(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210679033.8 (22)申请日 2022.06.16 (71)申请人 浙大城市学院 地址 310015 浙江省杭州市拱 墅区湖州街 51号 (72)发明人 李艳君　刘欢庆　周维钧　 (74)专利代理 机构 杭州九洲专利事务所有限公 司 33101 专利代理师 张羽振 (51)Int.Cl. G06V 40/10(2022.01) G06V 10/25(2022.01) G06V 10/28(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于实例分割和深度卷积神经网络的 平面目标监测方法 (57)摘要 本发明涉及一种基于实例分割和深度卷积 神经网络的平面目标监测方法， 包括： 操控检测 台对放置台上的目标进行检测； 服务器接收目标 图像与相关编号； 将图像输入深度卷积神经网络 中进行实例分割， 得到目标的第一掩码； 根据目 标的第一掩码和图像分割算法GrabCut， 获取目 标的第二掩码； 根据目标的第二掩码， 获取图像 中目标实例分割得到的掩码像素点个数； 将目标 的像素点个数、 采样时间、 目标编号记录到服务 器数据库对应的项目中。 本发明的有益效果为： 本发明在目标测量过程中不会接触目标， 结合了 实例分割和GrabCut方法， 具有较高的检测准确 率， 并结合了深度卷积神经网络， 对应用环境和 场景适应性强。 权利要求书1页 说明书6页 附图5页 CN 114943988 A 2022.08.26 CN 114943988 A 1.一种基于实例分割和深度卷积神经网络的平面目标监测方法， 其特 征在于， 包括： S1、 根据检测需求， 操控检测台移动到待检测目标的上方， 所述检测台配置有控制器和 至少一个相机， 所述待检测目标包括至少一个目标， 每个相机对单个目标进行检测； 所述待 检测目标位于放置台上； 所述 放置台、 任一相机和任一目标均具有编号； S2、 总控制台向检测台上的控制器发送当前放置台编号和拍照指令； S3、 检测台上的控制器收到总控制台指令后， 通过所述至少一个相机中的任一相机， 获 取单个目标的图像， 将图像、 放置台编号和相机编号 一起上传到服 务器； S4、 服务器接收到图像之后， 将图像输入深度卷积神经网络中进行实例分割， 得到目标 的第一掩码； S5、 根据目标的第一掩码和图像分割算法GrabCut， 获取目标的第二掩码； S6、 根据目标的第 二掩码， 获取图像 中目标实例分割得到的掩码像素点个数， 作为评估 目标相对大小的依据； S7、 将目标图像实例分割统计得到的像素点个数、 采样时间、 目标编号记录到服务器数 据库对应的项目中。 2.根据权利要求1所述的基于实例分割和深度卷积神经网络的平面目标监测方法， 其 特征在于， S1中， 放置台编号、 相机编号和目标编号之间具有对应关系。 3.根据权利要求1所述的基于实例分割和深度卷积神经网络的平面目标监测方法， 其 特征在于， S1中， 所述操控检测台移动到待检测目标的上方， 包括： 操控检测台移动到具体 的放置台。 4.根据权利要求1所述的基于实例分割和深度卷积神经网络的平面目标监测方法， 其 特征在于， S3中， 检测台同时获取多个平面目标的图像。 5.根据权利要求1所述的基于实例分割和深度卷积神经网络的平面目标监测方法， 其 特征在于， S4中， 实例分割模型采用Mask  R‑CNN网络。 6.