(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 202210278396.0 (22)申请日 2022.03.21 (71)申请人 北京科技大 学 地址 100083 北京市海淀区学院路3 0号 (72)发明人 张利欣　南清荣　徐正光　 (74)专利代理 机构 北京希夷微知识产权代理事 务所(普通 合伙) 16079 专利代理师 王小东 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的钢坯自动语义分割识 别方法 (57)摘要 本发明涉及一种基于深度学习的钢坯自动 语义分割识别方法， 包括以下步骤： 步骤S1、 数据 集准备， 获得不同运动状态以及不同形态的钢坯 图像， 进行预处理和标注， 建立原始数据集； 步骤 S2、 构建语义 分割网络模型； 步骤S3、 训练步骤S2 中的语义 分割网络模型； 步骤S4、 测试步骤， 将待 测图像输入到训练所得的语义分割网络模型， 得 到分割结果。 本发明分割网络的骨干网络使用了 轻量型网络， 同时应用了非对称卷积和空洞卷 积， 在保持训练精度和推理速度的同时， 获得了 更大的感受野； 其次通过多尺度特征提取和融 合， 加强了各级特征图之间的信息交互， 提高模 型的分割性能； 最后 在解码部分应用密集上采样 策略， 避免上采样时的信息丢失， 进一步提高模 型的分割精度。 权利要求书2页 说明书5页 附图2页 CN 114612456 A 2022.06.10 CN 114612456 A 1.一种基于深度学习的钢坯自动语义分割识别方法， 其特 征在于， 包括以下步骤： 步骤S1、 数据集准备， 获得不同运动 状态以及不同形态的钢坯图像， 对获得的钢坯图像 进行预处理， 并对预处 理后的钢坯图像进行 标注， 建立原 始数据集； 步骤S2、 构建语义分割网络模型， 包括骨干网络、 多尺度空间池化模块和密集上采样模 块； 步骤S3、 训练步骤S2中构建的语义分割网络模型； 步骤S4、 测试步骤， 将待测图像输入到训练所 得的语义分割网络模型， 得到分割结果。 2.如权利要求1所述的一种基于深度学习的钢坯自动语义分割识别方法， 其特 征在于， 所述步骤S1中， 以钢铁生产工业现场的监控视频为原始数据， 通过在视频中截取关键 帧， 获得不同运动状态以及不同形态的钢坯图像； 对获得的钢坯图像进 行中心裁剪， 获得图 像中央预定尺寸区域， 对其进行标注， 建立原始数据集； 将原始数据集分为训练、 验证和测 试数据集。 3.如权利要求1所述的一种基于深度 学习的钢坯自动语义分割识别方法， 其特征在于， 所述步骤S2， 包 含如下子步骤： 步骤S21、 骨干网络主体采用采用了轻量型网络， 包括4个残差结构， 其中前两个残差结 构是标准的残差块， 后两个残差结构同时应用了非对称卷积和空洞卷积， 4个残差结构分别 输出对应的特 征图； 步骤S22、 生成多尺度特征， 利用步骤S21中骨干网络提取的特征图， 进行多级池化， 提 取多尺度特 征； 步骤S23、 融合多尺度特征， 将步骤S2 1和步骤S22中得到的特征图按相同分辨率进行 聚 合， 使用卷积核大小为3的深度分离卷积进行 特征融合； 步骤S24、 将步骤S23特 征融合后的特 征图进行密集上采样。 4.如权利要求3所述的一种基于深度 学习的钢坯自动语义分割识别方法， 其特征在于， 所述步骤S22具体包括： 在主体网络的每个残差块后进行不同尺度的池化操作， 产生不同尺度的特征图， 为扩 大感受野， 提取 更加丰富的特 征信息， 使用池化操作为 步长s＝2j， 卷积核大小为 k＝2s+1＝21+j+1,j∈[1,3]， j为池化 等级    (1) 对第一个特征图进行3级空间池化， 生成3个尺度的特征图， 第二个特征图的池化等级 为2， 生成2个尺度的特 征图,第三个特 征图化等级为1， 生成1个尺寸的特 征图。 5.如权利要求3所述的一种基于深度 学习的钢坯自动语义分割识别方法， 其特征在于， 所述步骤S24具体包括： 设输入特征图尺寸和通道为N ×N×C， 经卷积后将特征图通道数扩大一倍， 尺寸不变， 通道为2N， 最后再 经过像素重组到2N ×2N×C/2。 6.如权利要求1所述的一种基于深度 学习的钢坯自动语义分割识别方法， 其特征在于， 所述步骤S3、 训练步骤S2中构建的语义分割网络模型， 具体包括： 步骤S31、 对训练集中的数据通过随机翻转、 随机缩放裁剪和随机旋转的方式进行增 广， 所述随机翻转概率为0.5， 随机缩放的范围为原图像的0.8到1.5倍之间， 裁剪尺 寸为512 ×512， 缩放后尺寸 不足的补0， 随机 旋转的角度为 ‑10到10度之间； 步骤S32、 以交叉熵损失函数为网络训练的损失函数， 使用Adam优化器进行网络参数调权　利　要　求　书 1/2 页 2 CN 114612456 A 2整， 初始学习率设置为0.0 001。权　利　要　求　书 2/2 页 3 CN 114612456 A 3