一种基于改进CondInst的砂石骨料图像的分割处理方法与流程

一种基于改进condinst的砂石骨料图像的分割处理方法
技术领域
1.本发明涉及图像处理技术领域，尤其涉及一种基于改进condinst的砂石骨料图像的分割处理方法。


背景技术：

2.随着现代建筑、道路、桥梁等基础设施建设行业的持续发展，砂石骨料作为基础设施建设中不可或缺的重要材料，其级配、超逊径颗粒含量、针片状颗粒含量等技术指标会极大地影响其所制混凝土性能，进而影响到建筑的安全性和可靠性。
3.针对砂石骨料级配、超逊径颗粒含量、针片状颗粒含量等参数的检测如今大多依赖于人工使用石子筛、超逊径筛、针片状规准仪以及游标卡尺等仪器手工检测，耗时长，且人工体力消耗大，随着机器视觉行业的兴起，人们逐渐将其应用到砂石骨料的技术指标检测中，主要是通过图像分割技术将砂石骨料图像分割后，就其分割结果分析后得到上述参数，因此砂石骨料图像分割算法对参数分析的准确度有关键影响，其精度与推理速度是影响其能否投入实际应用的关键。由于砂石骨料图像的复杂度，传统图像分割方法并不适用，利用神经网络模型如mask_rcnn等一定程度上能够解决砂石骨料图像的分割问题，但砂石骨料图像的分割速度与精度在实际应用中仍然是需要去研究的问题。


技术实现要素：

4.由于砂石骨料图像中骨料与骨料之间颜色相近且个别骨料之间的界限不明，同时单颗骨料自身的颜色分布也并不均匀，这给砂石骨料图像的分割带来较大的困难。因此，由于砂石骨料图像本身的复杂度，传统图像分割方法并不适用，而mask_rcnn，unet等神经网络模型虽在一定程度上解决了砂石骨料图像的分割问题，但其分割速度与精度在一定情况下仍然无法满足实际应用。鉴于此，为应对该问题，本发明提供了一种基于改进condinst的砂石骨料图像的分割处理方法。
5.为实现上述目的，本发明提供了如下的技术方案：
6.第一方面，在本发明提供了一种基于改进condinst的砂石骨料图像的分割处理方法，包括以下步骤：
7.1)采集与标注砂石骨料图像，建立砂石骨料图像数据集；
8.2)对所述砂石骨料图像数据集进行预处理，并划分训练集与测试集；
9.3)搭建改进的condinst实例分割模型；
10.4)设置网络训练参数，利用改进的condinst算法模型进行训练与测试；
11.5)将相机新拍摄的砂石骨料图像输入训练完成的改进condinst算法模型处理后得到砂石骨料图像分割结果。
12.作为本发明的进一步方案，步骤1)中，采集砂石骨料图像时，包括：在不同的光照以及干湿度条件下将砂石骨料随意平铺于水平平台上，将工业相机固定于上方进行拍摄；拍摄完成后利用labelme软件对骨料边缘进行标注，遮挡处圆滑过渡标注，建立砂石骨料图
像数据集。
13.作为本发明的进一步方案，步骤2)中，使用直方图均衡化以及z-score标准化方法对砂石骨料图像数据集进行预处理，并且按照9：1的比例随机划分训练集与测试集。
14.作为本发明的进一步方案，直方图均衡化处理即通过改变图像的灰阶分布以提高图像的对比度，具体操作如下：先计算图像中每一种灰度值的出现概率，将灰度值按出现概率的大小从小到大排列后，将一种灰度值的出现概率和小于该的灰度值的出现概率的出现概率相加即该灰度值的累积概率，最后将原图像中每一个像素点的灰度值修改为该灰度值的累积概率与最大灰度值255的乘积。
15.作为本发明的进一步方案，z-score标准化方法即将直方图均衡化处理后的砂石骨料图像的所有像素值分别减去所有像素值的均值后，再除以所有像素值的标准差，以此将直方图均衡化处理后的砂石骨料图像归至均值为0，方差为1的分布中，得到预处理完成的砂石骨料图像数据集。
16.作为本发明的进一步方案，步骤3)中，改进condinst算法模型包括主干网络、分割掩膜生成分支以及损失函数，所述主干网络的特征提取部分基于原condinst算法模型的特征提取部分，主干网络的特征提取包括：
17.利用resnet网络进行特征提取，其中，所述resnet网络包含有五个阶段，相邻的两个阶段之间输出特征图尺寸缩小二分之一，利用resnet网络得到输出特征图尺寸依次缩小的一个特征金字塔，取其后三个阶段的输出特征图进行进一步的特征融合，构成新的特征金字塔；
