【技术实现步骤摘要】
本申请涉及计算机，特别是涉及一种密集纸箱分割方法和系统。
技术介绍
1、在纸箱拆码垛场景中，纸箱通常排布密集，一般采用实例分割的方法定位出每个纸箱的位置，为后续机械手抓取纸箱提供精准位置。
2、而针对密集纸箱的实例分割，在当前基于深度学习的方法中，主要有两个路线：（1）自上而下的实例分割方法，一般首先采用先检测后分割的方法。目标检测的方法获得边界框，依靠非最大值抑制(nms)去除重复预测的目标框，然后再通过二值化分割出目标。然而非极大值抑制存在固有缺陷：nms预设阈值的调整直接会影响边界框的抑制效果，纸箱密集场景容易漏检。（2）自底向上的实例分割方法，一般采用像素嵌入分组的方法。训练深度神经网络将像素映射到嵌入空间中，得到每个像素的embedding，然后使用聚类算法将embedding分组到单个实例中。然而基于分组的方法严重依赖后处理聚类算法，且密集边界的像素嵌入结果难以优化，影响密集纸箱分割准确率。
3、目前针对相关技术中如何提高密集纸箱分割效果的问题，尚未提出有效的解决方案。
技术实现思路
1、本申请实施例提供了一种密集纸箱分割方法和系统，以至少解决相关技术中如何提高密集纸箱分割效果的问题。
2、第一方面，本申请实施例提供了一种密集纸箱分割方法，所述方法包括：
3、将待分割密集纸箱图像输入训练好的纸箱分割模型中，其中，所述纸箱分割模型包含前景分割网络和分层分割网络；
4、通过所述前景分割网络，对所述待分割密集纸箱图像
5、通过所述分层分割网络，将所述待分割密集纸箱图像中的相邻纸箱进行分割，得到若干纸箱目标掩码；
6、基于所述纸箱前景掩码和所述纸箱目标掩码，得到所述待分割密集纸箱图像的纸箱分割结果。
7、在其中一些实施例中，基于所述纸箱前景掩码和所述纸箱目标掩码，得到所述待分割密集纸箱图像的纸箱分割结果包括：
8、将所述纸箱前景掩码中面积小于预设面积阈值的前景区域进行去除，得到符合实际纸箱大小的纸箱前景掩码；
9、对所述纸箱前景掩码与所述纸箱目标掩码进行乘法运算，得到所述待分割密集纸箱图像的纸箱分割结果。
10、在其中一些实施例中，在将待分割密集纸箱图像输入训练好的纸箱分割模型中之前，所述方法包括：
11、获取用于模型训练的纸箱图像；
12、通过所述纸箱图像对纸箱分割模型中的前景分割网络进行训练，通过所述纸箱图像对所述纸箱分割模型中的分层分割网络进行训练，得到训练好的所述纸箱分割模型。
13、在其中一些实施例中，通过所述纸箱图像对所述纸箱分割模型中的分层分割网络进行训练包括：
14、基于所述纸箱图像，通过分层损失函数对所述纸箱分割模型中的分层分割网络进行训练，其中，所述分层损失函数包括吸引损失函数 l arr、排斥损失函数 l rep和稀疏损失函数 l sparse。
15、在其中一些实施例中，通过所述吸引损失函数 l arr对所述纸箱分割模型中的分层分割网络进行训练，其中，所述吸引损失函数 l arr用于使每个纸箱目标中的每个像素点的像素嵌入与对应纸箱目标区域的平均像素嵌入相似度增加，令所述分层分割网络更精准地对相邻纸箱进行分割，输出得到若干纸箱目标掩码。
16、在其中一些实施例中，通过所述排斥损失函数 l rep对所述纸箱分割模型中的分层分割网络进行训练，其中，所述排斥损失函数 l rep用于使任意两个相邻的纸箱目标区域的平均像素嵌入的相似度降低，令所述分层分割网络更精准地对相邻纸箱进行分割，输出得到若干纸箱目标掩码。
17、在其中一些实施例中，通过所述稀疏损失函数 l sparse对所述纸箱分割模型中的分层分割网络进行训练，其中，所述稀疏损失函数 l sparse用于放大像素嵌入中最大一维的值，令所述分层分割网络更好地对相邻纸箱进行分割，输出得到若干纸箱目标掩码。
18、在其中一些实施例中，通过所述纸箱图像对纸箱分割模型中的前景分割网络进行训练包括：
19、基于所述纸箱图像，通过bce损失函数对纸箱分割模型中的前景分割网络进行训练。
20、在其中一些实施例中，获取用于模型训练的纸箱图像包括：
21、获取用于模型训练的纸箱图像，对所述纸箱图像进行标注，生成纸箱前景掩码标签和纸箱目标掩码标签，其中，所述纸箱前景掩码标签用于所述前景分割网络的训练，所述纸箱目标掩码标签用于所述分层分割网络的训练；
22、对纸箱图像进行数据增强，得到数据增强后的纸箱图像，其中，所述数据增强包括亮度调整、对比度调整、模糊调整、旋转调整和翻转调整。
23、第二方面，本申请实施例提供了一种密集纸箱分割系统，所述系统用于执行上述第一方面中任一项所述的方法，所述系统包括图像输入模块、模型执行模块、结果计算模块；
