[发明专利]一种基于卷积神经网络的护栏分割方法

权利要求书

1.一种基于卷积神经网络的护栏分割方法，其特征在于：包括以下步骤：

步骤一：首先通过爬虫工具在网络中爬取包含护栏的图片，并手动标记出图片中的护栏区域；

步骤二：对步骤一中生成的图片进行图像增强形成护栏数据集

步骤三：构建基于加权损失函数的deeplabV3+的分割网络构架 ；

步骤四：将上述标记好的护栏图片及其标记的真值数据输入基于加权损失函数的deeplabV3+的分割网络构架中训练基于加权损失函数的deeplabV3+的分割网络模型，直至基于加权损失函数的deeplabV3+的分割网络模型输出的符合预设的分辨率阈值且只包含护栏的二值图像；

步骤五：在待检测的图片中护栏区域进行手工标注出9个点后将标注好的图片输入训练好的基于加权损失函数的deeplabV3+的网络模型输出分割后的待检测的图片二值图像；

步骤六：将上个步骤中生成的二值图像通过二次线性插值法将绘制的护栏区域通过标注出的9个点拟合成长方形；

步骤七：对比步骤六中生成的长方形，判断长方形的边是否有空缺以及是否有弯曲，从而实现判断该护栏是否缺失或者弯曲。

2.根据权利要求1所述的一种基于卷积神经网络的护栏分割方法，其特征在于：步骤三中的基于加权损失函数的deeplabV3+的分割网络构架包括主干网络、编码器、解码器、损失函数。

3.根据权利要求2所述的一种基于卷积神经网络的护栏分割方法，其特征在于：所述主干网络包括5个卷模块，第一个卷积模块由32个步长为2的3x3的滤波器组成，第二个卷积模块由4个1*1的滤波器加上32个步长为2的3*3滤波器加上64个步长为1的滤波器组成；第二个卷积模块由128个1*1的滤波器加上64个步长为2的3*3滤波器加上128个步长为1的1*·1滤波器组成；第四个卷积模块首先进行上采样再通过128个1*1的滤波器加上64个3*3的滤波器组成；第五个卷积层首先进行反卷积，再通过64个1*1的滤波器加上32个3*3的滤波器组成。

4.根据权利要求2所述的一种基于卷积神经网络的护栏分割方法，其特征在于：所述编码器为对主干网络中最后一层的特征分别通过32个1*1滤波器，32个3*3滤波器，32个3*3的空洞卷积最大值池化，均值池化，对处理后的五种特征图进行拼接操作；然后对通过一个大小为128的1*1滤波器。

5.根据权利要求2所述的一种基于卷积神经网络的护栏分割方法，其特征在于：所述解码器首先对主干网络输出的特征通过32个1*1滤波器，再将编码器中输出特征进行2倍上采样后与其相连接，最后通过32个3*3滤波器，上采样和1个3*3滤波器生成输出图像，最后输出大小为H*W*1的输出图像。

6.根据权利要求1所述的一种基于卷积神经网络的护栏分割方法，其特征在于：其中损失函数采用基于加权的损失函数进行训练，所述损失函数公式如下式：

上式中，L为损失的大小 ， n为输入的数据数量，w₁,w₂是基于重要性加权值，通常w₁值设置为100，w₂设置为1，yi 是输出层中当前像素分类为护栏的概率。

7.根据权利要求1所述的一种基于卷积神经网络的护栏分割方法，其特征在于：所述待检测的图片为通过网络摄像头获取的图片或者采用移动设备采集的图片。