[发明专利]一种基于深度学习图像语义分割模型的ROI区域提取方法

权利要求书

1.一种基于深度学习图像语义分割模型的ROI区域提取方法，其特征在于，具体步骤为：

S1.采集预设数量的面板检测图像数据样本，并进行预处理得到多个预设尺寸的子图像样本；对多个子图像样本进行标注得到多个标注ROI区域的子图像标注样本；

S2.将多个子图像样本和对应的子图像标注样本划分为训练集和验证集，建立深度学习语义分割模型；利用训练集训练深度学习语义分割模型的各变量值，利用验证集验证深度学习语义分割模型的准确度；准确度达到预设范围时，得到最佳的深度学习语义分割模型；

S3.采集待测面板的检测图像数据，并进行预处理得到多个预设尺寸的待测子图像，待测子图像利用最佳的深度学习语义分割模型得到对应的预测图像，从而实现待测面板的ROI区域提取。

2.根据权利要求1所述的一种基于深度学习图像语义分割模型的ROI区域提取方法，其特征在于，所述深度学习语义分割模型具体为：将输入图像经过深度卷积神经网络学习后分别得到1×1卷积图像数据、多个3×3空洞卷积图像数据和图像池化数据；上述1×1卷积图像数据、多个3×3空洞卷积图像数据和图像池化数据经过叠加后通过1×1卷积压缩通道；1×1卷积压缩通道的输出经过预设速率的上采样后与1×1卷积图像数据叠加得到3×3卷积叠加图像数据，3×3卷积叠加图像数据经过预设速率的上采样得到输出图像数据。

3.根据权利要求2所述的一种基于深度学习图像语义分割模型的ROI区域提取方法，其特征在于，所述深度卷积神经网络选用mobilenet v2轻量级网络。

4.根据权利要求2所述的一种基于深度学习图像语义分割模型的ROI区域提取方法，其特征在于，所述1×1卷积图像数据通过压缩子图像样本的图像数据通道数得到。

5.根据权利要求2所述的一种基于深度学习图像语义分割模型的ROI区域提取方法，其特征在于，通过设置不同的空洞卷积扩张率得到所述多个3×3空洞卷积图像数据。

6.根据权利要求2所述的一种基于深度学习图像语义分割模型的ROI区域提取方法，其特征在于，通过选取滑动矩形框内的最大值组成新的图像数据，从而得到所述图像池化数据。

7.根据权利要求1所述的一种基于深度学习图像语义分割模型的ROI区域提取方法，其特征在于，所述深度学习语义分割模型的准确度计算方法具体为：提取验证集中子图像标注样本的ROI区域和对应预测图像的ROI区域，两个ROI区域的交集和并集之比即为准确度。

8.根据权利要求1-7中任一项所述的一种基于深度学习图像语义分割模型的ROI区域提取方法，其特征在于，利用labelme图像语义分割标注工具对预设尺寸的子图像样本进行标注得到子图像标注样本。

9.根据权利要求1-8中任一项所述的一种基于深度学习图像语义分割模型的ROI区域提取方法，其特征在于，所述面板检测图像数据样本预处理的过程具体为：将面板样本检测图像进行灰度化处理，再将其裁剪为若干个预设尺寸的子图像样本。