18.将新的特征金字塔的各层输入共享头部网络，各层通过共享卷积层后输入到不同的输出层，包含分类预测层、边框预测层、中心度预测层以及动态卷积参数生成层；其中，分类预测层、边框预测层以及中心度预测层不变，对动态卷积参数生成层做出修改。
19.作为本发明的进一步方案，分割掩膜生成分支，动态卷积参数生成层生成的参数矩阵通道数由169个修改为185个，改进后的condinst算法模型利用特征金字塔的p3层来生成分割掩膜，还通过特征金字塔的p4层以及p5层来预测分割掩膜。
20.作为本发明的进一步方案，分割掩膜生成分支时，改进后的condinst算法模型对p3、p4、p5三层融合特征图均进行操作，操作步骤包括：
21.利用卷积层缩小特征图的通道数以提取特征与减小计算量；
22.将其输出与主干网络所得的正样本的长宽特征以及相对位置特征在通道方向上相叠，形成掩膜分支的融合特征图；
23.将其输入利用主干网络生成的动态卷积参数形成的掩膜头部生成最后的分割掩膜，其中针对不同的实例使用对应的动态卷积参数。
24.作为本发明的进一步方案，condinst算法模型的损失函数包含分类损失函数、边框回归损失函数、中心度损失函数以及分割掩膜损失函数，即：
25.l
overall
＝l
cls
+l
reg
+l
ctrness
+l
mask
26.其中，l
cls
代表分类损失函数，l
reg
代表边框回归损失函数，l
ctrness
代表中心度损失函数，l
mask
代表分割掩膜损失函数。
27.作为本发明的进一步方案，condinst算法模型中，将原损失函数中的边框回归损失函数由iou损失函数修改为focal-eiou损失函数，公式如下:
[0028][0029]
其中，iou代表交并比，即预测边界框与目标边界框的交集与并集之比；γ代表控制异常值抑制程度的参数；b代表预测边界框的中心点；b
gt
代表目标边界框的中心点；c代表预测边界框与目标边界框的外接矩形的对角线长度；w代表预测边界框的宽度；w
gt
代表目标边界框的宽度；cw代表预测边界框与目标边界框的外接矩形的宽度；h代表预测边界框的高度；h
gt
代表目标边界框的高度；ch代表预测边界框与目标边界框的外接矩形的高度；ρ(x,y)代表两者之间的欧氏距离。
[0030]
作为本发明的进一步方案，步骤4)中利用python语言在深度学习框架pytorch下进行训练与测试，在深度学习框架pytorch下进行训练与测试包括：
[0031]
在训练前对batchsize、学习率、epoch以及优化器在内的训练参数进行选择与设置；
[0032]
所述训练参数设置完成后进行训练，训练完成后得到砂石骨料图像分割模型，再将测试集输入该模型进行测试。
[0033]
作为本发明的进一步方案，步骤5)中将训练测试好的砂石骨料图像分割模型部署于粗骨料参数分析平台后台，将相机采集的待处理的砂石骨料图像输入模型后得到所述砂石骨料图像的分割结果显示于平台界面。
[0034]
第二方面，在本发明提供的又一个方案中，提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器加载并执行所述计算机程序时实现基于改进condinst的砂石骨料图像的分割处理方法的步骤。
[0035]
第三方面，在本发明提供的再一个方案中，提供了一种存储介质，存储有计算机程序，所述计算机程序被处理器加载并执行时实现所述基于改进condinst的砂石骨料图像的分割处理方法的步骤。
[0036]
本发明提供的技术方案，具有如下有益效果：
[0037]
本发明提供的基于改进condinst的砂石骨料图像的分割处理方法，在condinst模型分割掩膜生成分支中利用了特征金字塔的多层融合特征来预测掩膜，并且每层融合特征中不仅仅加入了位置特征，还融合了长宽特征，能够使得模型更加快速地判别围绕模型实例中心的周围各像素点是否属于当前实例，以加速其掩膜预测过程。
[0038]
