[发明专利]一种图像分割方法、装置、电子设备和可读存储介质

说明书

本申请公开了一种图像分割方法、装置、电子设备和可读存储介质，该方法包括：获取待检测图像；将待检测图像输入预置的CNN分割网络，通过CNN分割网络至少获得第一特征图和第二特征图，第一特征图和第二特征图输出自CNN分割网络中不同的卷积层；将第一特征图和第二特征图分别输入到预置的基于注意力机制的LSTM分割网络中，从而得到图像分割结果。上述方案通过获取待检测图像，利用基于CNN的语义分割网络模型确定至少两组特征图，然后根据上述至少两组特征图利用基于注意力机制的LSTM分割网络分割出故障区域等操作，提高了故障检测与分割的效率与精度。

技术领域

本申请涉及图像分割与检测技术领域，具体涉及一种图像分割方法、装置、电子设备和可读存储介质。

背景技术

工业领域的故障或缺陷部件检测一直是人们普遍关注的问题。传统的故障检测主要依赖于人工方式，具有效率低，误检率高等缺点。近些年来随着工业4.0时代的到来和深度学习的广泛应用，利用深度学习方式进行故障检测逐渐成为了主流方式。工业部件故障检测的一个主要需求是精确定位出故障区域。如图5所示为一个故障部件的实例图，图6所示为该故障部件故障区域的标定图，根据图可明显看出故障区域具体位置和形状。

目前主流的图像分割网络，如FCN(Fully Convolutional Networks forSemantic Segmentation，全卷积语义分割网络)、U-Net(U-Net:Convolutional Networksfor Biomedical Image Segmentation，U形卷积语义分割网络)等，在进行图像分割的时，存在边界不清晰，丢失微小目标等问题，如图7～图9所示。图7～图9的左侧图像为采用分割网络的分割结果，右侧为标注的真实标定(ground truth)，对比上述左右两侧图像，可以发现现有的图像分割网络的分割结果存在分割模糊、故障的位置和边界形状不够准确以及丢失微小目标等问题。

发明内容

鉴于上述问题，提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的图像分割方法、装置、电子设备和可读存储介质。

依据本申请的一个方面，提供了一种图像分割方法，所述方法包括：

获取待检测图像；

将待检测图像输入预置的CNN分割网络，通过所述CNN分割网络至少获得第一特征图和第二特征图，所述第一特征图和所述第二特征图输出自所述CNN分割网络中不同的卷积层；

将所述第一特征图和所述第二特征图分别输入到预置的基于注意力机制的LSTM分割网络中，从而得到图像分割结果。

可选的，所述通过所述CNN分割网络获得第一特征图和第二特征图包括：

通过所述CNN分割网络中至少三个卷积层运算后获得包括高维简化信息的第一特征图；

通过所述CNN分割网络在前的若干个卷积层运算后获得包括低维记忆信息的第二特征图。

可选的，所述预置的基于注意力机制的LSTM分割网络的确定步骤包括：

分别确定第一注意力函数和第二注意力函数；

将所述第一特征图通过所述第一注意力函数运算后输入到LSTM单元；

将所述第二特征图通过所述第二注意力函数运算后也输入到LSTM单元。

可选的，所述将所述第一特征图通过所述第一注意力函数运算后输入到LSTM单元包括：

将前一LSTM单元的隐藏层的输出通过所述第一注意力函数中的门函数后，与第一特征图相乘，然后将相乘的结果输入到下一LSTM单元。

可选的，所述将所述第二特征图通过所述第二注意力函数运算后也输入到LSTM单元：