一种基于语义分割的磨粒图像分类方法及装置制造方法及图纸

本发明专利技术公开了一种基于语义分割的磨粒图像分类方法及装置，该方法包括：利用链式通道注意力网络提取待分类的磨粒图像的图像特征；利用基于类注意力的语义分割网络对提取到的图像特征进行语义分割；基于语义分割网络输出的语义分割结果，利用分类网络得到当前待分类的磨粒图像的分类结果。本发明专利技术利用语义分割标签引导模型关注目标区域，更加有益于分类图像中的小目标。中的小目标。中的小目标。

【技术实现步骤摘要】
一种基于语义分割的磨粒图像分类方法及装置


[0001]本专利技术涉及图像分类
，特别涉及一种基于语义分割的磨粒图像分类方法及装置。

技术介绍

[0002]目前，对于图像进行分类已经有大量的研究成果，现有的图像分类方法包括传统的图像分类方法和基于深度学习的图像分类方法（网络自动提取特征）。尤其是基于深度学习的图像分类技术已经非常成熟。
[0003]但是，在一些特定的图像分析领域（如磨粒图像分析），图像中的目标通常是很小的，即目标占据的像素少、背景占据的像素多，从而增加了分类的难度。把目前这些成熟的图像分类技术应用到如上所述的特定领域时，分类效果却不尽人意。因此，设计更好的小目标、大背景图像分类方法是非常有必要的。

