CN110874594A 基于語義分割網絡的人體外表損傷檢測方法及相關設備 （平安科技（深圳）有限公司）

道福安社區益田路5033號平安金融中基于語義分割網絡的人體外表損傷檢測方一種基于語義分割網絡的人體外表損傷檢過人體損傷檢測模型中的區域候選網絡以及輸一特征圖與輸出網絡提取的第二特征圖進行特2依次通過所述人體損傷檢測模型中的區域候選將所述區域候選網絡提取的第一特征圖與所述輸出網絡提取的第二特征圖進行特征對所述最終特征圖進行特征檢測，獲得所述待檢測圖片接收用戶對每個所述原始人體損傷圖片的受損區域進行邊界標注輸入的多邊形區域，將所述原始人體損傷圖片、所述格式化文件以及所述圖根據所述多邊形區域，將所述多邊形區域的內部區域確定按照所述損傷類型，將所述目標區域的像素值通過所述初始模型中的骨干網絡對所述原始人體損傷圖片進行卷積運算以及池化運采用交替訓練方法，將所述待訓練特征圖、所述格式根據所述掩膜計算結果、所述邊界框坐標計算結果以及將所述掩膜計算結果、所述邊界框坐標計算3若所述損失函數的損失值達到收斂狀態，確定更新7.根據權利要求1至6中任一項所述的方將相同計算類型的所述第一子特征圖以及所述第二8.一種基于語義分割網絡的人體外表損傷檢測裝置，其提取模塊，用于依次通過所述人體損傷檢測模型中融合模塊，用于將所述區域候選網絡提取的第一檢測模塊，用于對所述最終特征圖進行特征檢測，獲得所述待檢測行存儲器中存儲的計算機程序以實現如權利要求1至7中任意一項所述的基于語義分割網4[0010]將所述區域候選網絡提取的第一特征圖與所述輸出網絡提取的第二特征圖進行[0011]對所述最終特征圖進行特征檢測，獲得所述待檢測圖片的人體外表損傷檢測結[0014]接收用戶對每個所述原始人體損傷圖片的受損區域進行邊界標注輸入的多邊形5[0024]通過所述初始模型中的骨干網絡對所述原始人體損傷圖片進行卷積運算以及池[0026]獲取所述輸出網絡輸出的掩膜計算結果、邊界框坐標計算結果以及分類計算結6處理器用于執行所述存儲器中存儲的計算機程序時實現所述的基于語義分割網絡的人體[0048]圖1是本發明公開的一種基于語義分割網絡的人體外表損傷檢測方法的較佳實施[0049]圖2是本發明公開的一種基于語義分割網絡的人體外表損傷檢測裝置的較佳實施[0050]圖3是本發明實現基于語義分割網絡的人體外表損傷檢測方法的較佳實施例的電7[0053]本發明實施例的基于語義分割網絡的人體外表損傷檢測方法也可以應用在電子設備和通過網絡與所述電子設備進行連接的服務器所構成的硬件環境[0054]其中，服務器可以是指能對網絡中其它設備(如電子設備)提供服務的計算機系[0055]所述電子設備是一種能夠按照事先設定或存儲的指令，自動進行數值計算和/或基于云計算(CloudComputing)的由大量主機或網絡服務器構成的云。所述用戶設備包括[0056]圖1是本發明公開的一種基于語義分割網絡的人體外表損傷檢測方法的較佳實施[0060]其中，所述人體損傷檢測模型可以是基于MaskRCNN(MaskRegionswith絡，所述人體損傷檢測模型能夠將所述待檢測圖片的前景目標與背景從像素級別進行分[0061]S13、電子設備依次通過所述人體損傷檢測模型中的區域候選網絡以及輸出網絡[0065]S14、電子設備將所述區域候選網絡提取的第一特征圖與所述輸出網絡提取的第[0066]由于損傷中常包含面積較小的區域(像素值小于20*20)，為了增強模型對此類數8網絡的三個分支，將所述第一特征圖拆分成多個第一子特征圖(比如三個第一子特征圖)，[0078]接收用戶對每個所述原始人體損傷圖片的受損區域進行邊界標注輸入的多邊形9[0083]具體的，可以事先按照上述定義的損傷類型在開源標注工具SLOTH中添加相應的述目標區域的像素值設置為第一標識，即所述目標區域的像素值與所述損傷類型相對應，[0092]通過所述初始模型中的骨干網絡對所述原始人體損傷圖片進行卷積運算以及池[0094]獲取所述輸出網絡輸出的掩膜計算結果、邊界框坐標計算結果以及分類計算結圖片的數據降維。骨干網絡的最終輸出為待訓練特征圖(featurem提取能力較強的密集型網絡-121(Densenet121)模型作為骨干網絡。該網絡結構還包含殘個分支的計算結果，得到候選區域(Proposal),并與人工標注的真實值(groundt[0107]在圖1所描述的方法流程中，可以先獲取需要進行人體外表損傷檢測的待檢測圖[0109]圖2是本發明公開的一種基于語義分割網絡的人體外表損傷檢測裝置的較佳實施[0114]輸入模塊202，用于將所述待檢測圖片輸入至基于語義分割的人體損傷檢測模型[0115]其中，所述人體損傷檢測模型可以是基于MaskRCNN(MaskRegionswith絡，所述人體損傷檢測模型能夠將所述待檢測圖片的前景目標與背景從像素級別進行分[0116]提取模塊203，用于依次通過所述人體損傷檢測模型中的區域候選網絡以及輸出[0120]融合模塊204，用于將所述區域候選網絡提取的第一特征圖與所述輸出網絡提取[0121]由于損傷中常包含面積較小的區域(像素值小于20*20)，為了增強模型對此類數[0131]具體的，可以事先按照上述定義的損傷類型在開源標注工具SLOTH中添加相應的述目標區域的像素值設置為第一標識，即所述目標區域的像素值與所述損傷類型相對應，所述圖片掩膜依次輸入至所述人體損傷檢測模型中的區域候選網絡以及輸出網絡進行訓圖片的數據降維。骨干網絡的最終輸出為待訓練特征圖(feature提取能力較強的密集型網絡-121(Densenet121)模型作為骨干網絡。該網絡結構還包含殘個分支的計算結果，得到候選區域(Proposal),并與人工標注的真實值(groundt[0155]作為一種可選的實施方式，所述融合模塊204將所述區域候選網絡提取的第一特網絡的三個分支，將所述第一特征圖拆分成多個第一子特征圖(比如三個第一子特征圖)，[0162]在圖2所描述的基于語義分割網絡的人體外表損傷檢測裝置中，可以先獲取需要[0163]圖3是本發明實現基于語義分割網絡的人體外表損傷檢測方法的較佳實施例的電器31中并可在所述至少一個處理器32上運行的計算機程序33[0165]所述至少一個處理器32可以是中央處理單元(CentralProcessingUnit，CPU)，電路(ApplicationSpecificIntegratedCircuit，ASIC)、現場可編程門陣列(Field-[0171]將所述區域候選網絡提取的第一特征圖與所述輸出網絡提取的第二特征圖進行[0172]對所述最終特征圖進行特征檢測，獲得所述待檢測圖片的人體外表損傷檢測結[0173]具體地，所述處理器32對上述指令的具體實現方法可參考圖1對應實施例中相關[0175]所述電子設備3集成的模塊/單元如果