[发明专利]一种基于编解码结构的区域注意力语义分割方法及系统

说明书

本发明提供的一种基于编解码结构的区域注意力语义分割方法及系统，包括以下步骤：将获取的待分割的图像输入至预构建得到的基于编解码结构的区域注意力网络模型中，得到分割图；其中，所述预构建得到的基于编解码结构的区域注意力网络模型结构包括特征提取网络、区域注意力模块和多尺度跳接特征融合模块；本发明方法不仅有效地解决遮挡物体误分割问题，而且还可以提升待分割物体边缘特征的准确表达，从而提高了分割精度，实现对物体的精准分割。

技术领域

本发明属于物体检测技术领域，具体涉及一种基于编解码结构的区域注意力语义分割方法及系统。

背景技术

物体检测技术作为机器人视觉系统的重要组成部分，其主要任务是对采集的图像进行处理，提取出物体所在区域和类别信息，根据这些信息控制机器人进行抓取。因此，物体检测技术在机器人视觉系统中显得尤为重要。

在工业机器人装配作业中，对抓取精度要求很高，抓取出现偏差直接导致装配作业失败。传统的物体抓取方法根据图像处理技术得到零件和背景的分割图，再对零件的分割图使用边缘检测得到零件的最小外接矩形框，通过矩形框的四个顶点计算出零件的抓取点。

传统的图像处理方法容易受环境因素的影响不能保证完整分割零件和背景，这直接导致根据分割图计算出来的抓取点出现偏差，使得抓取出现误差。

发明内容

本发明的目的在于提供一种基于编解码结构的区域注意力语义分割方法及系统，接了现有的图像处理方法存在误差大的缺陷。

为了达到上述目的，本发明采用的技术方案是：

本发明提供的一种基于编解码结构的区域注意力语义分割方法，包括以下步骤：

将获取的待分割的图像输入至预构建得到的基于编解码结构的区域注意力网络模型中，得到分割图；其中，所述预构建得到的基于编解码结构的区域注意力网络模型结构包括特征提取网络、区域注意力模块和多尺度跳接特征融合模块。

优选地，所述特征提取网络为Resnet50网络。

优选地，所述区域注意力模块包括多个卷积层、上采样层和损失函数，每个卷积层后都有批归一化层BN和非线性激活函数ReLu。

优选地，所述上采样层使用双线性插值；损失函数采用交并比损失。

优选地，所述多尺度跳接特征融合模块包括1×1卷积层和上采样，1×1卷积层由卷积、批归一化层BN和非线性激活函数ReLu组成。

优选地，所述上采样层使用双线性插值。

优选地，所述多尺度跳接特征融合模块的输出连接卷积层，所述卷积层的输出连接上采样层，上采样层输出为基于编解码结构的区域注意力网络的分割结果。

优选地，所述预构建得到的基于编解码结构的区域注意力网络模型的总损失函数为：

Loss＝IoU loss+Corss loss

其中，IoU loss为交并比损失，Corss loss为交叉熵损失。

一种基于编解码结构的区域注意力语义分割系统，包括：

数据预处理模块，用于将获取的数据集进行预处理，得到预处理后的数据集；

网络模块，用于预构建得到的基于编解码结构的区域注意力网络模型；

分割模块，用于将获取的待分割的图像输入至预构建得到的基于编解码结构的区域注意力网络模型中，得到分割图。

与现有技术相比，本发明的有益效果是：