本发明将原模型损失函数中的边框回归损失函数由iou损失函数更改为focal-eiou损失函数，该损失函数中不仅考虑了预测边界框与目标边界框的重叠面积，还考虑了两者之间的中心点距离损失以及宽高损失，能够进一步缓解预测边界框与目标边界框不重叠时产生的梯度消失问题，加速模型的收敛，同时利用控制异常值抑制程度的参数，使得好的预测边界框能够得到更大的损失，有助于提高边界框回归精度。
[0039]
综上，本发明的方法相较原模型利用长宽特征的融合以及边框回归损失函数的改进能够以较快的速度以及较高的精确度分割出砂石骨料图像。
[0040]
本发明的这些方面或其他方面在以下实施例的描述中会更加简明易懂。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
[0041]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例。
[0042]
在附图中：
[0043]
图1为本发明一个实施例的一种基于改进condinst的砂石骨料图像的分割处理方法的流程图。
[0044]
图2为本发明一个实施例的一种基于改进condinst的砂石骨料图像的分割处理方法中改进condinst算法模型的整体框架图。
[0045]
图3为原condinst算法模型的整体框架图。
[0046]
图4为本发明一个实施例的一种基于改进condinst的砂石骨料图像的分割处理方法对应的计算机设备的结构框图。
具体实施方式
[0047]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0048]
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
[0049]
下面将结合本发明示例性实施例中的附图，对本发明示例性实施例中的技术方案进行清楚、完整地描述，显然，所描述的示例性实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0050]
由于砂石骨料图像中骨料与骨料之间颜色相近且个别骨料之间的界限不明，同时单颗骨料自身的颜色分布也并不均匀，这给砂石骨料图像的分割带来较大的困难。因此，由于砂石骨料图像本身的复杂度，传统图像分割方法并不适用，而mask_rcnn、unet等神经网络模型虽在一定程度上解决了砂石骨料图像的分割问题，但其分割速度与精度在一定情况下仍然无法满足实际应用。
[0051]
针对上述问题，本发明提供了一种基于改进condinst的砂石骨料图像的分割处理方法。
[0052]
具体地，下面结合附图，对本技术实施例作进一步阐述。
[0053]
请参见图1所示，本发明的一个实施例提供一种基于改进condinst的砂石骨料图像的分割处理方法，该方法包括步骤1)～步骤5)：
[0054]
1)采集与标注砂石骨料图像，建立砂石骨料图像数据集；
[0055]
2)对所述砂石骨料图像数据集进行预处理，并划分训练集与测试集；
[0056]
3)搭建改进的condinst实例分割模型；
[0057]
4)设置网络训练参数，利用改进的condinst算法模型进行训练与测试；
[0058]
5)将相机新拍摄的砂石骨料图像输入训练完成的改进condinst算法模型处理后得到砂石骨料图像分割结果。
[0059]
在本实施例的所述步骤1)中，采集砂石骨料图像时，包括：在不同的光照以及干湿度条件下将砂石骨料随意平铺于水平平台上，将工业相机固定于上方进行拍摄；拍摄完成后利用labelme软件对骨料边缘进行标注，遮挡处圆滑过渡标注，建立砂石骨料图像数据集。
[0060]
在本实施例的所述步骤2)中，使用直方图均衡化以及z-score标准化方法对砂石骨料图像数据集进行预处理，并且按照9：1的比例随机划分训练集与测试集。
[0061]
其中，直方图均衡化处理即通过改变图像的灰阶分布以提高图像的对比度，具体操作如下：先计算图像中每一种灰度值的出现概率，将灰度值按出现概率的大小从小到大排列后，将一种灰度值的出现概率和小于该的灰度值的出现概率的出现概率相加即该灰度值的累积概率，最后将原图像中每一个像素点的灰度值修改为该灰度值的累积概率与最大灰度值255的乘积。
[0062]
