本申请涉及图像分析,具体地涉及一种用于煤矿图像实例分割的改进solov2模型及其构建方法。
背景技术:
1、煤炭作为我国重要能源,保障国民经济稳步发展。近年来,深度学习逐渐应用于煤矿特殊环境中。然而,煤矿井下多数图像存在模糊且图中目标物体轮廓不清晰等问题,深度学习模型应用于煤矿特殊环境中实际效果不佳。图像分割算法作为深度学习方法应用于煤矿图像分割任务的一项关键技术,对煤矿复杂场景解析意义重大。
2、随着深度学习技术的飞速发展,图像分割算法得到了深入的研究。依据算法的训练模式和数据集给定标签形式的差异,主要分为以有监督、弱监督及无监督为基础的方法。现有的分割模型多是采用有监督方法,能够充分学习带有标签的训练图像中包含大量的语义信息,因此有监督分割模型是目前使用最频繁且分割精度能够达到最优的方法。
3、现有的图像分割方法用于清晰度较好的煤矿井下图像上效果良好,但对于煤矿井下的大部分场景中光线不足且粉尘较大,致使煤矿图像模糊,从而影响现有图像分割方法对目标物体的识别和分割,降低了图像分割精度。
技术实现思路
1、本发明要解决的技术问题是:图像分割方法在井下环境的应用中,图像分割精度较差。
2、为此,本发明提供一种用于煤矿图像实例分割的改进solov2模型及其构建方法。
3、本发明解决其技术问题所采用的技术方案是:
4、用于煤矿图像实例分割的改进solov2模型,其特征在于,包括resnet-18网络、特征金字塔网络、卷积核分支、特征分支、语义分支,所述resnet-18网络为主干特征提取网络,所述resnet-18网络中的所有组合模块中均设置有ca模块,即坐标注意力模块。
5、通过采用上述技术方案,该改进solov2模型以一种轻量化的主干特征提取网络resnext-18替代resnet-50网络,从而便于提高图像分割速度,在resnet-18网络中的所有组合模块中均设置有ca模块,便于提高实例分割的精度。
6、进一步的,所述resnet-18网络包括标准卷积层、最大池化层、组合模块1、组合模块2、组合模块3、组合模块4,所述resnext-18网络中四个组合模块用于传递不同维度的特征信息。
7、通过采用上述技术方案,组合模块1通过调整分组数量,不仅能增加网络宽度和深度,促使特征的充分融合,简化了网络的设计难度,而且加速模型的收敛速度。
8、进一步的,该改进solov2模型中使用acon-c激活函数作为神经元的激活函数。
9、通过采用上述技术方案,acon激活函数能够自适应的实现神经元的激活与否,有利于提高模型的泛化能力和特征的充分融合。采用acon-c作为resnext-18网络的激活函数,它的精度随着模型网络层的加深而提升,有利于提高模型对图像分割的精度。
10、用于煤矿图像实例分割的改进solov2模型的构建方法,包括以下步骤:
11、步骤一:构建初始solov2模型;
12、步骤二:构建多个改进模型;
13、步骤三:建立图像数据库,划分训练集;
14、步骤四:训练模型,利用训练集对初始solov2模型和改进模型进行训练;
15、步骤五:验证模型,对比分析初始solov2模型和改进模型的性能,确定改进solov2模型。
16、进一步的,所述初始solov2模型包括resnet-50网络、特征金字塔网络、卷积核分支、特征分支、语义分支,所述初始solov2模型中采用线性整流函数作为神经元的激活函数。
17、进一步的,所述构建多个改进模型步骤中,在所述初始solov2模型的基础上构建多个包括改进solov2模型在内的改进模型,所述改进模型包括改进模型一、改进模型二、改进模型三、改进solov2模型。
18、进一步的,所述训练模型步骤中,利用coco数据集对初始solov2模型以及改进模型进行预训练,得到预训练权重文件。
19、进一步的,所述训练模型步骤中,训练模型时参数设置:输入图像大小为480×480;动量系数为0.9;权重衰减系数为0.0001;初始学习率为0.01,学习率更新策略为:经过100轮迭代训练后,将学习率降低为0.001,当迭代训练到第200轮时,再将学习率降低为0.0001;批尺寸为8;训练迭代轮数为300。
