CN114648507B 对骨料进行在线检测的方法、可读存储介质及终端设备 （中国电建集团华东勘测设计研究院有限公司）

本发明涉及一种对骨料进行在线检测的方行预处理，使用预先构建的改进的CascadeMask-RCNN模型对预处理后的骨料图像在Pytorch框架内进行训练，使用测试集的骨料图像进行验证，得到骨料图像分割及分析处理模2步骤三、对数据增强处理后的骨料图像进行预处理，步骤四、构建改进的CascadeMask-RCNN模型，对输入模型的图像经过特征提取网络一化层与最大池化层，第1阶段与第4阶段都包含了一个Bottleblock1与两个Bottle步骤五、使用步骤四得到的改进的CascadeMask-RCNN模型对步骤三预处理后的训练步骤六、将得到的骨料图像分割及分析处理模型部署述预处理还包括对经过直方图均衡化处理后的图像再进行归述输出分析结果包括将分析结果传送至云平述处理器加载所述指令以执行权利要求1至7任一项所述的对骨料进行在3[0003](1)基于传统图像处理的方法：1)利用图像处理技术对粗骨料的长宽比系数进行忽明忽暗造成光源的不稳定；(2)基于深度学习方法的缺点：需要衡量检测精度与检测速4归一化层与最大池化层，第1阶段与第4阶段都包含了一个Bottleblock1与两个Bottle[0013]步骤五、使用步骤四得到的改进的CascadeMask-RCNN模型对步骤三预处理后的5归一化层与最大池化层，第1阶段与第4阶段都包含了一个Bottleblock1与两个Bottle[0040]步骤五、使用步骤四得到的改进的CascadeMask-RCNN模型对步骤三预处理后的6。7[0070]CascadeMask-RCNN的核心模型结构如图2所示，对输入图像经过特征提取网络特征提取网络。特征提取网络backbone由五个阶段组成，第0阶段(Stage0)包含卷积层4)都包含了一个Bottleblock1与两个个Bottleblock2，第2阶段(Stage2)包含一个Bottleblock1与三个Bottleblock2，第3阶段(Stage3)包含一个Bottleblock1与五个[0075]Bottleblock1的结构框图中的某一个基数组(以基数组K为例)，其结构如图5所[0076]Bottleblock1中将每个block的输入沿通道维数分为K(K＝2)组，每组根据全局计信息经过全局平局池化来求出，第k个基数组的表示为⃞,ke(1.2,…,k),Uj为第k个基数[0083]Bottleblock2采用ResNetblock中残差结构，ResNet由多个不同通道数的卷积8[0084]ResNeSt使用了一种模块化的体系结构，将通道方向的注意力应用与不同的网络样通过堆叠block创建与ResNet类[0089]使用步骤5得到的改进的CascadeMask-RCNN模型对步骤4预处理后的训练集的骨料图像在Pytorch框架进行模型训练和模型验证。模型训练过程中使用优化器Adam(AdaptiveMomentEstimation)。优化器Adam是将Momentum算法和RMSProp算法结合起来进行了偏差的修正。学习率lr设为0.0002、epoch设为12，将训练集输入改进的Cascade所述处理器加载所述指令以执行如前所述的对骨料进行在线9