Res-UNet模型数据处理方法、装置以及电子设备与流程

本技术涉及机器学习，尤其是涉及一种res-unet模型数据处理方法、装置以及电子设备。

背景技术：

1、目前，现有技术主要采用卷积神经网络(convolutional neural networks,cnn)进行图像分割，如u型网络结构的全卷积神经网络(u-net)、基于语义分割的全卷积神经网络(fully convolutional networks，fcn)等。这种方法通过深度学习自动提取道路图像的特征，并能够适应不同道路纹理的变化。但是，训练过程中模型容易出现过拟合或欠拟合的情况，且需要较长时间进行训练，导致模型训练效率较低。

技术实现思路

1、本发明的目的在于提供一种res-unet模型数据处理方法、装置以及电子设备，以缓解模型训练效率较低的技术问题。

2、第一方面，本技术实施例提供了一种res-unet模型数据处理方法，所述方法包括：

3、获取采集到的目标图像；

4、基于所述目标图像通过生成对抗网络(generative adversarial network,gan)进行网络数据增强，得到训练样本数据集；

5、基于初始网络结构添加残差连接，生成第一目标res-unet网络，并将融合注意力机制结合所述第一目标res-unet网络中，得到第二目标res-unet网络；其中，所述融合注意力机制用于学习不同层次特征之间的关联；

6、利用所述训练样本数据集通过对抗性损失函数训练所述gan网络，并利用所述训练样本数据集通过线性组合损失函数训练所述第二目标res-unet网络，得到训练后的模型；其中，所述线性组合损失函数为交叉损失熵bceloss和dice损失函数的线性组合的损失函数；

7、利用adam优化器的优化方式对所述训练后的模型进行优化，得到优化后的模型；

8、利用交叉验证的方式对所述优化后的模型进行检测，得到检测结果，并根据所述检测结果确定最终的模型参数。

9、在一个可能的实现中，所述利用交叉验证的方式对所述优化后的模型进行检测，得到检测结果，并根据所述检测结果确定最终的模型参数的步骤，包括：

10、利用交叉验证的方式对所述优化后的模型进行检测，得到检测结果，并基于所述检测结果对比不同模型的效果和泛化能力，得到对比结果；

11、根据所述对比结果确定最终的模型参数。

12、在一个可能的实现中，所述基于初始网络结构添加残差连接，生成第一目标res-unet网络的步骤，包括：

13、基于初始u-net网络结构添加残差连接，生成第一目标res-unet网络；或，

14、基于初始densenet网络结构添加残差连接，生成第一目标res-unet网络。

15、在一个可能的实现中，在所述基于所述目标图像通过生成对抗网络gan进行网络数据增强，得到训练样本数据集的步骤之前，还包括：

16、对所述采集到的目标图像进行预处理，得到预处理后的目标图像；所述预处理的处理方式包括下述任意一项或多项：

17、去噪、灰度化、直方图均衡化。

18、在一个可能的实现中，所述采集到的目标图像的图像形式包括视频帧图片、摄像头拍摄视频、以及所述视频帧图片和所述摄像头拍摄视频的增广图片；

19、所述采集到的目标图像的图像内容包括下述任意一项或多项：道路表面图像、钢铁表面图像、颅内出血图像。

20、在一个可能的实现中，所述最终的模型参数所对应的最终模型用于基于待处理图像中的裂缝进行分割，得到分割结果。

21、在一个可能的实现中，所述训练样本数据集中包含刚性物体的图像以及流性物体的图像。

22、第二方面，提供了一种res-unet模型数据处理装置，包括：

23、获取模块，用于获取采集到的目标图像；

24、增强模块，用于基于所述目标图像通过生成对抗网络gan进行网络数据增强，得到训练样本数据集；

25、生成模块，用于基于初始网络结构添加残差连接，生成第一目标res-unet网络，并将融合注意力机制结合所述第一目标res-unet网络中，得到第二目标res-unet网络；其中，所述融合注意力机制用于学习不同层次特征之间的关联；

26、训练模块，用于利用所述训练样本数据集通过对抗性损失函数训练所述gan网络，并利用所述训练样本数据集通过线性组合损失函数训练所述第二目标res-unet网络，得到训练后的模型；其中，所述线性组合损失函数为交叉损失熵bceloss和dice损失函数的线性组合的损失函数；

27、优化模块，用于利用adam优化器的优化方式对所述训练后的模型进行优化，得到优化后的模型；

28、确定模块，用于利用交叉验证的方式对所述优化后的模型进行检测，得到检测结果，并根据所述检测结果确定最终的模型参数。

29、第三方面，本技术实施例又提供了一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的第一方面所述方法。

30、第四方面，本技术实施例又提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述的第一方面所述方法。

31、本技术实施例带来了以下有益效果：

32、本技术实施例提供的一种res-unet模型数据处理方法、装置以及电子设备，能够获取采集到的目标图像；基于所述目标图像通过生成对抗网络gan进行网络数据增强，得到训练样本数据集；基于初始网络结构添加残差连接，生成第一目标res-unet网络，并将融合注意力机制结合所述第一目标res-unet网络中，得到第二目标res-unet网络；其中，所述融合注意力机制用于学习不同层次特征之间的关联；利用所述训练样本数据集通过对抗性损失函数训练所述gan网络，并利用所述训练样本数据集通过线性组合损失函数训练所述第二目标res-unet网络，得到训练后的模型；其中，所述线性组合损失函数为交叉损失熵bceloss和dice损失函数的线性组合的损失函数；利用adam优化器的优化方式对所述训练后的模型进行优化，得到优化后的模型；利用交叉验证的方式对所述优化后的模型进行检测，得到检测结果，并根据所述检测结果确定最终的模型参数。本方案中，基于res-unet结构添加残差连接，可以更好地保留图像细节信息，并且引入了注意力机制来学习特征之间的关联，在处理路面裂缝时，可以更准确地识别裂缝区域，提高分割精度，得到更准确的分割结果。再者，通过将原始的图像通过生成对抗网络(gan)进行数据增强，可以增加图像数据的样本多样性并高图像数据的质量，提高了模型的泛化能力，使得模型在面对新的测试样本时，也能够取得良好的分割效果，而且，通过增加图像数据的样本多样性并提高图像数据质量，还避免了训练数据集的质量和数量被限制，从而避免模型出现过拟合或欠拟合的情况，缩短模型训练时间，提高了模型的训练效率。

33、为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。