[发明专利]基于多任务学习的开关面板目标识别与一米线分割的方法

说明书

基于多任务学习的开关面板目标识别与一米线分割的方法，属于人工智能及建筑工程技术领域，包括如下步骤：步骤1、建立开关面板与建筑一米线像素级数据集；步骤2、对图像数据集进行扩增，增强网络的泛化能力；步骤3、构建一种建筑开关面板目标识别与建筑一米线分割相结合的轻量级多任务深度学习模型；步骤4、利用步骤2中扩增后的图像数据集在设计的深度学习模型上进行训练；步骤5、用训练好的模型进行目标识别与图像分割，并输出结果。本发明通过建立高识别率、高分割精准率、低网络参数、实时性的深度学习模型，可有效提高开关面板的识别精度及一米线分割的准确度，不仅实现共享一个主干网络完成多任务，而且参数量减少。

技术领域

本发明属于人工智能及建筑工程技术领域，具体涉及基于多任务学习的开关面板目标识别与一米线分割的方法。

背景技术

伴随着面向对象、神经网络、深度学习等新技术的迅速崛起，学者们将计算机技术、图像处理技术以及网络通信技术相结合运用于建筑领域。尤其是深度学习，它可以让神经网络架构学习具有多层次抽象数据的表示，这些方法极大地改进了视觉目标识别等技术。李萌锋等提出基于改进随机森林算法的变电站隔离开关精确定位及识别方法，识别准确率提高了9％，达到99.5％。刘嘉玮等将改进的全卷积网络电线识别方法，提出的全卷积网络电线识别方法能够提取电线的光学图像特征，而且与传统机器学习方法相比能将电线从场景中精确提取出来，使得识别结果更加有判断的依据。并对最终得到模型进行压缩，提高识别效率，为实物中直线识别提供了理论指导与技术支撑。

国内的建筑领域识别研究中，研究对象主要集中在三维空间的建立，还没有形成对二维空间墙面上的具体细小实物目标的系统性研究，并且由于建筑墙面数据缺乏像素级的墙面数据集，对于在小规模具体墙面数据集基础上建立的识别与分割模型，其识别精度、分割准确度和泛化能力还有待提高，针对多任务和轻量化问题，现有研究利用多模型训练分别完成各分支任务，存在着参数量大，难以移植于嵌入性设备的问题。

发明内容

为克服现有技术的不足，本发明公开了基于多任务学习的开关面板目标识别与一米线分割的方法，该方法通过建立高识别率、高分割精准率、低网络参数、实时性的建筑开关识别及一米线分割模型，以解决背景技术部分提出的问题。

为实现上述目的，本发明的技术方案是：

基于多任务学习的开关面板目标识别与一米线分割的方法，包括如下步骤：

步骤1、建立开关面板与建筑一米线像素级数据集；

步骤2、对图像数据集进行扩增，增强网络的泛化能力；

步骤3、构建一种建筑开关面板目标识别与建筑一米线分割相结合的轻量级多任务深度学习模型；

步骤4、利用步骤2中扩增后的图像数据集在设计的深度学习模型上进行训练；

步骤5、用训练好的模型进行目标识别与图像分割，并输出结果。

优选的，所述步骤2是基于几何变换和图像操作的数据增强方法，并使用随机概率和适当组合的策略对数据集进行离线数据增强，同时使用图形学技术制造仿真图像提升数据量，使用persistence of vision raytracer技术渲染大量仿真图像，保持泛化能力。

优选的，所述步骤2中，使用仿真图像进行数据增强的方法为：使用真实数据集中2000幅没有一米线和开关的可见光图像作为背景，在此基础上基于开关在墙面上的位置比例产生像分类标签，并且产生对应的像素分类标签，仿真过程中，使用16倍超采样抗锯齿保证仿真开关面板及一米线与真实开关面板及一米线的相似性，并增加仿真开关面板的锯齿感，降低一米线的锯齿感。