(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210959538.X (22)申请日 2022.08.11 (71)申请人 东北大学 地址 110819 辽宁省沈阳市和平区文化路3 号巷11号 申请人 本钢板材股份有限公司 (72)发明人 李豪　王世友　张颖伟　冯琳　 (74)专利代理 机构 沈阳东大知识产权代理有限 公司 21109 专利代理师 李珉 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/82(2022.01) G06V 10/764(2022.01) G06V 10/52(2022.01)G06V 10/80(2022.01) (54)发明名称 基于改进De epLabv3+的风口焦炭分割方法 (57)摘要 本发明提供一种基于改进DeepLabv3+的风 口焦炭分割方法， 涉及焦炭识别技术领域。 该方 法首先采集高炉风口回旋区焦 炭视频数据， 并将 采集的高炉风口回旋区焦炭视频数据转为图片 数据后对图片数据中的焦炭颗粒进行标注， 得到 风口焦炭数据集； 再构建融合坐标注 意力机制的 Deeplabv3+模型作为风口焦炭分割模型， 并使用 风口焦炭数据集对风口焦炭分割模 型进行训练； 最后使用训练好的风口焦炭分割模型对待分割 的风口焦 炭图像中的焦炭颗粒进行分割。 该方法 在 现 有 D e e p l a b v 3 + 模 型 中 引 入 CoordinateAttention网络， 加强模型对焦炭颗 粒的识别与感知， 降低误分类风险； 并在ASPP模 块中引入四个并行空洞卷积提取特征， 不断增强 特征图的表达能力， 提高了预测精度的同时也加 强了模型的泛化能力。 权利要求书2页 说明书7页 附图5页 CN 115311456 A 2022.11.08 CN 115311456 A 1.一种基于改进De epLabv3+的风口焦炭分割方法， 其特 征在于： 通过带焦炭标注的高炉风口回旋区焦炭图像构建风口焦炭数据集； 构建融合 坐标注意力机制的De eplabv3+模型作为 风口焦炭分割模型； 使用风口焦炭数据集对风口焦炭分割模型进行训练； 使用训练好的风口焦炭分割模型对待分割的风口焦炭图像中的焦炭 进行分割。 2.根据权利要求1所述的一种基于改进DeepLab v3+的风口焦炭分割方法， 其特征在于： 包括以下步骤： 步骤1： 采集高炉风口回旋区焦炭视频 数据； 步骤2： 将采集的高炉风口回旋区焦炭视频数据转为图片数据， 并对图片数据中的焦炭 颗粒进行 标注， 得到风口焦炭数据集； 步骤3： 将风口焦炭数据集中80 ％的风口焦炭数据作 为训练集， 20％的风口焦炭数据作 为测试集； 步骤4： 构建融合坐标注意力机制的Deepl abv3+模型作为风口焦炭分割模型， 并使用训 练集对风口焦炭分割模型进行训练； 步骤5： 使用测试集来评估训练好的风口焦炭分割模型的泛化能力， 得到最优的风口焦 炭分割模型； 步骤6： 实时采集高炉风口回旋区焦炭视频数据， 并转换为图像数据后， 使用最优的风 口焦炭分割模型对焦炭颗粒进行分割。 3.根据权利要求2所述的一种基于改进DeepLab v3+的风口焦炭分割方法， 其特征在于： 所述步骤1的具体方法为： 通过在高炉风口小镜处架设CCD工业相机进行实时的数据采集， 获得高炉风口回旋区 焦炭视频 数据。 4.根据权利要求2所述的一种基于改进DeepLab v3+的风口焦炭分割方法， 其特征在于： 所述步骤2使用labelme 标注工具对图片数据中风口回旋区的焦炭颗粒进行 标注。 5.根据权利要求2所述的一种基于改进DeepLab v3+的风口焦炭分割方法， 其特征在于： 所述融合坐标注意力机制的Deeplabv3+模型在原Deeplabv3+模型的基础上， 选取Aligned   Xception网络作为Encoder模块的主干特征提取网络， 增加Coordinate  Attention网络对 主干特征提取网络提取的特征图进行处理， 并对原Deeplabv3+模型中的ASPP模块进行改 进， 融合坐标注意力机制的De eplabv3+模型其 余结构和De eplabv3+模型保持一 致。 6.根据权利要求5所述的一种基于改进DeepLab v3+的风口焦炭分割方法， 其特征在于： 所述改进的AS PP模块由一个1 ×1的卷积层、 四个并行的空洞卷积和池化层组成。 7.根据权利要求6所述的一种基于改进DeepLab v3+的风口焦炭分割方法， 其特征在于： 所述风口焦炭分割模型进行焦炭分割的具体方法为： 输入图片经过Aligned  Xception网络处理后， 得到两个特征图， 其中一个特征图为浅 层特征， 另一个特征图为深层特征， 两个特征图均输入到Coordinate  Attention网络进行 处理后再执行原Deeplabv3+模型的后 续操作； 经过CoordinateAttention网络处理后的浅 层特征直接传入Decoder模块； 经CoordinateAttention网络处理后的深层特征输入改进的 ASPP模块， 提取不同尺度的语义信息； 最后将经改进的ASPP模块处理完毕 的深层特征输入 到Decode模块， Decode模块将深层特征与浅层特征进行融合得到最终的特征图， 并采用双权　利　要　求　书 1/2 页 2 CN 115311456 A 2线性插值进行上采样， 将 Encoder模块所提取到的特征恢复到与 原始图片同尺 寸， 得到风口 焦炭的分割结果图。权　利　要　求　书 2/2 页 3 CN 115311456 A 3