其中，z-score标准化方法即将直方图均衡化处理后的砂石骨料图像的所有像素值分别减去所有像素值的均值后，再除以所有像素值的标准差，以此将直方图均衡化处理后的砂石骨料图像归至均值为0，方差为1的分布中，得到预处理完成的砂石骨料图像数据集。
[0063]
在本实施例的所述步骤3)中，改进condinst算法模型包括主干网络、分割掩膜生成分支以及损失函数，改进condinst算法模型的整体框架图如图2所示。所述主干网络的特征提取部分基于原condinst算法模型的特征提取部分，同时参见图3所示，主干网络的特征提取包括：首先利用resnet网络进行特征提取，其中，所述resnet网络包含有五个阶段，相邻的两个阶段之间输出特征图尺寸缩小二分之一，利用resnet网络得到输出特征图尺寸依次缩小的一个特征金字塔，取其后三个阶段的输出特征图进行进一步的特征融合，即第五阶段的输出特征图卷积后得到新特征金字塔的p5层，其下采样后与第四阶段的输出特征图卷积后的结果相加形成新特征金字塔的p4层，通过类似操作得到新特征金字塔的p3层，同时，p5层经连续两步下采样操作获得新特征金字塔的p6层以及p7层，由此构成新的特征金字塔。
[0064]
然后将新的特征金字塔的各层输入共享头部网络，各层通过共享卷积层后输入到不同的输出层，包含分类预测层、边框预测层、中心度预测层以及动态卷积参数生成层；其中，分类预测层、边框预测层以及中心度预测层不变，对动态卷积参数生成层做出修改。
[0065]
由于后续对分割掩膜生成分支的改进，动态卷积参数生成层生成的参数矩阵通道数由169个修改为185个。
[0066]
请参照图2所示，动态卷积参数生成层生成的参数矩阵服务于掩膜全卷积头部网络mask fcn head，而特征图的通道数原为10，由f
mask
经卷积后生成的八通道特征图和正样本的长宽特征即w、h二通道在通道方向上堆叠得到，在此基础上，经过后续改进即在通道方向上继续堆叠正样本的相对位置特征x、y得到包含有12个通道的特征图。动态卷
积参数生成层生成的参数矩阵通道方向上的一列参数应用于掩膜全卷积头部网络即可生成一张掩膜，由前述，掩膜全卷积头部网络mask fcn head的第一层卷积层的卷积核的大小由1
×1×
10变为1
×1×
12，并且这样的卷积核共有8个，最终使得参数矩阵通道方向上的一列参数需增加16个，即需从原来的169个通道增加至185个通道。
[0067]
在修改时，多使用另外16个卷积核对前一步卷积生成的特征图进行卷积得到另外16个通道的动态卷积参数。
[0068]
在本实施例中，分割掩膜生成分支时，改进后的condinst算法模型不仅仅利用特征金字塔的p3层来生成分割掩膜，还通过特征金字塔的p4层以及p5层来预测分割掩膜，其对p3、p4、p5三层融合特征图均进行了以下操作：
[0069]
首先利用卷积层缩小特征图的通道数以提取特征与减小计算量；之后将其输出与主干网络所得的正样本的长宽特征以及相对位置特征在通道方向上相叠，形成掩膜分支的融合特征图；最后将其输入利用主干网络生成的动态卷积参数形成的掩膜头部生成最后的分割掩膜，其中针对不同的实例使用对应的动态卷积参数。
[0070]
如图2以及图3右下方虚线框处，将主干网络融合特征图进一步卷积后得到的输出f
mask
不仅仅与正样本的长宽特征在通道方向上堆叠，还将其相对位置特征同时在通道方向上进行堆叠。
[0071]
分割掩膜生成分支对数据的具体处理流程如下：首先利用卷积层缩小p3、p4、p5三层融合特征图的通道数以进一步提取特征与减小计算量，之后将其输出f
mask
与由主干网络所得的正样本的长宽特征以及相对位置特征在通道方向上相叠，形成掩膜分支的融合特征图最后将其输入利用主干网络生成的动态卷积参数形成的掩膜头部生成最后的分割掩膜，其中针对不同的实例使用对应的动态卷积参数。
[0072]
相对位置特征可以看作一种隐式的位置编码，将主干网络生成的边框的中心点的坐标定义为(0，0)，其余位置坐标根据该位置重新定义，由此可得相对位置特征。
[0073]
在本实施例中，condinst算法模型的损失函数包含分类损失函数、边框回归损失函数、中心度损失函数以及分割掩膜损失函数，即：
[0074]
l
overall
＝l
cls
+l
reg
+l
ctrness