根据权利要求1所述的基于实例分割和深度卷积神经网络的平面目标监测方法， 其 特征在于， S 5中， 将图像处理并提取后， 保存为图， 用T节 点来描述背景像素， S节 点描述前景 像素， 图的代价 函数E(A)表示 为： E(A)＝ λ·R(A)+B(A) 其中， A代表每个像素的标签， 前景标记为1， 背景标记为0； R(A)为代价函数中的区域 项， 通过像素点与目标、 背景间的相似性判断， 像素点相似度越高代价R(A)越小； B(A)为边 界项， 当相 邻像素被标记为不同标签时的代价， 对不连续的像素进 行惩罚， 相 邻像素差别越 大代价B(A)越小； λ为权衡区域项和边界项重要性的权重因子， 体现二者对代价的影响； 通 过不断迭代使代价 函数E(A)最小。 7.根据权利要求1所述的基于实例分割和深度卷积神经网络的平面目标监测方法， 其 特征在于， S7中， 服务器得到目标的第二掩码之后， 自动将目标编号、 采样时间和 像素点个 数记录到数据库中。 8.根据权利要求1所述的基于实例分割和深度卷积神经网络的平面目标监测方法， 其 特征在于， 还 包括： S8、 在数据库中， 查询一段时间内， 某个目标的像素点个数变化情况， 从而推断目标个 体的成长情况或者 查询某个区域里多个目标的变化成长情况。权　利　要　求　书 1/1 页 2 CN 114943988 A 2一种基于实例分割和深度卷积神经 网络的平面目标监测方 法 技术领域 [0001]本发明涉及目标测量及变化情况监测领域， 更确切地说， 它涉及一种基于实例分 割和深度卷积神经网络的平面目标监测方法。 背景技术 [0002]养殖业中， 从业者需要定其对被养殖的目标进行生长状态评估， 以决定进一步的 养殖策略。 养殖目标 的大小信息能够最直观地反映养殖目标的生长情况， 对养殖目标生长 状态监控与评估有着重要意义。 为了提高养殖的科学性， 高效性， 在养殖中便捷高效地 获取 准确的养殖目标 大小信息 十分重要。 [0003]传统的养殖目标大小测量方法依赖于相对繁重 的人力资源， 缺乏效率。 养殖者需 手工测量样本的大小， 以其统计数据来反 映整体养殖目标 的生长状况。 这种接触式测量手 段不仅会 对养殖目标造成直接的伤害， 而且 还会间接伤害到 养殖目标群 体。 发明内容 [0004]本发明的目的是克服现有技术中的不足， 提供了一种基于实例分割和深度卷积神 经网络的平面目标监测方法， 包括： [0005]S1、 根据检测需求， 操控检测台移动到待检测目标的上方， 所述检测台配置有控制 器和至少一个相机， 所述待检测目标包括至少一个目标， 每个相机对 单个目标进 行检测； 所 述待检测目标位于放置台上； 所述 放置台、 任一相机和任一目标均具有编号； [0006]S2、 总控制台向检测台上的控制器发送当前放置台编号和拍照指令； [0007]S3、 检测台上的控制器收到总控制台指令后， 通过所述至少一个相机中的任一相 机， 获取单个目标的图像， 将图像、 放置台编号和相机编号 一起上传到服 务器； [0008]S4、 服务器接收到图像之后， 将图像输入深度卷积神经 网络中进行实例分割， 得到 目标的第一掩码； [0009]S5、 根据目标的第一掩码和图像分割算法GrabCut， 获取目标的第二掩码； [0010]S6、 根据目标的第二掩码， 获取图像中 目标实例分割得到的掩码像素点个数， 作为 评估目标相对大小的依据； [0011]S7、 将目标图像实例分割统计得到的像素点个数、 采样时间、 目标编号记录到服务 器数据库对应的项目中。 [0012]作为优选， S1中， 放置台编号、 相机编号和目标编号之间具有对应关系。 [0013]作为优选， S1中， 所述操控检测台移动到待检测目标的上方， 包括： 操控检测台移 动到具体的放置台。 [0014]作为优选， S3中， 检测台同时获取多个目标的图像。 [0015]作为优选， S4中， 实例分割模型采用Mask  R‑CNN网络。 [0016]作为优选， S5中， 将图像处理并提取后， 保存为图， 用T节点来描述背景像素， S节点 描述前景像素， 图的代价 函数E(A)表示 为：说　明　书 1/6 页 3 CN 114943988 A 3