为解决现有分割网络中小面积区域像素表达能力差、区域上下文信息类别被混淆、区域分布不规则等导致的鸡蛋沙壳区域分割性能不佳的问题,本文以此类鸡蛋图像为研究对象,提出了一种基于上下文信息的鸡蛋沙壳区域实例分割方法(Global-Local...为解决现有分割网络中小面积区域像素表达能力差、区域上下文信息类别被混淆、区域分布不规则等导致的鸡蛋沙壳区域分割性能不佳的问题,本文以此类鸡蛋图像为研究对象,提出了一种基于上下文信息的鸡蛋沙壳区域实例分割方法(Global-Local Contexts based Instance Segmentation Model for Egg Sand-shell Region,GL-ISR)。首先,对沙壳区域特征进行全局(Global Context Information Module,GCIM)和局部(Local Context Information Module,LCIM)上下文信息建模,前者利用金字塔池化对特征图进行多尺度上下文加权聚合以收集不同像素区域的上下文信息,后者则通过构建Label Map与Label Prior Layer监督上下文依赖类别以区分上下文信息来源;其次,将两部分上下文与原特征图进行聚合,以增强沙壳区域特征表达能力,从而提高模型的分割性能。为验证所提模型的有效性,本文在包含3类区域、7160幅沙壳蛋图像的自标注数据集上进行了实验。结果表明,GL-ISR在IoU阈值为0.5和0.75情况下分别取得70.02%和44.16%的最优mAP值,在IoU阈值介于0.5至0.95之间取得最优平均mAP值48.22%,显著优于其他模型。具体地,GL-ISR的在光滑区域、面状沙壳和点状沙壳上分别取得85.16%、46.39%和41.17%的像素精准度,即使在分割难度较大的点状沙壳区域上,该模型的像素精准度仍保持在40%以上。因此,上述实验结果表明了GL-ISR模型在鸡蛋沙壳区域分割方面的有效性,可为沙壳蛋品质改良提供理论基础。展开更多
文摘为解决现有分割网络中小面积区域像素表达能力差、区域上下文信息类别被混淆、区域分布不规则等导致的鸡蛋沙壳区域分割性能不佳的问题,本文以此类鸡蛋图像为研究对象,提出了一种基于上下文信息的鸡蛋沙壳区域实例分割方法(Global-Local Contexts based Instance Segmentation Model for Egg Sand-shell Region,GL-ISR)。首先,对沙壳区域特征进行全局(Global Context Information Module,GCIM)和局部(Local Context Information Module,LCIM)上下文信息建模,前者利用金字塔池化对特征图进行多尺度上下文加权聚合以收集不同像素区域的上下文信息,后者则通过构建Label Map与Label Prior Layer监督上下文依赖类别以区分上下文信息来源;其次,将两部分上下文与原特征图进行聚合,以增强沙壳区域特征表达能力,从而提高模型的分割性能。为验证所提模型的有效性,本文在包含3类区域、7160幅沙壳蛋图像的自标注数据集上进行了实验。结果表明,GL-ISR在IoU阈值为0.5和0.75情况下分别取得70.02%和44.16%的最优mAP值,在IoU阈值介于0.5至0.95之间取得最优平均mAP值48.22%,显著优于其他模型。具体地,GL-ISR的在光滑区域、面状沙壳和点状沙壳上分别取得85.16%、46.39%和41.17%的像素精准度,即使在分割难度较大的点状沙壳区域上,该模型的像素精准度仍保持在40%以上。因此,上述实验结果表明了GL-ISR模型在鸡蛋沙壳区域分割方面的有效性,可为沙壳蛋品质改良提供理论基础。