+l
mask
[0075]
其中，l
cls
代表分类损失函数，l
reg
代表边框回归损失函数，l
ctrness
代表中心度损失函数，l
mas
k代表分割掩膜损失函数。
[0076]
在本实施例中，condinst算法模型中，将原损失函数中的边框回归损失函数由iou损失函数修改为focal-eiou损失函数，公式如下:
[0077][0078]
其中，iou代表交并比，即预测边界框与目标边界框的交集与并集之比；γ代表控制异常值抑制程度的参数；b代表预测边界框的中心点；b
gt
代表目标边界框的中心点；c代表预测边界框与目标边界框的外接矩形的对角线长度；w代表预测边界框的宽度；w
gt
代表目标边界框的宽度；cw代表预测边界框与目标边界框的外接矩形的宽度；h代表预测边界框的高度；h
gt
代表目标边界框的高度；ch代表预测边界框与目标边界框的外接矩形的高度；ρ(x,y)代表两者之间的欧氏距离。
[0079]
在本实施例中，仅对l
reg
进行了重定义，其它三种损失函数保持不变。
[0080]
如图2所示，步骤3)的实施步骤包括：输入图像经过主干网络的卷积、池化、下采样以及上采样等一系列操作后得到融合特征图金字塔，其包含p3、p4、p5、p6、p7五个融合特征图，每个融合特征图经共享的卷积池化操作进一步提取特征后，输入分类分支，边框回归分支，中心度回归分支以及动态卷积参数生成分支，进而得到每个融合特征图中各点映射的原图区域的对应类别，正样本边框位置及其中心度，各点的动态卷积参数。
[0081]
在分割掩膜生成分支，将p3、p4、p5三个融合特征图进一步卷积后得到特征图f
mask
，特征图f
mas
k与由主干网络所得的正样本的长宽特征以及相对位置特征在通道方向上相叠，形成掩膜分支的融合特征图最后将其输入利用主干网络生成的动态卷积参数形成的掩膜头部生成最后的分割掩膜。
[0082]
在对一张输入图片进行分割时，将该图片输入训练测试好的模型，模型就会生成对应图片的分割掩膜。
[0083]
在本实施例中，步骤4)中利用python语言在深度学习框架pytorch下进行训练与测试，在深度学习框架pytorch下进行训练与测试包括：
[0084]
在训练前对batchsize、学习率、epoch以及优化器在内的训练参数进行选择与设置；
[0085]
所述训练参数设置完成后进行训练，训练完成后得到砂石骨料图像分割模型，再将测试集输入该模型进行测试。
[0086]
需要说明的是，在设定的epoch下分割模型根据损失函数计算出的训练集损失降到很小的数值且由训练集经模型处理后得到的分割结果的平均交并比达到一定值时，模型训练完成。
[0087]
模型训练好之后，将测试集输入训练好的模型，分割模型根据损失函数计算出的测试集损失以及由测试集经模型处理后得到的分割结果的平均交并比与训练集结果相较，其差距不超过规定值则表示模型测试合格。
[0088]
在本实施例中，步骤5)中将训练测试好的砂石骨料图像分割模型部署于粗骨料参数分析平台后台，将相机采集的待处理的砂石骨料图像输入模型后得到所述砂石骨料图像的分割结果显示于平台界面。
[0089]
其中，分割结果为分割掩膜和一定颜色的像素值相乘后与原图像对应位置像素值按比例相加后得出的分割图像。
[0090]
应该理解的是，上述虽然是按照某一顺序描述的，但是这些步骤并不是必然按照上述顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，本实施例的一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0091]
因此，本发明在condinst模型分割掩膜生成分支中利用了特征金字塔的多层融合特征来预测掩膜，并且每层融合特征中不仅仅加入了位置特征，还融合了长宽特征，能够使得模型更加快速地判别围绕模型实例中心的周围各像素点是否属于当前实例，以加速其掩膜预测过程。
[0092]
