(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 202210184465.1 (22)申请日 2022.02.25 (71)申请人 中国科学院沈阳自动化研究所 地址 110016 辽宁省沈阳市沈河区南塔街 114号 申请人 沈阳智能机 器人创新中心有限公司 　 沈阳智能机 器人国家研究院有限公 司 (72)发明人 付生鹏　侯维广　夏仁波　赵吉宾　 孙海涛　张诚　 (74)专利代理 机构 沈阳科苑专利商标代理有限 公司 210 02 专利代理师 周宇 (51)Int.Cl. G06V 10/26(2022.01)G06V 10/80(2022.01) G06V 10/52(2022.01) G06V 10/82(2022.01) G06V 10/774(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于改进DeepLabV3+网络的机械零部 件图像分割算法 (57)摘要 本发明涉及一种基于改进DeepLabV3+网络 的机械零部件图像分割算法。 包括： 首先， 在主干 网络中引入注意力机制来提升有效特征信息的 重要性， 增强对零部件目标的学习能力。 其次， 增 加底层特征来源以充分利用特征融合分支进行 自适应学习低级特征的空间信息， 并且将原4倍 上采样操作分解为逐层上采样， 减少了重要像素 信息的丢失。 最后， 使用不对称卷积来增强解码 层中3×3卷积的核骨架部分， 提高了卷积核的处 理能力以及模 型精度。 本发明方法实现了对零部 件图像中的零部件区域的准确分割， 有效弥补了 传统DeepLabV3+对零部件图像分割时存在边缘 分割模糊、 不完全分割的问题， 同时具有一定的 实时性， 提升 工业化效率。 权利要求书2页 说明书6页 附图3页 CN 114627290 A 2022.06.14 CN 114627290 A 1.一种基于改进DeepLabV3+网络的机械零部件图像分割算法， 其特征在于， 包括以下 步骤： 步骤一： 采集原始零部件图像； 对零部件原始图像 中出现的1个或多个零部件边界进行 分割标注得到人工分割图像， 将原 始图像与人工分割图像共同建立 零部件图像数据集； 步骤二： 对零部件图像和人工分割图像分别进行数据增强处理扩充样本 图像， 再按比 例随机划分为训练集、 验证集和 测试集； 步骤三： 搭建改进DeepLabV3+的语义分割模型， 包括编码层和解码层； 编码层包括 MobileNetV2和通道注意力模块、 自适应空间特征融合模块ASFF、 空间金字塔池模块ASPP、 1 ×1卷积模块， 用于将特征图尺寸缩小， 提取信息进行零部件边界分割； 解码层包括1 ×1卷 积模块、 上采样操作、 非对称卷积模块， 用于逐步恢复空间维度， 输出同尺寸的边界分割结 果图； 步骤四： 设置网络训练参数， 将训练集图片输入改进DeepLabV3+的语义分割网络进行 训练， 利用验证集进行验证， 得到优化的网络模型； 步骤五： 利用优化的DeepLabV3+语义分割模型对测试集中的零部件图像进行识别预 测， 得到机械零部件分割结果图。 2.根据权利要求1所述的一种基于改进DeepLabV3+网络的机械零部件图像分割算法， 其特征在于， 所述数据增强包括旋转、 平 移和添加噪声操作。 3.根据权利要求2所述的一种基于改进DeepLabV3+网络的机械零部件图像分割算法， 其特征在于， 所述旋转包括水平翻转、 垂直翻转、 ±60°、±90°、±210°、±240°的旋转； 所述 平移包括右移100像素、 下移100像素； 以及添加0.001,0.002,0.003的椒盐噪声； 最后将增 强后的数据集样本按8： 1： 1的比例随机划分为训练集、 验证集和 测试集。 4.根据权利要求1所述的一种基于改进DeepLabV3+网络的机械零部件图像分割算法， 其特征在于， 所述MobileNetV2和通道注意力模块， 将输入的样本图像进行处理， 输出原图 1/4大小的底层特征图、 三个不同大小的特征层 级图以及原图1/16大小的高层语义特征图； 其中三个不同大小的特征层 级图输入到ASFF模块后输出融合特征图至解码层； 高层语义特 征输入到ASPP结构中， 并行经过1 ×1卷积， 空洞率为6， 12， 18的空洞卷积继续提取特征以及 全局平均池化后对特征图进行融合再输出至1 ×1卷积模块， 得到的高层语义特征图进入解 码层； 所述编码层输出的底层特征图经过1 ×1卷积后与ASFF融合特征图进行相加操作； 然后 与编码层获得的高层语义特征图进行逐层2倍双线性插值上采样后的特征图进行融合操 作； 之后对融合后的特征图采用非对称卷积， 再经过逐层2 倍上采样操作后输出最 终的分割 预测结果图。 5.根据权利要求4所述的一种基于改进DeepLabV3+网络的机械零部件图像分割算法， 其特征在于， 所述ASF F模块进行处 理的步骤 包括： 以三个不同大小的特征层级图为输入， 分别记为x1， x2， x3， 通过3 ×3卷积进行下采样 操作将特 征层级x2和x3调整与x1的大小相同； 对尺寸调整后的特征层级图x1， x2， x3按照 融合特征公式来自适应学习各空间权重信 息， 得到融合特 征图yl； 所述l级融合特 征公式如下：权　利　要　求　书 1/2 页 2 CN 114627290 A 2其中， 表示输出特征图yl的第(i,j)特征向量， 表示不同的三个层级 到l级的空间重要性权重， 且该权重信息共享于所有通道， 表示为m级调整到l级的特征 映射上位置(i,j)处的特 征向量。 6.根据权利要求1所述的一种基于改进DeepLabV3+网络的机械零部件图像分割算法， 其特征在于， 所述逐层2倍双线性插值上采样替换原4倍上采样用于像素的连续性， 减少 重 要像素信息的丢失。 7.根据权利要求1所述的一种基于改进DeepLabV3+网络的机械零部件图像分割算法， 其特征在于， 所述非对称卷积模块包含3 ×3， 1×3， 3×1卷积， 对于第j个卷积核， 令F(j)， 和 分别表示3 ×3， 1×3和3×1卷积核的输出 结果， 最终融合的结果 可表示为： 式中， 分别对应3 ×3， 1×3， 3×1卷积的标准偏差值， 和 分别是3×3， 1×3， 3×1卷积的缩放系数和偏移量， bj表示偏置， 公式为： 式中， 是3×3， 1×3， 3×1卷积的批量归一化的通道平均值， 故即可得到以 下非对称卷积融合公式： 式中， 分别表示原始含3 ×3， 1×3和3×1三个分支的输出， *表示二 维卷积算子， M:,:,k是M第k个通道上尺寸为U ×V的特征图， 表示融合后作用于第k个通 道上的卷积核j， C表示 通道数。 8.根据权利要求1所述的一种基于改进DeepLabV3+网络的机械零部件图像分割算法， 其特征在于， 所述网络训练参数包括： 训练次数epoch设为100， 初始学习率设为0.007， 学习 策略采用“poly”， Batchsize设置为2， 初始动量为0.9， 使用交叉熵损失函数， 同时选择随机 梯度下降优化 算法进行训练。权　利　要　求　书 2/2 页 3 CN 114627290 A 3