DL实例分割

本节内容包含：

模块原理

实例分割是指利用神经网络提取图像中待测目标掩膜的方法，可以精确输出每一个目标实例的掩膜信息。

图像分割和实例分割的主要区别在于，图像分割会赋予同一类别的物体相同的像素值，实例分割会为每一个物体分别赋予一个像素值，即使是同类的目标，也会给予不同像素值，使得用户可以获取到每一个目标独立的掩膜信息。基于这一特性，实例分割适用于对检测精度要求较高的定位、计数场景。

从算法实现来看，实例分割方法大多是基于目标检测结果展开的，将检测到的ROI区域用作前背景进行二类分割。

模型性能调优

此处提供几种模型性能不佳的情况以及对应的模型性能调优方法。

表 1 模型性能调优方法

问题类型

调优思路

输出结果较差

  1. 检查模式选择是否正确

  2. 检查数据集标注是否正确

  3. 查看模型在训练集上的性能，若效果较差，则需检查训练集标注及训练参数是否合理

  4. 检查测试集数据和训练集数据分布是否一致

误检数据较多

可考虑采用背景图模式，将一些易被误检的正常样本设置为参考图像进行学习

漏检数据较多

  1. 检查待检测目标是否在全图中占比较小，如果确实较小，可以考虑增加图像分辨率

  2. 降低推理时的置信度，若在低置信度下模型能检出相应目标，则说明样本量有所欠缺，可适当增加样本

  3. 考虑训练集及检测方案是否合理

掩膜质量较差

  1. 需关注标签，特别是多边形的质量

  2. 需关注是否是特别大或者特别小的目标存在掩膜质量问题，如果是，则可以寻求针对性的优化方案

使用方法

DL实例分割模块主要用于将输入图像中的目标检测出来，并对目标的每个像素分配类别标签，以区分不同实例。DL实例分割模块可用于检测产品中的缺陷，也可用于识别图像中的特定物体，如下图所示。

图 1 DL实例分割示例效果图

参数配置

以下仅介绍该模块的运行参数详情。通过配置运行参数，可定义当前模块如何处理输入的数据。

说明：
模型文件路径

加载已训练好的模型文件。

方案存模型

使能后，将模型数据保存到方案文件或流程文件中，跨机加载方案时无需再次输入模型文件路径。

最大查找个数

即最大查找的目标个数。若实际检测出的目标数量M小于最大查找个数N，则实际显示M个目标；若实际检测出的目标数量大于N，则实际只能显示N个目标。

目标框置信度

若检测结果的置信度（即识别内容为字符框的概率）小于所设置的最小置信度，则不返回该字符定位结果；用户可根据实际需求进行设置，默认值为0.5。

目标框重叠率

目标允许被遮挡的最大比例。当实际重叠率超过该参数值时，则不识别该目标框。

掩膜置信度

掩膜得分的最小值。当掩膜实际得分低于该参数值时，则不输出该掩膜区域。

掩膜重叠率

两个掩膜区域重叠程度的最大值。当实际重叠率超过该参数值时，则过滤掉置信度较低的掩膜区域。

边缘筛选使能

使能后，可设置最小边缘分数。若查找目标在边缘内的部分占整体的比例小于最小边缘分数，则舍去该查找目标。

渲染输出图像

开启该功能，则运行后图像中检测到的目标以掩膜方式呈现。

不同类别过滤

开启后，则可过滤不同类别的目标。若不开启，则只会按照同类别过滤。

模块结果

该模块的模块结果介绍请见DL实例分割。