24、所述图像输入模块，用于将待分割密集纸箱图像输入训练好的纸箱分割模型中，其中，所述纸箱分割模型包含前景分割网络和分层分割网络；
25、所述模型执行模块，用于通过所述前景分割网络，对所述待分割密集纸箱图像的纸箱前景进行分割，得到纸箱前景掩码；通过所述分层分割网络，将所述待分割密集纸箱图像中的相邻纸箱进行分割，得到若干纸箱目标掩码；
26、所述结果计算模块，用于根据所述纸箱前景掩码和所述纸箱目标掩码，得到所述待分割密集纸箱图像的纸箱分割结果。
27、相比于相关技术，本申请实施例提供的一种密集纸箱分割方法和系统，其中，该方法通过将待分割密集纸箱图像输入训练好的纸箱分割模型中，其中，纸箱分割模型包含前景分割网络和分层分割网络；通过前景分割网络，对待分割密集纸箱图像的纸箱前景进行分割，得到纸箱前景掩码；通过分层分割网络，将待分割密集纸箱图像中的相邻纸箱进行分割，得到若干纸箱目标掩码；基于纸箱前景掩码和纸箱目标掩码，得到待分割密集纸箱图像的纸箱分割结果，实现了通过前景分割网络对纸箱前景进行分割，结合纸箱前景进行纸箱分割能够有效降低纸箱密集场景下的漏检和错检风险，提高纸箱分割的准确率，通过分层分割网络将纸箱目标分层到不同的分割输出层来消除纸箱之间的拥挤，无需显式的像素聚类，从而避免了大量的本文档来自技高网...
【技术保护点】
1.一种密集纸箱分割方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，基于所述纸箱前景掩码和所述纸箱目标掩码，得到所述待分割密集纸箱图像的纸箱分割结果包括：
3.根据权利要求1所述的方法，其特征在于，在将待分割密集纸箱图像输入训练好的纸箱分割模型中之前，所述方法包括：
4.根据权利要求3所述的方法，其特征在于，通过所述纸箱图像对所述纸箱分割模型中的分层分割网络进行训练包括：
5.根据权利要求4所述的方法，其特征在于，通过所述吸引损失函数Larr对所述纸箱分割模型中的分层分割网络进行训练，其中，所述吸引损失函数Larr用于使每个纸箱目标中的每个像素点的像素嵌入与对应纸箱目标区域的平均像素嵌入相似度增加，令所述分层分割网络更精准地对相邻纸箱进行分割，输出得到若干纸箱目标掩码。
6.根据权利要求4所述的方法，其特征在于，通过所述排斥损失函数Lrep对所述纸箱分割模型中的分层分割网络进行训练，其中，所述排斥损失函数Lrep用于使任意两个相邻的纸箱目标区域的平均像素嵌入的相似度降低，令所述分层分割网络更精
7.根据权利要求4所述的方法，其特征在于，通过所述稀疏损失函数Lsparse对所述纸箱分割模型中的分层分割网络进行训练，其中，所述稀疏损失函数Lsparse用于放大像素嵌入中最大一维的值，令所述分层分割网络更好地对相邻纸箱进行分割，输出得到若干纸箱目标掩码。
8.根据权利要求3所述的方法，其特征在于，通过所述纸箱图像对纸箱分割模型中的前景分割网络进行训练包括：
9.根据权利要求3所述的方法，其特征在于，获取用于模型训练的纸箱图像包括：
10.一种密集纸箱分割系统，其特征在于，所述系统用于执行权利要求1至9任一项所述的方法，所述系统包括图像输入模块、模型执行模块、结果计算模块；
...【技术特征摘要】
1.一种密集纸箱分割方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，基于所述纸箱前景掩码和所述纸箱目标掩码，得到所述待分割密集纸箱图像的纸箱分割结果包括：
3.根据权利要求1所述的方法，其特征在于，在将待分割密集纸箱图像输入训练好的纸箱分割模型中之前，所述方法包括：
4.根据权利要求3所述的方法，其特征在于，通过所述纸箱图像对所述纸箱分割模型中的分层分割网络进行训练包括：
5.根据权利要求4所述的方法，其特征在于，通过所述吸引损失函数larr对所述纸箱分割模型中的分层分割网络进行训练，其中，所述吸引损失函数larr用于使每个纸箱目标中的每个像素点的像素嵌入与对应纸箱目标区域的平均像素嵌入相似度增加，令所述分层分割网络更精准地对相邻纸箱进行分割，输出得到若干纸箱目标掩码。
6.根据权利要求4所述的方法，其特征在于，通过所述排斥损失函数lrep...
【专利技术属性】
技术研发人员：王磊，付伟男，时少艳，
申请(专利权)人：杭州灵西机器人智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。