本發明涉及學習裝置、圖像分割裝置、學習方法及程序。

背景技術：

1、在日常生活、工業的場合中，識別線形形狀的物體的場合非常多。因此，即使是在近年來得到應用的圖像識別技術的領域中，也在尋求準確識別線形形狀的物體的技術。

2、例如，在專利文獻1中記載了這樣的方法，通過采用對圖像內的所有像素賦予標簽的深度學習的語義分割，提高呈線狀發生的裂紋等的識別分辨率。

3、現有技術文獻

4、專利文獻

5、專利文獻1：日本特開2021-184163號公報

技術實現思路

1、發明所要解決的技術問題

2、但是，在以往的方法中，不能準確且有效地評估線形形狀的物體所具有的連續性、輪廓的不定形狀等特征。

3、本發明的目的在于，提供一種準確且有效地識別線形形狀的物體的技術。

4、用于解決技術問題的方案

5、本發明采用以下的結構來解決上述的問題。

6、本發明的一個方面所涉及的學習裝置對模型進行學習，所述模型是圖像分割裝置中的模型，所述圖像分割裝置使用所述模型進行圖像中的識別對象的分割，所述學習裝置具備：第一評估值獲取部，獲取第一評估值，所述第一評估值是利用第一損失函數計算的，所述第一損失函數對在所述圖像中識別所述識別對象的特征量進行評估；第二評估值獲取部，獲取第二評估值，所述第二評估值是利用第二損失函數計算的，所述第二損失函數對在所述圖像中所識別出的所述識別對象的連續性進行評估；以及學習執行部，通過根據所述第一評估值及所述第二評估值進行誤差反向傳播，進行優化所述模型的學習。

7、根據上述結構，針對線形形狀的物體所具有的連續性的特征的評估的精度提高，所以能夠生成準確識別線形形狀的物體的模型。

8、并且，也可以是，所述學習裝置具備第三評估值獲取部，所述第三評估值獲取部獲取第三評估值，所述第三評估值是利用第三損失函數計算的，所述第三損失函數對強調了所述識別對象的輪廓的特征量進行評估，所述學習執行部通過根據所述第一評估值、所述第二評估值及所述第三評估值進行誤差反向傳播，進行優化所述模型的學習。由此，針對線形形狀的物體所具有的不定形狀輪廓的特征的評估的精度提高，所以能夠生成準確識別線形形狀的物體的模型。

9、并且，也可以是，所述第二評估值獲取部具備：第一要素乘積計算部，計算第一要素乘積矩陣，所述第一要素乘積矩陣是將示出所述識別對象的正確的分割掩模的位置的正解矩陣數據、和將所述正確的分割掩模的位置移動后的矩陣數據的各要素相乘而得的；第二要素乘積計算部，計算第二要素乘積矩陣，所述第二要素乘積矩陣是將示出所述識別對象的分割掩模的預測位置的預測矩陣數據、和使所述分割掩模的預測位置與所述正確的分割掩模同樣地移動后的矩陣數據的各要素相乘而得的；以及評估值計算部，把所述第一要素乘積矩陣與所述第二要素乘積矩陣的差量作為所述第二損失函數，計算第二評估值。由此，能夠進行適合于針對線形形狀的物體所具有的連續性的特征的評估的模型的學習。

10、并且，也可以是，所述識別對象是線形形狀的物體，所述第一要素乘積計算部計算第一要素乘積矩陣，所述第一要素乘積矩陣是將所述正確的分割掩模的位置沿所述線形形狀的長度方向移動后的矩陣數據的各要素相乘而得的。由此，能夠進行適合于針對線形形狀的物體所具有的連續性的特征的評估的模型的學習。

11、本發明的一個方面所涉及的圖像分割裝置使用模型進行圖像中的識別對象的分割，所述模型是通過上述的學習裝置進行了學習的模型，所述圖像分割裝置具備分割執行部，所述分割執行部使用學習完畢的所述模型進行圖像中的所述識別對象的分割。由此，針對線形形狀的物體所具有的連續性的特征的評估的精度提高，所以能夠準確識別線形形狀的物體。

12、本發明的一個方面所涉及的學習方法對模型進行學習，所述模型是圖像分割裝置中的模型，所述圖像分割裝置使用所述模型進行圖像中的識別對象的分割，所述學習方法包括以下工序：獲取第一評估值，所述第一評估值是利用第一損失函數計算的，所述第一損失函數對在所述圖像中識別所述識別對象的特征量進行評估；獲取第二評估值，所述第二評估值是利用第二損失函數計算的，所述第二損失函數對在所述圖像中所識別出的所述識別對象的連續性進行評估；以及通過根據所述第一評估值及所述第二評估值進行誤差反向傳播，進行優化所述模型的學習。根據上述結構，針對線形形狀的物體所具有的連續性的特征的評估的精度提高，所以能夠生成準確識別線形形狀的物體的模型。

13、本發明的一個方面所涉及的程序，使計算機作為第一評估值獲取部、第二評估值獲取部以及學習執行部發揮功能，所述計算機執行模型的學習，所述模型是圖像分割裝置中的模型，所述圖像分割裝置使用所述模型進行圖像中的識別對象的分割，所述第一評估值獲取部獲取第一評估值，所述第一評估值是利用第一損失函數計算的，所述第一損失函數對在所述圖像中識別所述識別對象的特征量進行評估，所述第二評估值獲取部獲取第二評估值，所述第二評估值是利用第二損失函數計算的，所述第二損失函數對在所述圖像中所識別出的所述識別對象的連續性進行評估，所述學習執行部通過根據所述第一評估值及所述第二評估值進行誤差反向傳播，進行優化所述模型的學習。根據上述結構，針對線形形狀的物體所具有的連續性的特征的評估的精度提高，所以能夠生成準確識別線形形狀的物體的模型。

14、發明效果

15、根據本發明，能夠提供準確且有效地識別線形形狀的物體的技術。

技術特征：

1.一種學習裝置，對模型進行學習，所述模型是圖像分割裝置中的模型，所述圖像分割裝置使用所述模型進行圖像中的識別對象的分割，

2.根據權利要求1所述的學習裝置，其中，

3.根據權利要求1所述的學習裝置，其中，

4.根據權利要求3所述的學習裝置，其中，

5.一種圖像分割裝置，使用模型進行圖像中的識別對象的分割，

6.一種學習方法，對模型進行學習，所述模型是圖像分割裝置中的模型，所述圖像分割裝置使用所述模型進行圖像中的識別對象的分割，

7.一種程序，使計算機作為第一評估值獲取部、第二評估值獲取部以及學習執行部發揮功能，所述計算機執行所述模型的學習，所述模型是圖像分割裝置中的模型，所述圖像分割裝置使用所述模型進行圖像中的識別對象的分割，

技術總結
一種學習裝置，對模型進行學習，所述模型是圖像分割裝置中的模型，該圖像分割裝置使用該模型進行圖像中的識別對象的分割，該學習裝置具備：第一評估值獲取部，獲取第一評估值，該第一評估值是利用第一損失函數計算的，該第一損失函數對在圖像中識別識別對象的特征量進行評估；第二評估值獲取部，獲取第二評估值，該第二評估值是利用第二損失函數計算的，該第二損失函數對在圖像中所識別出的識別對象的連續性進行評估；以及學習執行部，通過根據第一評估值及第二評估值進行誤差反向傳播，進行優化模型的學習。

技術研發人員：西本內田滋穗里,西本崇志
受保護的技術使用者：歐姆龍株式會社
技術研發日：
技術公布日：2025/4/6