本发明将原模型损失函数中的边框回归损失函数由iou损失函数更改为focal-eiou损失函数，该损失函数中不仅考虑了预测边界框与目标边界框的重叠面积，还考虑了两者之间的中心点距离损失以及宽高损失，能够进一步缓解预测边界框与目标边界框不重叠时产生的梯度消失问题，加速模型的收敛，同时利用控制异常值抑制程度的参数，使得好的预测边界框能够得到更大的损失，有助于提高边界框回归精度。
[0093]
综上，本文方法相较原模型利用长宽特征的融合以及边框回归损失函数的改进能够以较快的速度以及较高的精确度分割出砂石骨料图像。
[0094]
在一个实施例中，参见图4所示，在本发明的实施例中还提供了一种计算机设备1000，包括至少一个处理器1002，以及与所述至少一个处理器1002通信连接的存储器1001，所述存储器1001存储有可被所述至少一个处理器1002执行的指令，所述指令被所述至少一个处理器1002执行，以使所述至少一个处理器1002执行所述的基于改进condinst的砂石骨料图像的分割处理方法，该处理器1002执行指令时实现上述各方法实施例中的步骤：
[0095]
1)采集，标注砂石骨料图像，建立砂石骨料图像数据集。
[0096]
2)对砂石骨料图像数据集进行预处理，并划分训练集与测试集。
[0097]
3)搭建改进的condinst实例分割模型。
[0098]
4)设置网络训练参数，利用改进的condinst算法模型进行训练与测试。
[0099]
5)将相机新拍摄的砂石骨料图像输入训练完成的改进condinst算法模型处理后得到砂石骨料图像分割结果。
[0100]
其中，步骤1)中，采集砂石骨料图像时，在不同的光照以及干湿度条件下将砂石骨料随意平铺于水平平台上，然后将工业相机固定于上方进行拍摄；拍摄完成后利用labelme软件对骨料边缘进行标注，遮挡处圆滑过渡标注，建立砂石骨料图像数据集。
[0101]
步骤2)中，使用直方图均衡化以及z-score标准化方法对砂石骨料图像数据集进行预处理，并且按照9：1的比例随机划分训练集与测试集。
[0102]
在本发明的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例中基于改进condinst的砂石骨料图像的分割处理方法，该基于改进condinst的砂石骨料图像的分割处理方法包括：
[0103]
1)采集，标注砂石骨料图像，建立砂石骨料图像数据集。
[0104]
2)对砂石骨料图像数据集进行预处理，并划分训练集与测试集。
[0105]
3)搭建改进的condinst实例分割模型。
[0106]
4)设置网络训练参数，利用改进的condinst算法模型进行训练与测试。
[0107]
5)将相机新拍摄的砂石骨料图像输入训练完成的改进condinst算法模型处理后得到砂石骨料图像分割结果。
[0108]
其中，步骤1)中，采集砂石骨料图像时，在不同的光照以及干湿度条件下将砂石骨料随意平铺于水平平台上，然后将工业相机固定于上方进行拍摄；拍摄完成后利用labelme软件对骨料边缘进行标注，遮挡处圆滑过渡标注，建立砂石骨料图像数据集。
[0109]
步骤2)中，使用直方图均衡化以及z-score标准化方法对砂石骨料图像数据集进
行预处理，并且按照9：1的比例随机划分训练集与测试集。
[0110]
在本发明的示例性实施例中，描述了根据本发明的实施例的用于实现上述方法的程序产品，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0111]
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0112]
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0113]
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
[0114]
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0115]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。
[0116]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。