一种线性物体分割方法、装置、设备、介质及程序产品

本发明涉及图像识别，特别是涉及一种线性物体分割方法、装置、设备、介质及程序产品。

背景技术：

1、线性物体包含电线、管路、电缆、绳索等一系列物体，广泛存在于工业场景中。对于线性物体的自动化装配，精确分割可以帮助机器人准确识别和定位线性物体，从而提高装配效率和精度。同时，准确分割可以帮助机器人避开或正确处理电缆和管道等线性物体，避免装配过程中的损坏和事故。

2、然而，由于线性物体形态复杂多变，其几何形状均匀而复杂，在不同视角下形态各异，当多个线性物体相互堆叠时，存在多重交叉和复杂遮挡关系，进一步加剧目标物体的形态变化，因此会导致线性物体分割困难和分割错误的问题。

技术实现思路

1、本发明技术方案的目的是提供一种线性物体分割方法、装置、设备、介质及程序产品，用于解决现有技术中线性物体分割困难和分割错误的问题。

2、为达到上述目的，本发明是这样实现的：

3、第一方面，本发明的实施例提供一种线性物体分割方法，包括：

4、通过自适应曲率卷积网络对目标图像中的线性物体进行特征提取，获取至少两个尺度的图像特征；

5、对所述至少两个尺度的图像特征进行特征融合，获得多尺度特征图；

6、利用候选框对所述多尺度特征图进行线性物体区域选取，获得区域特征图；

7、根据所述区域特征图，获得所述线性物体的分割预测结果。

8、可选地，所述的线性物体分割方法，其中，通过自适应曲率卷积网络对目标图像中的线性物体进行特征提取，获取至少两个尺度的图像特征，包括：

9、根据特征金字塔网络对目标图像中的线性物体进行特征提取，获取至少两个尺度的图像特征；

10、其中，所述特征金字塔网络包括至少两个所述自适应曲率卷积网络，一个自适应曲率卷积网络用于获取一个尺度的图像特征，前一个自适应曲率卷积网络的输出是后一个自适应曲率卷积网络的输入。

11、可选地，所述的线性物体分割方法，其中，所述自适应曲率卷积网络用于根据偏移量对所述目标图像的采样点进行变形，使变形后的采样点组成的形状符合所述线性物体的形状。

12、可选地，所述的线性物体分割方法，其中，所述方法还包括：

13、将所述目标图像的中心采样点作为偏移起始点，根据迭代方向和偏移规则，获取每个采样点的偏移量，其中，所述偏移规则用于指示相邻采样点之间的偏移量差值小于预设阈值。

14、可选地，所述的线性物体分割方法，其中，利用候选框对所述多尺度特征图进行线性物体区域选取，获得区域特征图，包括：

15、在所述目标图像中选取线性物体区域，生成候选框；

16、将所述目标图像中的候选框与所述多尺度特征图对齐，获得在所述多尺度特征图中选取线性物体区域的候选框；

17、利用候选框对所述多尺度特征图进行线性物体区域选取，获得感兴趣区域；

18、将所述感兴趣区域处理成预设尺寸，获得区域特征图。

19、可选地，所述的线性物体分割方法，其中，根据所述区域特征图，获得所述线性物体的分割预测结果，包括：

20、根据所述区域特征图和分割掩码预测网络，生成所述线性物体的分割掩码；

21、对所述分割掩码中的噪声和伪影进行去除处理，获得去除处理后的分割掩码；

22、对去除处理后的分割掩码进行二值化处理，获得所述线性物体的分割预测结果。

23、可选地，所述的线性物体分割方法，其中，所述分割预测结果包括以下至少一项：

24、所述线性物体的名称；

25、线性物体区域的边界框；

26、所述线性物体的像素坐标。

27、可选地，所述的线性物体分割方法，其中，还包括：

28、根据所述分割预测结果和分割标注结果计算损失函数；

29、根据所述损失函数对所述分割掩码预测网络的网络参数进行反向传播和参数更新；

30、其中，所述损失函数包括以下至少一项：

31、分类任务对应的损失函数；

32、边界框选取任务对应的损失函数；

33、分割任务对应的损失函数。

34、可选地，所述的线性物体分割方法，其中，所述分割任务对应的损失函数包括持续同调损失函数，所述持续同调损失函数用于对存在断裂和错误连接区域的分割预测结果进行优化。

