买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉煤炭科学研究总院申请的专利一种煤矿井下图像语义分割方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114170422B 。

龙图腾网通过国家知识产权局官网在2025-10-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111248280.4，技术领域涉及：G06V10/26；该发明授权一种煤矿井下图像语义分割方法是由程健;肖洪飞;闫鹏鹏;李昊;李和平;王广福设计研发完成，并于2021-10-26向国家知识产权局提交的专利申请。

本一种煤矿井下图像语义分割方法在说明书摘要公布了：本发明公开了一种煤矿井下图像语义分割方法，属于计算机视觉领域。首先对采集到的井下场景图像进行预处理生成数据集；然后构建以ResNet‑101为骨架的特征提取网络，并在网络各阶段输入使用不同尺度图像来增强所提取的特征；接着构建融合注意力模块融合各阶段特征，并利用全局注意力模块增强全局信息，获取远程依赖关系；最后将得到的特征输入分类器生成语义图，完成对图像的语义分割。本方法计算量和复杂度大大降低，针对场景复杂采用注意力机制，突出了目标区域的语义信息，改善了图像分割效果。

本发明授权一种煤矿井下图像语义分割方法在权利要求书中公布了：1.一种煤矿井下图像语义分割方法，其特征在于步骤如下： 步骤1、采集井下图片，对图片数据进行标注预处理，将标注预处理的图片数据分为训练样本与测试样本数据集； 步骤2、将训练样本数据集输入特征提取网络提取输入图像特征，特征提取网络包括改进的ResNet-101网络，改进的ResNet-101网络删除原本的第四和第五阶段的下采样操作，保留第四和第五阶段的其他内容； 步骤3、在改进的ResNet-101网络的第四阶段通过多尺度输入同时输入第三阶段输出的特征图以及额外输入特征图，输出低级特征图；第五阶段通过多尺度输入同时输入第四阶段输出的特征图以及额外输入特征图，输出高级特征图；所述额外输入特征图为输入图像通过基础残差单元处理后获得，额外输入特征图通过压缩原始输入图像使其与前一阶段输出特征图大小相同获得； 步骤31由于感受野随着卷积、降采样的过程而逐渐增大，小目标的细节信息逐渐丢失，为了得到更多的细节信息，采用多尺度输入，在改进的ResNet-101网络第四和第五阶段的输入端分别添加基础残差单元，将额外的18大小的输入图像直接输入到基础残差单元得到第四和第五阶段额外输入特征图，此步骤所得到的额外输入特征图经过一次特征提取，为低层次特征图，在改进的ResNet-101网络中，除第一阶段外的每阶段的输入图像均为上一个阶段的输出特征图，第四和第五阶段的输入是高层次特征图，所包含的细节信息少于低层次特征图； 步骤32将第四和第五阶段通过基础残差单元处理后的额外输入特征图分别与正常第四和第五阶段输入特征图融合，充分利用浅层特征图从而丰富小目标在深层特征图中的信息； 步骤33利用多尺度输入来增强输入图像18大小的特征图，其中多尺度输入的过程为：假设ResNet-101网络在第i阶段包含Li层卷积，那么第j层卷积就可以被定义为yj＝Mjxi，其中yj为第j层的输出特征图，Mj包含卷积、ReLU激活函数和正则化操作，第i阶段的输入图像xi的尺寸为N,Hi,Wi,Ci，N表示批次大小，Hi和Wi表示输入特征图的高度和宽度，Ci为通道数；第i阶段的输出特征图Fi可表示为： 步骤34Ii表示第i阶段的额外输入特征图，其分辨率与第i-1阶段的输出特征图分辨率相同； 步骤35第i阶段的融合输入表示为： 式中，Fi-1表示第i-1阶段的输出特征图，表示通道拼接操作； 步骤36其中第五阶段输出高级特征图χh，第四阶段低级特征图χl； 步骤4、在改进的ResNet-101网络第五阶段后面构建融合注意力模块，利用融合注意力模块融合低级特征图和高级特征图，输出包含全局上下文语义信息的新的特征图； 步骤41构建融合注意力模块：融合注意力模块包含两个输入，来自步骤36第五阶段输出的高级特征图和第四阶段输出的低级特征图Hh×Wh是高级特征图χh的空间位置的数量，Hl×Wl是低级特征图χl的空间位置的数量；Ch和Cl分别是高级特征图χh和低级特征图χl的通道数，1×1卷积Wθ用于将低级特征图χl的特征转换为其中是转换后的特征的通道数，R为实数，εl为低级特征图χl特征转换后的结果，如式3所示： εl＝Wθχl3 步骤42将特征转换结果εl经过softmax函数正则化后得到fεl； 步骤43采用瓶颈特征转换处理fεl，获取通道依赖关系，1×1卷积Wγ1和Wγ2将用于χh的特征转换得到注意力输出结果结果如式4： OF＝Wγ2ReLULNWγ1fεl4 输出OF反映了χl对χh的补偿，这些补偿是从χl的所有位置中挑选出来的， 步骤44最后输出的融合特征图YF为： YF＝catOF，χh5 步骤5、在融合注意力模块后面构建全局上下文增强模块，增强新的特征图的全局表示，从而获取特征图中各像素之间的远距离依赖关系，得到最终的融合特征图； 步骤51在ResNet-101网络第五阶段后面构建全局注意力模块，获取对语义分割至关重要的远距离依赖关系，设输入特征X∈RC×H×W，C，H，W分别为通道数、空间高度和宽度，1×1卷积Wθ用来转换特征X： θ＝WθX6 其中是转换后的特征的通道数； 步骤52经过softmax函数正则化之后得到相似矩阵 步骤53注意力模块的输出由1×1卷积Wγ1和Wγ2以及中间的归一化和ReLU函数来计算，其结果如式7： 步骤54最后的输出特征图YG∈RC×H×W的表达式为： YG＝catOG，X8； 步骤6、将最终的融合特征图输入经过预训练的分类器中生成语义图，然后再利用测试样本数据集检测生成的语义图性能，检验特征提取网络的性能，性能达标即可用以对煤矿井下照片图像进行语义分割，若不达标则重新训练； 步骤7、使用训练好的特征提取网络对输入的煤矿井下图片进行煤矿井下图像语义分割。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人煤炭科学研究总院，其通讯地址为：100013 北京市朝阳区和平里青年沟路5号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。