1.一种基于改进Mask R‑CNN的多背景下显示屏缺陷的实时分割方法,其特征在于:包括:
获取多背景显示屏缺陷图像,构建样本数据集,并将样本数据集划分训练数据集和测试数据集;
将传统Mask R‑CNN模型中的特征提取网络和/或特征融合网络,与注意力机制模块结合,创建多个改进Mask R‑CNN模型;对多个改进Mask R‑CNN模型进行消融实验筛选出性能最优的改进Mask R‑CNN模型;
将性能最优的改进Mask R‑CNN模型进行训练参数的初始化设置,接着对性能最优的改进Mask R‑CNN模型进行训练,获得最优权重;
采集显示屏的图像,利用性能最优的改进Mask R‑CNN模型载入已得到的最优权重,对采集显示屏的图像进行预测,获得预测结果。
2.根据权利要求1所述的基于改进Mask R‑CNN的多背景下显示屏缺陷的实时分割方法,其特征在于:所述将传统Mask R‑CNN模型中的特征提取网络和/或特征融合网络,与注意力机制模块结合,包括:将传统Mask R‑CNN模型中的特征提取网络与注意力机制模块结合构建改进Mask R‑CNN模型中特征提取网络;和/或将传统Mask R‑CNN模型中的特征融合网络与注意力机制模块结合构建改进Mask R‑CNN模型中特征融合网络。
3.根据权利要求2所述的基于改进Mask R‑CNN的多背景下显示屏缺陷的实时分割方法,其特征在于:所述改进Mask R‑CNN模型中特征提取网络包括传统的Mask R‑CNN特征提取网络以及m个注意力机制模块,特征融合网络包含传统的Mask R‑CNN特征融合网络以及n个注意力机制模块;通过改变特征提取网络中注意力机制模块的数量、改变特征融合网络中注意力机制模块的数量获得多个改进Mask R‑CNN模型;其中,m,n=0,1,2,3,4;m、n不同时取0。
4.根据权利要求2所述的基于改进Mask R‑CNN的多背景下显示屏缺陷的实时分割方法,其特征在于:所述将传统Mask R‑CNN模型中的特征提取网络与注意力机制模块结合具体为:将传统Mask R‑CNN模型中特征提取网络的残差网络模块输出的特征层通过注意力机构模块以得到输出的特征层。
5.根据权利要求2所述的基于改进Mask R‑CNN的多背景下显示屏缺陷的实时分割方法,其特征在于:所述将传统Mask R‑CNN模型中的特征融合网络与注意力机制模块结合具体为:将传统Mask R‑CNN模型中特征融合网络的输入通过二维卷积操作后加入注意力机构模块。
6.根据权利要求1所述的基于改进Mask R‑CNN的多背景下显示屏缺陷的实时分割方法,其特征在于:所述对性能最优的改进Mask R‑CNN模型进行训练,具体为:如果为首次训练则将训练参数的训练时代调大,采用调大的训练时代对性能最优的改进Mask R‑CNN模型首次训练,得到预训练权重文件;如果为再次训练,则将训练参数中的训练时代调整为初始设置值,将预训练权重载入性能最优的改进Mask R‑CNN模型进行再次训练,获得最优权重。
7.根据权利要求6所述的基于改进Mask R‑CNN的多背景下显示屏缺陷的实时分割方法,其特征在于:所述对性能最优的改进Mask R‑CNN模型进行首次训练的训练时代大于初始设置值,对多个改进Mask R‑CNN模型进行消融实验筛选出性能最优的改进Mask R‑CNN模型选用的训练时代小于初始设置值。
8.一种基于改进Mask R‑CNN的多背景下显示屏缺陷的实时分割系统,其特征在于:包括:
获取模块,用于获取多背景显示屏缺陷图像,构建样本数据集,并将样本数据集划分训练数据集和测试数据集;
筛选模块,用于将传统Mask R‑CNN模型中的特征提取网络和/或特征融合网络,与注意力机制模块结合,创建多个改进Mask R‑CNN模型;对多个改进Mask R‑CNN模型进行消融实验筛选出性能最优的改进Mask R‑CNN模型;
训练模块,用于将性能最优的改进Mask R‑CNN模型进行训练参数的初始化设置,接着对性能最优的改进Mask R‑CNN模型进行训练,获得最优权重;
执行模块,用于采集显示屏的图像,利用性能最优的改进Mask R‑CNN模型载入已得到的最优权重,对采集显示屏的图像进行预测,获得预测结果。
9.一种终端设备,其特征在于:包括存储器、处理器以及存储在所述存储器上并可被所述处理器运行的程序,所述处理器执行所述程序时实现如权利要求1‑7中任意一项所述的基于改进Mask R‑CNN的多背景下显示屏缺陷的实时分割方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1‑7中任意一项所述的基于改进Mask R‑CNN的多背景下显示屏缺陷的实时分割方法。