技术实现思路

[0004]本专利技术提供了一种基于语义分割的磨粒图像分类方法及装置，以解决现有的图像分类方法对磨粒图像的分类效果不够理想的技术问题。
[0005]为解决上述技术问题，本专利技术提供了如下技术方案：一方面，本专利技术提供了一种基于语义分割的磨粒图像分类方法，包括：利用链式通道注意力网络提取待分类的磨粒图像的图像特征；利用基于类注意力的语义分割网络对提取到的图像特征进行语义分割；基于语义分割结果，利用分类网络得到当前待分类的磨粒图像的分类结果。
[0006]进一步地，所述语义分割网络使用的分割损失函数的表达式如下：其中，表示分割损失函数，表示每类的权重，表示第n个磨粒图像的语义分割标签，表示语义分割网络输出的第n个磨粒图像的分割结果，表示磨粒图像的个数，表示磨粒数，和表示语义分割结果的大小。
[0007]进一步地，当计算背景损失时，的值为0.001，当计算磨粒损失时，的值为1。
[0008]进一步地，所述分类网络使用的分类损失函数的表达式如下：其中，表示分类损失函数，表示磨粒图像的个数，表示磨粒数，表示第n个磨粒图像的类标签，表示第n个磨粒图像的分类结果。
[0009]另一方面，本专利技术还提供了一种基于语义分割的磨粒图像分类装置，包括：图像特征提取模块，用于利用链式通道注意力网络提取待分类的磨粒图像的图像特征；
语义分割模块，用于利用基于类注意力的语义分割网络对所述图像特征提取模块提取到的图像特征进行语义分割；图像分类模块，用于基于所述语义分割模块输出的语义分割结果，利用分类网络得到当前待分类的磨粒图像的分类结果。
[0010]进一步地，所述语义分割模块中的语义分割网络使用的分割损失函数的表达式如下：其中，表示分割损失函数，表示每类的权重，表示第n个磨粒图像的语义分割标签，表示语义分割网络输出的第n个磨粒图像的分割结果，表示磨粒图像的个数，表示磨粒数，和表示语义分割结果的大小。
[0011]进一步地，所述语义分割模块还用于：当计算背景损失时，将的值设置为0.001，当计算磨粒损失时，将的值设置为1。
[0012]进一步地，所述图像分类模块中的分类网络使用的分类损失函数的表达式如下：其中，表示分类损失函数，表示磨粒图像的个数，表示磨粒数，表示第n个磨粒图像的类标签，表示第n个磨粒图像的分类结果。
[0013]再一方面，本专利技术还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
[0014]又一方面，本专利技术还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
[0015]本专利技术提供的技术方案带来的有益效果至少包括：本专利技术的图像分类方法利用链式通道注意力网络提取图像特征，能够提取出更具代表性的退昂特征；利用基于类注意力的语义分割网络获取图像分割结果，利用语义分割标签引导模型关注目标区域，有利于后面的分类网络分类出图像中的小目标；利用类注意单元引导模型关注图像中包含的类型，有利于后面的分类网络更加准确地分类。基于分割结果，利用分类网络获取图像分类结果。本专利技术提供的方法有利于分类出图像中的小目标，从而有效解决当前一些特定领域“由于目标占据的像素少，背景占据的像素多而难以分类”的问题。
附图说明
[0016]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0017]图1为本专利技术实施例提供的基于语义分割的磨粒图像分类方法的流程示意图；图2为本专利技术实施例提供的基于语义分割的磨粒图像分类模型的结构图；
图3为磨粒原始图像；图4为切割后的磨粒图像；图5为本专利技术实施例提供的磨粒图像分类模型的分割结果图。
具体实施方式
[0018]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式作进一步地详细描述。
[0019]第一实施例本实施例提供了一种基于语义分割的磨粒图像分类方法，能够通过链式通道注意力网络和基于类注意力的语义分割网络引导模型关注图像中的目标区域，使用语义分割标签引导模型训练，一定程度上增大了小目标的正样本数量，更有利于模型分类出图像中的小目标，从而有效解决当前一些特定领域“由于目标占据的像素少，背景占据的像素多而难以分类”的问题。
[0020]本实施例的基于语义分割的磨粒图像分类方法可以由电子设备实现，该电子设备可以是终端或者服务器。该方法的执行流程如图1所示，包括以下步骤：S101，利用链式通道注意力网络提取待分类的磨粒图像的图像特征；需要说明的是，链式通道注意力网络使模型在提取图像特征的过程中，总是关注更重要的通道，提取出更具代表性的特征。基于此，本实施例的方法利用链式通道注意力网络提取图像特征，能够提取出更具代表性的退昂特征。
[0021]S102，利用基于类注意力的语义分割网络对提取的图像特征进行语义分割；需要说明的是，当前随着深度学习的发展，语义分割技术也得到了快速的发展。语义分割技术能够分类图像中的每一个像素，主要作用是对图像进行分割。语义分割的优势是训练过程中使用的标签是基于像素的，因此在分割小目标时，语义分割技术在一定程度上增大了小目标的正样本数量，更有利于小目标的分割和分类。因此，本实施例为了解决小目标难以分割的问题，将语义分割应用到图像分类，从而提高小目标图像分类的准确率。本实施例的基于类注意力的语义分割网络利用语义分割标签引导模型关注目标区域，有利于后面的分类网络分类出图像中的小目标；基于类注意力的语义分割网络利用类注意单元引导模型关注图像中包含的类型，有利于后面的分类网络更加准确地分类。
[0022]S103，基于语义分割网络输出的语义分割结果，利用分类网络得到当前待分类的磨粒图像的分类结果。
[0023]需要说明的是，对于图像的分类，本实施例是基于语义分割网络输出的语义分割结果，使用全局平均池化和Sigmoid函数输出图像分类结果。
[0024]基于上述，本实施例构建出了基于语义分割的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于语义分割的磨粒图像分类方法，其特征在于，包括：利用链式通道注意力网络提取待分类的磨粒图像的图像特征；利用基于类注意力的语义分割网络对提取到的图像特征进行语义分割；基于语义分割结果，利用分类网络得到当前待分类的磨粒图像的分类结果。2.如权利要求1所述的基于语义分割的磨粒图像分类方法，其特征在于，所述基于类注意力的语义分割网络使用的分割损失函数的表达式如下：其中，表示分割损失函数，表示每类的权重，表示第n个磨粒图像的语义分割标签，表示语义分割网络输出的第n个磨粒图像的分割结果，表示磨粒图像的个数，表示磨粒数，和表示语义分割结果的大小。3.如权利要求2所述的基于语义分割的磨粒图像分类方法，其特征在于，当计算背景损失时，的值为0.001，当计算磨粒损失时，的值为1。4.如权利要求1所述的基于语义分割的磨粒图像分类方法，其特征在于，所述分类网络使用的分类损失函数的表达式如下：其中，表示分类损失函数，表示磨粒图像的个数，表示磨粒数，表示第n个磨粒图像的类标签，表示第n个磨粒图像的分类结果。5.一种基于语义分割的磨粒图像分类装置，其特征在于，包括：图像特征提取模块，用于利用链式通...

【专利技术属性】
技术研发人员：张桃红，范素丽，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：