[发明专利]一种基于改进DeepLabV3+网络的机械零部件图像分割算法

权利要求书

1.一种基于改进DeepLabV3+网络的机械零部件图像分割算法，其特征在于，包括以下步骤：

步骤一：采集原始零部件图像；对零部件原始图像中出现的1个或多个零部件边界进行分割标注得到人工分割图像，将原始图像与人工分割图像共同建立零部件图像数据集；

步骤二：对零部件图像和人工分割图像分别进行数据增强处理扩充样本图像，再按比例随机划分为训练集、验证集和测试集；

步骤三：搭建改进DeepLabV3+的语义分割模型，包括编码层和解码层；编码层包括MobileNetV2和通道注意力模块、自适应空间特征融合模块ASFF、空间金字塔池模块ASPP、1×1卷积模块，用于将特征图尺寸缩小，提取信息进行零部件边界分割；解码层包括1×1卷积模块、上采样操作、非对称卷积模块，用于逐步恢复空间维度，输出同尺寸的边界分割结果图；

步骤四：设置网络训练参数，将训练集图片输入改进DeepLabV3+的语义分割网络进行训练，利用验证集进行验证，得到优化的网络模型；

步骤五：利用优化的DeepLabV3+语义分割模型对测试集中的零部件图像进行识别预测，得到机械零部件分割结果图。

2.根据权利要求1所述的一种基于改进DeepLabV3+网络的机械零部件图像分割算法，其特征在于，所述数据增强包括旋转、平移和添加噪声操作。

3.根据权利要求2所述的一种基于改进DeepLabV3+网络的机械零部件图像分割算法，其特征在于，所述旋转包括水平翻转、垂直翻转、±60°、±90°、±210°、±240°的旋转；所述平移包括右移100像素、下移100像素；以及添加0.001,0.002,0.003的椒盐噪声；最后将增强后的数据集样本按8：1：1的比例随机划分为训练集、验证集和测试集。

4.根据权利要求1所述的一种基于改进DeepLabV3+网络的机械零部件图像分割算法，其特征在于，所述MobileNetV2和通道注意力模块，将输入的样本图像进行处理，输出原图1/4大小的底层特征图、三个不同大小的特征层级图以及原图1/16大小的高层语义特征图；其中三个不同大小的特征层级图输入到ASFF模块后输出融合特征图至解码层；高层语义特征输入到ASPP结构中，并行经过1×1卷积，空洞率为6，12，18的空洞卷积继续提取特征以及全局平均池化后对特征图进行融合再输出至1×1卷积模块，得到的高层语义特征图进入解码层；

所述编码层输出的底层特征图经过1×1卷积后与ASFF融合特征图进行相加操作；然后与编码层获得的高层语义特征图进行逐层2倍双线性插值上采样后的特征图进行融合操作；之后对融合后的特征图采用非对称卷积，再经过逐层2倍上采样操作后输出最终的分割预测结果图。

5.根据权利要求4所述的一种基于改进DeepLabV3+网络的机械零部件图像分割算法，其特征在于，所述ASFF模块进行处理的步骤包括：

以三个不同大小的特征层级图为输入，分别记为x1，x2，x3，通过3×3卷积进行下采样操作将特征层级x2和x3调整与x1的大小相同；

对尺寸调整后的特征层级图x1，x2，x3按照融合特征公式来自适应学习各空间权重信息，得到融合特征图y^l；所述l级融合特征公式如下：

其中，表示输出特征图y^l的第(i,j)特征向量，表示不同的三个层级到l级的空间重要性权重，且该权重信息共享于所有通道，表示为m级调整到l级的特征映射上位置(i,j)处的特征向量。

6.根据权利要求1所述的一种基于改进DeepLabV3+网络的机械零部件图像分割算法，其特征在于，所述逐层2倍双线性插值上采样替换原4倍上采样用于像素的连续性，减少重要像素信息的丢失。