[发明专利]基于图像分割与深度学习的砂石分类检测方法

权利要求书

1.基于图像分割与深度学习的砂石分类检测方法，其特征在于：步骤如下，

1）通过照相设备采集待检测砂石表面图像；

2）对采集得到的砂石表面图像进行预处理；

3）将预处理后的砂石图像输入至分类算法模型；

4）分类算法模型输出砂石的分类。

2.根据权利要求1所述的基于图像分割与深度学习的砂石分类检测方法，其特征在于：步骤1）中，车辆运送砂石至指定地点并停留设定时间，照相设备位置固定并使车辆上的砂石位于照相设备正下方，照相设备直接对车辆上的砂石进行拍照，获取砂石表面图像。

3.根据权利要求1所述的基于图像分割与深度学习的砂石分类检测方法，其特征在于：步骤2）中，对砂石表面图像预处理的步骤为，

2.2）将获取的砂石表面图像转化为灰度图，然后将灰度图进行自适应直方图均衡化处理；

2.3）对步骤2.2）处理得到的图像进行均值偏移滤波处理，以平滑图像，过滤噪声；

2.4）使用最大类间方差法分割出步骤2.3）所得图像的前景和背景，所述背景为砂石之间缝隙所形成的黑色区域；

2.5）将步骤2.4）通过最大类间方差法处理完的图像放入分水岭算法进行处理，得到一个标签矩阵，该标签矩阵记录了每个石头轮廓的标签序号和标签序号在图像的位置，基于标签矩阵进行轮廓绘制，得到每个石头的轮廓；

2.6）计算出每个轮廓的最小外接圆，并在对应图上相应位置画出来，从而得到带有最小外接圆的图像；即为预处理后的砂石图像。

4.根据权利要求3所述的基于图像分割与深度学习的砂石分类检测方法，其特征在于：步骤2.5）中，图像放入分水岭算法分割前，先通过欧几里得距离变换，提取出图片背景，即每两个石头之间的缝隙，将它标记为山谷，传入标签矩阵；然后使用局部最大值的方法找到山峰，确保每个山峰之间的距离至少是20个像素，然后将它标记为山峰，传入标签矩阵；再将带有山峰和山谷标记的标签矩阵作为参数，传给分水岭算法；所述山峰为图像中灰度值大的地方，山谷为图像中灰度值小的地方。

5.根据权利要求3所述的基于图像分割与深度学习的砂石分类检测方法，其特征在于：图像预处理时，还包括步骤2.1）将获取的砂石表面图像均分为若干份，再对每份图像按步骤2.2）-2.6）进行处理；得到若干份带有最小外接圆的图像；再将该若干份带有最小外接圆的图像输入至分类算法模型，每份带有最小外接圆的图像对应一个输出结果，以出现频次最多的那个结果作为最终的砂石分类结果。

6.根据权利要求1所述的基于图像分割与深度学习的砂石分类检测方法，其特征在于：步骤3）中，所述的分类算法模型为基于ResNet网络的分类算法模型。

7.根据权利要求6所述的基于图像分割与深度学习的砂石分类检测方法，其特征在于：所述ResNet网络结构包括18层，

第1层：7x7的卷积层，步长为2，输出通道数为64；

第2层：最大池化层，池化核为3x3，步长为2；

第3-4层：2个残差块，每个残差块包含2个小块，每个小块包含2个3x3的卷积层，输出通道数均为64；

第5-6层：2个残差块，每个残差块包含2个小块，每个小块包含2个3x3的卷积层，输出通道数均为128；

第7-10层：4个残差块，每个残差块包含2个小块，每个小块包含2个3x3的卷积层，输出通道数均为256；

第11-14层：4个残差块，每个残差块包含2个小块，每个小块包含2个3x3的卷积层，输出通道数均为512；

第15层：全局平均池化层，将最后一个残差块输出的特征图平均池化成1x1的大小；

第16层：全连接层，将前一层的1x1的特征图展开为一个向量，并输出长度为5的向量表示分类的概率分布；

第17层：Softmax层，对第16层的输出进行归一化，得到每个类别的概率；

第18层：输出层，将最终分类结果输出。