35、第二方面，本发明的实施例还提供一种线性物体分割装置，包括：

36、提取模块，用于通过自适应曲率卷积网络对目标图像中的线性物体进行特征提取，获取至少两个尺度的图像特征；

37、融合模块，对所述至少两个尺度的图像特征进行特征融合，获得多尺度特征图；

38、选取模块，用于利用候选框对所述多尺度特征图进行线性物体区域选取，获得区域特征图；

39、预测模块，用于根据所述区域特征图，获得所述线性物体的分割预测结果。

40、第三方面，本发明的实施例还提供一种线性物体分割设备，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如第一方面所述的线性物体分割方法。

41、第四方面，本发明的实施例还提供一种可读存储介质，所述可读存储介质上存储有程序，所述程序被处理器执行时实现如第一方面所述的线性物体分割方法。

42、第五方面，本发明的实施例还提供一种计算机程序产品，包括计算机指令，所述计算机指令被处理器执行时实现如第一方面所述的线性物体分割方法。

43、本发明的上述技术方案的有益效果如下：

44、采用本发明实施例所述线性物体分割方法，通过自适应曲率卷积网络对目标图像中的线性物体进行特征提取，获取至少两个尺度的图像特征；对所述至少两个尺度的图像特征进行特征融合，获得多尺度特征图；利用候选框对所述多尺度特征图进行线性物体区域选取，获得区域特征图；根据所述区域特征图，获得所述线性物体的分割预测结果。如此，采用自适应曲率卷积网络能够动态适应复杂多变的线性物体结构，提取关键的图像特征，从而提高图像特征提取的效率和准确性，从而提升分割结果的精度，解决了线性物体分割困难和分割错误的问题。

技术特征：

1.一种线性物体分割方法，其特征在于，包括：

2.根据权利要求1所述的线性物体分割方法，其特征在于，通过自适应曲率卷积网络对目标图像中的线性物体进行特征提取，获取至少两个尺度的图像特征，包括：

3.根据权利要求2所述的线性物体分割方法，其特征在于，所述自适应曲率卷积网络用于根据偏移量对所述目标图像的采样点进行变形，使变形后的采样点组成的形状符合所述线性物体的形状。

4.根据权利要求3所述的线性物体分割方法，其特征在于，所述方法还包括：

5.根据权利要求1所述的线性物体分割方法，其特征在于，利用候选框对所述多尺度特征图进行线性物体区域选取，获得区域特征图，包括：

6.根据权利要求1所述的线性物体分割方法，其特征在于，根据所述区域特征图，获得所述线性物体的分割预测结果，包括：

7.根据权利要求1或6所述的线性物体分割方法，其特征在于，所述分割预测结果包括以下至少一项：

8.根据权利要求6所述的线性物体分割方法，其特征在于，还包括：

9.根据权利要求8所述的线性物体分割方法，其特征在于，所述分割任务对应的损失函数包括持续同调损失函数，所述持续同调损失函数用于对存在断裂和错误连接区域的分割预测结果进行优化。

10.一种线性物体分割装置，其特征在于，包括：

11.一种线性物体分割设备，其特征在于，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如权利要求1至9中任一项所述的线性物体分割方法。

12.一种可读存储介质，其特征在于，所述可读存储介质上存储有程序，所述程序被处理器执行时实现如权利要求1至9中任一项所述的线性物体分割方法。

13.一种计算机程序产品，其特征在于，包括计算机指令，所述计算机指令被处理器执行时实现如权利要求1至9中任一项所述的线性物体分割方法。

技术总结本发明提供一种线性物体分割方法、装置、设备、介质及程序产品，涉及图像识别技术领域。其中，所述线性物体分割方法包括：通过自适应曲率卷积网络对目标图像中的线性物体进行特征提取，获取至少两个尺度的图像特征；对所述至少两个尺度的图像特征进行特征融合，获得多尺度特征图；利用候选框对所述多尺度特征图进行线性物体区域选取，获得区域特征图；根据所述区域特征图，获得所述线性物体的分割预测结果。本发明的方案，可以解决线性物体分割困难和分割错误的问题。技术研发人员：刘少丽,胡佳,刘检华,巩浩,何楠,王砺锋受保护的技术使用者：北京理工大学技术研发日：技术公布日：2024/11/18