CN110874594A 基于语义分割网络的人体外表损伤检测方法及相关设备 （平安科技（深圳）有限公司）

道福安社区益田路5033号平安金融中基于语义分割网络的人体外表损伤检测方一种基于语义分割网络的人体外表损伤检过人体损伤检测模型中的区域候选网络以及输一特征图与输出网络提取的第二特征图进行特2依次通过所述人体损伤检测模型中的区域候选将所述区域候选网络提取的第一特征图与所述输出网络提取的第二特征图进行特征对所述最终特征图进行特征检测，获得所述待检测图片接收用户对每个所述原始人体损伤图片的受损区域进行边界标注输入的多边形区域，将所述原始人体损伤图片、所述格式化文件以及所述图根据所述多边形区域，将所述多边形区域的内部区域确定按照所述损伤类型，将所述目标区域的像素值通过所述初始模型中的骨干网络对所述原始人体损伤图片进行卷积运算以及池化运采用交替训练方法，将所述待训练特征图、所述格式根据所述掩膜计算结果、所述边界框坐标计算结果以及将所述掩膜计算结果、所述边界框坐标计算3若所述损失函数的损失值达到收敛状态，确定更新7.根据权利要求1至6中任一项所述的方将相同计算类型的所述第一子特征图以及所述第二8.一种基于语义分割网络的人体外表损伤检测装置，其提取模块，用于依次通过所述人体损伤检测模型中融合模块，用于将所述区域候选网络提取的第一检测模块，用于对所述最终特征图进行特征检测，获得所述待检测行存储器中存储的计算机程序以实现如权利要求1至7中任意一项所述的基于语义分割网4[0010]将所述区域候选网络提取的第一特征图与所述输出网络提取的第二特征图进行[0011]对所述最终特征图进行特征检测，获得所述待检测图片的人体外表损伤检测结[0014]接收用户对每个所述原始人体损伤图片的受损区域进行边界标注输入的多边形5[0024]通过所述初始模型中的骨干网络对所述原始人体损伤图片进行卷积运算以及池[0026]获取所述输出网络输出的掩膜计算结果、边界框坐标计算结果以及分类计算结6处理器用于执行所述存储器中存储的计算机程序时实现所述的基于语义分割网络的人体[0048]图1是本发明公开的一种基于语义分割网络的人体外表损伤检测方法的较佳实施[0049]图2是本发明公开的一种基于语义分割网络的人体外表损伤检测装置的较佳实施[0050]图3是本发明实现基于语义分割网络的人体外表损伤检测方法的较佳实施例的电7[0053]本发明实施例的基于语义分割网络的人体外表损伤检测方法也可以应用在电子设备和通过网络与所述电子设备进行连接的服务器所构成的硬件环境[0054]其中，服务器可以是指能对网络中其它设备(如电子设备)提供服务的计算机系[0055]所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。所述用户设备包括[0056]图1是本发明公开的一种基于语义分割网络的人体外表损伤检测方法的较佳实施[0060]其中，所述人体损伤检测模型可以是基于MaskRCNN(MaskRegionswith络，所述人体损伤检测模型能够将所述待检测图片的前景目标与背景从像素级别进行分[0061]S13、电子设备依次通过所述人体损伤检测模型中的区域候选网络以及输出网络[0065]S14、电子设备将所述区域候选网络提取的第一特征图与所述输出网络提取的第[0066]由于损伤中常包含面积较小的区域(像素值小于20*20)，为了增强模型对此类数8网络的三个分支，将所述第一特征图拆分成多个第一子特征图(比如三个第一子特征图)，[0078]接收用户对每个所述原始人体损伤图片的受损区域进行边界标注输入的多边形9[0083]具体的，可以事先按照上述定义的损伤类型在开源标注工具SLOTH中添加相应的述目标区域的像素值设置为第一标识，即所述目标区域的像素值与所述损伤类型相对应，[0092]通过所述初始模型中的骨干网络对所述原始人体损伤图片进行卷积运算以及池[0094]获取所述输出网络输出的掩膜计算结果、边界框坐标计算结果以及分类计算结图片的数据降维。骨干网络的最终输出为待训练特征图(featurem提取能力较强的密集型网络-121(Densenet121)模型作为骨干网络。该网络结构还包含残个分支的计算结果，得到候选区域(Proposal),并与人工标注的真实值(groundt[0107]在图1所描述的方法流程中，可以先获取需要进行人体外表损伤检测的待检测图[0109]图2是本发明公开的一种基于语义分割网络的人体外表损伤检测装置的较佳实施[0114]输入模块202，用于将所述待检测图片输入至基于语义分割的人体损伤检测模型[0115]其中，所述人体损伤检测模型可以是基于MaskRCNN(MaskRegionswith络，所述人体损伤检测模型能够将所述待检测图片的前景目标与背景从像素级别进行分[0116]提取模块203，用于依次通过所述人体损伤检测模型中的区域候选网络以及输出[0120]融合模块204，用于将所述区域候选网络提取的第一特征图与所述输出网络提取[0121]由于损伤中常包含面积较小的区域(像素值小于20*20)，为了增强模型对此类数[0131]具体的，可以事先按照上述定义的损伤类型在开源标注工具SLOTH中添加相应的述目标区域的像素值设置为第一标识，即所述目标区域的像素值与所述损伤类型相对应，所述图片掩膜依次输入至所述人体损伤检测模型中的区域候选网络以及输出网络进行训图片的数据降维。骨干网络的最终输出为待训练特征图(feature提取能力较强的密集型网络-121(Densenet121)模型作为骨干网络。该网络结构还包含残个分支的计算结果，得到候选区域(Proposal),并与人工标注的真实值(groundt[0155]作为一种可选的实施方式，所述融合模块204将所述区域候选网络提取的第一特网络的三个分支，将所述第一特征图拆分成多个第一子特征图(比如三个第一子特征图)，[0162]在图2所描述的基于语义分割网络的人体外表损伤检测装置中，可以先获取需要[0163]图3是本发明实现基于语义分割网络的人体外表损伤检测方法的较佳实施例的电器31中并可在所述至少一个处理器32上运行的计算机程序33[0165]所述至少一个处理器32可以是中央处理单元(CentralProcessingUnit，CPU)，电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field-[0171]将所述区域候选网络提取的第一特征图与所述输出网络提取的第二特征图进行[0172]对所述最终特征图进行特征检测，获得所述待检测图片的人体外表损伤检测结[0173]具体地，所述处理器32对上述指令的具体实现方法可参考图1对应实施例中相关[0175]所述电子设备3集成的模块/单元如果