[发明专利]一种工业图像智能分割压缩方法

说明书

本发明涉及一种工业图像智能分割压缩方法。包括以下步骤：选取需处理的工业图像样本，人工标注真实兴趣框；输入卷积神经网络模型获取特征图；在特征图上的每一个点上生成不同大小与宽高比例的锚框；根据与真实兴趣框的重合程度提取锚框中的正负样本进行训练，根据正样本对锚框边框进行回归修正；采集现场工业图像生成锚框，使用训练好的锚框分类与边框回归器生成修正后的锚框，去重操作，提取正样本概率较高的锚框作为候选框；根据提出的候选区框，对工业图像进行分割存储。本方法针对工业图像中语义冗余信息较多，种类繁多但同类图像差别不大的特点，利用区域推荐网络，通过对少量样本的学习，减小了工业图像的大小，可以节省大量的存储空间。

技术领域

本发明涉及工业图像压缩与人工智能两个交叉领域，具体说是利用人工智能技术，截取工业图像中人们真正感兴趣的部分，从而达到压缩的效果。

背景技术

工业图像处理对工业有着重要作用，常用的工业图像处理包括：元件表面检测、元件尺寸检测、元件位置校准、激光定位打印等。由于图像数据量的庞大,在存储、传输、处理时非常困难，因此图像数据的压缩就显得非常重要。数据压缩的任务是在不影响或者少影响图像质量的前提下，尽量减少表示数字图像时需要的数据量，其首要任务在于去除图像中的各种冗余数据。现有的图像压缩方法主要有，无损压缩方法，如行程长度编码法、熵编码法等，有损压缩方法，如色度抽样、变换编码、分形压缩等。该方法有以下不足：1)在大部分的工业图像中，人们感兴趣的图像只占整张图片的一部分，对整张图片进行压缩处理，会降低传输图片时的效率，同时浪费大量的存储空间。2)工业图像种类繁多，数量较大，但是同种工业设备产生的图像一般变化不大；现有的图像压缩技术利用图像本身的像素信息，在整张图片上进行压缩操作，而没有考虑具体的语义信息。3)现有的图像压缩技术较为成熟，没有太大的改进空间。

发明内容

针对上述技术不足，本发明的目的提供一种工业图像智能分割压缩方法。该方法利用工业图像中语义冗余信息较多，种类繁多但同种工业设备产生的图像差别不大，易学习的特点，利用少量的人工标注的训练样本，学习到该类工业图像中人们真正感兴趣的区域，并利用学习到的兴趣区域，合并分割出最终需要存储的工业图像。该方法不需要任何传统的图像处理技术，利用当前人工智能与图像检测领域中通用性强的区域推荐网络，降低了使用门槛，可以适用于大部分的工业图像；对于每类工业图像，只需要少量的数据标注与模型训练，迁移成本较低且效果较好。

本发明解决其技术问题所采用的技术方案是：一种工业图像智能分割压缩方法，包括如下步骤：

离线训练的步骤：工业图像预处理后输入卷积神经网络模型得到特征图，对特征图生成不同尺寸的多个锚框，再进行锚框二分类器训练得到锚框分类与边框回归器；

实际处理的步骤：采集现场工业图像，输入训练好的卷积神经网络模型、锚框分类与边框回归器，生成修正后的锚框并去重操作，提取锚框候选框；合并候选框并从工业图像中分割出来。

所述工业图像预处理包括：

选取需要处理的工业图像样本，人工标注真实兴趣框。

所述卷积神经网络模型包括：卷积层，激活函数，池化层，批标准化层；

卷积层：y＝conv2d(x,W,bias,stride)，x为输入特征，w为卷积核大小，bias是卷积操作后要加的偏差，stride为卷积操作的步长；

Relu激活函数:y＝max(0,x)；

池化层：y＝maxpool2d(x,size,stride)，x为输入特征，size为池化操作窗口大小，stride是池化窗口在特征图上的移动步长。

批标准化(batch normalization，BN)层：即把每次神经网络的输出都归一化为标准正态分布，从而使网络更好的收敛。

所述对特征图生成不同尺寸的多个锚框包括：