A (zh) | 一种基于多模态注意与自适应融合的遥感图像语义分割方法 | |
| CN111768388A (zh) | 一种基于正样本参考的产品表面缺陷检测方法及系统 | |
| CN110796105A (zh) | 一种基于多模态数据融合的遥感图像语义分割方法 | |
| CN112329780B (zh) | 一种基于深度学习的深度图像语义分割方法 | |
| CN114155372A (zh) | 一种基于深度学习的结构光焊缝曲线识别与拟合方法 | |
| CN106373199A (zh) | 一种倾斜摄影建筑物模型快速提取方法 | |
| CN114897738A (zh) | 一种基于语义不一致性检测的图像盲修复方法 | |
| CN114758337B (zh) | 一种语义实例重建方法、装置、设备及介质 | |
| CN110852199A (zh) | 一种基于双帧编码解码模型的前景提取方法 | |
| CN115398475A (zh) | 抠图实现方法、装置、设备及存储介质 | |
| CN112699889A (zh) | 基于多任务监督的无人驾驶实时道路场景语义分割方法 | |
| CN110633706B (zh) | 一种基于金字塔网络的语义分割方法 | |
| CN115937758A (zh) | 一种基于多尺度动态图卷积的弱监督人群计数方法 | |
| CN115035172A (zh) | 基于置信度分级及级间融合增强的深度估计方法及系统 | |
| CN111291763A (zh) | 大理石板图像分割方法、装置设备及存储介质 | |
| CN113744185A (zh) | 一种基于深度学习和图像处理的混凝土表观裂缝分割方法 | |
| CN111383207A (zh) | 一种肌骨超声图像处理方法、系统、装置及可读存储介质 | |
| CN116862883A (zh) | 基于图像语义分割的混凝土坍落度检测方法 | |
| CN115661097A (zh) | 一种物体表面缺陷检测方法及系统 | |
| CN114373109B (zh) | 一种基于深度学习的自然图像抠图方法及抠图装置 | |
| CN116258854A (zh) | 一种基于密集连接策略和图像梯度的路面裂缝分割方法 | |
| CN114565764A (zh) | 基于舰船实例分割的港口全景感知系统 | |
| CN114820423A (zh) | 一种基于显著性目标检测的自动抠图方法及其配套系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200616 |
|
| RJ01 | Rejection of invention patent application after publication |