20、进一步的,所述验证模型步骤中,包括实验验证和图像验证,所述实验验证用于验证模型分割计算结果准确性,所述图像验证用于对煤矿图像实例分割结果进行对比。
21、进一步的,所述实验验证采用消融实验对初始solov2模型以及改进模型进行对比实验。
22、本发明的有益效果是,本文选择solov2作为改进的基准模型,提出一种改进solov2的煤矿图像实例分割方法,该模型以一种轻量化的主干特征提取网络resnext-18替代resnet-50网络,从而便于提高图像分割速度,在resnet-18网络中的所有组合模块中均设置有ca模块,便于提高实例分割的精度;resnet-18网络中的组合模块1通过调整分组数量c,不仅能增加网络宽度和深度,促使特征的充分融合,简化了网络的设计难度,而且加速模型的收敛速度;在模型中利用acon激活函数,能够自适应的实现神经元的激活与否,有利于提高模型的泛化能力和特征的充分融合。采用acon-c作为resnext-18网络的激活函数,它的精度随着模型网络层的加深而提升,有利于提高模型对图像分割的精度。
1.用于煤矿图像实例分割的改进solov2模型,其特征在于,包括resnet-18网络、特征金字塔网络、卷积核分支、特征分支、语义分支,所述resnet-18网络为主干特征提取网络,所述resnet-18网络中的所有组合模块中均设置有ca模块,即坐标注意力模块。
2.根据权利要求1所述的用于煤矿图像实例分割的改进solov2模型的构建方法,其特征在于,所述resnet-18网络包括标准卷积层、最大池化层、组合模块1、组合模块2、组合模块3、组合模块4,所述resnext-18网络中四个组合模块用于传递不同维度的特征信息。
3.根据权利要求1所述的用于煤矿图像实例分割的改进solov2模型的构建方法,其特征在于,该改进solov2模型中使用acon-c激活函数作为神经元的激活函数。
4.一种权利要求1-3中任意一项所述的用于煤矿图像实例分割的改进solov2模型的构建方法,其特征在于,包括以下步骤:
5.根据权利要求4所述的用于煤矿图像实例分割的改进solov2模型的构建方法,其特征在于,所述初始solov2模型包括resnet-50网络、特征金字塔网络、卷积核分支、特征分支、语义分支,所述初始solov2模型中采用线性整流函数作为神经元的激活函数。
6.根据权利要求4所述的用于煤矿图像实例分割的改进solov2模型的构建方法,其特征在于,所述构建多个改进模型步骤中,在所述初始solov2模型的基础上构建多个包括改进solov2模型在内的改进模型,所述改进模型包括改进模型一、改进模型二、改进模型三、改进solov2模型。
7.根据权利要求4所述的用于煤矿图像实例分割的改进solov2模型的构建方法,其特征在于,所述训练模型步骤中,利用coco数据集对初始solov2模型以及改进模型进行预训练,得到预训练权重文件。
8.根据权利要求4所述的用于煤矿图像实例分割的改进solov2模型的构建方法,其特征在于,所述训练模型步骤中,训练模型时参数设置:输入图像大小为480×480;动量系数为0.9;权重衰减系数为0.0001;初始学习率为0.01,学习率更新策略为:经过100轮迭代训练后,将学习率降低为0.001,当迭代训练到第200轮时,再将学习率降低为0.0001;批尺寸为8;训练迭代轮数为300。
9.根据权利要求4所述的用于煤矿图像实例分割的改进solov2模型的构建方法,其特征在于,所述验证模型步骤中,包括实验验证和图像验证,所述实验验证用于验证模型分割计算结果准确性,所述图像验证用于对煤矿图像实例分割结果进行对比。
10.根据权利要求9所述的用于煤矿图像实例分割的改进solov2模型的构建方法,其特征在于,所述实验验证采用消融实验对初始solov2模型以及改进模型进行对比实验。