一种基于烟叶图像分割的加速处理方法及系统与流程

1.本发明涉及计算机视觉技术领域，具体涉及一种基于烟叶图像分割的加速处理方法及系统。


背景技术：

2.目前，大部分烟厂对烟叶的出片率十分看重，合理的计算监控烟叶的出片率可以很好地指导烟厂收烟烤烟。传统方法是人工手工剥离烟叶的主梗并称重然后统计记录，这种方式比较依赖人力，而且手工剔除会破坏烟叶的整体性，也比较耗费时间和人力。因此，应用计算机视觉方法来解放人力意义重大。
3.现有技术中，已有类似的利用深度学习图像分割技术，识别并精细分割出烟叶中主梗的图像,通过计算烟叶主梗的占比来进一步计算整批烟叶的出片率的相应研究，但是现有技术中其采用的深度学习分割技术在执行过程中其运算时间相对较长，尤其是在大规模应用在烟叶生产的多个任务，不利于实时性要求。


技术实现要素：

4.本发明提供的是一种一种基于烟叶图像分割的加速处理方法及系统，利用深度学习图像分割技术，快速识别并精细分割出烟叶中主梗的图像,通过计算烟叶主梗的占比来进一步计算整批烟叶的出片率。该方法可以不依赖于人工剔除，加快工业流程速度，提高生产力，进一步实现工业自动化。具体地：
5.一方面，本技术提供一种基于烟叶图像分割的加速处理方法，其中，包括：
6.于获取到与分割网络模型结构匹配的分割参数和基础神经网络算子状态下形成神经网络gpu引擎文件；
7.读取采集图像，对所述采集图像做归一化处理，并于归一化处理完成后加载所述神经网络gpu引擎文件以形成一与所述采集图像匹配的推算结果；
8.根据所述推算结果，从gpu单元传输到cpu单元上并通过指针映射到输出图像以形成处理结果。
9.优选地，上述的一种基于烟叶图像分割的加速处理方法，其中，读取采集图像，对所述采集图像做归一化处理，并于归一化处理完成后加载所述神经网络gpu引擎文件以形成一与所述采集图像匹配的推算结果具体包括：
10.读取所述采集图像，将采集图像由hwc转为chw并做归一化操作，于归一化处理完成后通过指针索引像素值传给gpu计算模块；
11.加载gpu引擎文件，执行gpu推理计算，以形成与所述采集图像匹配的推算结果。
12.优选地，上述的一种基于烟叶图像分割的加速处理方法，其中，于获取到与分割网络模型结构匹配的分割参数和基础神经网络算子状态下形成神经网络gpu引擎文件具体包括：
13.对所述分割参数做格式化处理以形成一量化格式数据；
14.对所述基础神经网络算子做融合处理以形成融合神经网络算子；
15.根据所述量化格式数据、所述融合神经网络算子形成神经网络gpu引擎文件。
16.优选地，上述的一种基于烟叶图像分割的加速处理方法，其中，对所述分割参数做格式化处理以形成一量化格式数据具体包括：
17.对所述分割网络模型做解析处理以形成与所述分割网络模型匹配的分割参数，所述分割参数为二进制文件；
18.于深度学习网络推理框架搭建完成的状态下加载所述分割参数以形成一重构分割网络模型；根据重构分割网络模型形成基础神经网络算子；
19.对所述分割参数做格式化处理以形成所述量化格式数据。
20.优选地，上述的一种基于烟叶图像分割的加速处理方法，其中，于获取到与分割网络模型结构匹配的分割参数和基础神经网络算子状态下形成神经网络gpu引擎文件之前还包括：
21.于获取到基础采集图像的状态下，建立基础模型，通过所述基础采集图像训练所述基础模型以形成初始模型；
22.于获取到基础验证数据的状态下，通过所述基础验证数据对所述初始模型做验证处理，并于验证结果匹配预期目标的状态下形成所述分割网络模型。
23.再一方面，本技术提供一种基于烟叶图像分割的加速处理系统，其中，包括：
24.神经网络gpu引擎文件形成单元，于获取到与分割网络模型结构匹配的分割参数和基础神经网络算子状态下形成神经网络gpu引擎文件；
25.处理单元，读取采集图像，对所述采集图像做归一化处理，并于归一化处理完成后加载所述神经网络gpu引擎文件以形成一与所述采集图像匹配的推算结果；
26.显示单元，根据所述推算结果，从gpu单元传输到cpu单元上并通过指针映射到输出图像以形成处理结果。
27.优选地，上述的一种基于烟叶图像分割的加速处理系统，其中，所述神经网络gpu引擎文件形成单元包括：
28.量化格式数据形成装置，对所述分割参数做格式化处理以形成一量化格式数据；
29.融合装置，对所述基础神经网络算子做融合处理以形成融合神经网络算子；
30.神经网络gpu引擎文件形成装置，根据所述量化格式数据、所述融合神经网络算子形成神经网络gpu引擎文件。
31.优选地，上述的一种基于烟叶图像分割的加速处理系统，其中，所述处理单元包括：
32.读取装置，读取所述采集图像，将采集图像由hwc转为chw并做归一化操作，于归一化处理完成后通过指针索引像素值传给gpu计算模块；
33.处理装置，加载gpu引擎文件，执行gpu推理计算，以形成与所述采集图像匹配的推算结果。
34.再一方面，本技术再提供一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现上述中任一项所述的一种基于烟叶图像分割的加速处理方法。
35.最后，一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的
计算机程序，其中，所述处理器执行所述计算机程序时实现上述任一项所述的一种基于烟叶图像分割的加速处理方法。
36.与现有技术相比，本发明的有益效果至少包括：
37.通过分割网络模型结构匹配的分割参数和基础神经网络算子形成重构分割网络模型，该重构分割模型被封装形成神经网络gpu引擎文件，在实际图像处理过程中直接调用神经网络gpu引擎文件执行gpu推理计算以生成检测分割结果。通过加载gpu引擎文件执行gpu推理计算，可在毫秒间获得模型计算结果，大大提高了检测速度。
附图说明
38.图1为本发明实施例提供一种基于烟叶图像分割的加速处理方法流程示意图；
39.图2为本发明实施例提供一种基于烟叶图像分割的加速处理方法中烟梗分割示意图；
40.图3为本发明实施例提供一种基于烟叶图像分割的加速处理方法中烟叶分割示意图；
41.图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
42.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
43.在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
44.实施例一
45.如图1所示，本实施例提供一种基于烟叶图像分割的加速处理方法，该加速处理方法由gpu执行，其中，包括：
46.步骤s110、于获取到与分割网络模型结构匹配的分割参数和基础神经网络算子状态下形成神经网络gpu引擎文件；其中分割网络模型实现方式此处不做具体限制。
47.步骤s120、读取采集图像，对所述采集图像做归一化处理，并于归一化处理完成后加载所述神经网络gpu引擎文件以形成一与所述采集图像匹配的推算结果；示意性地，采用opencv读取采集图像，采集图像可为图像队列中的图像，示意性地，通过工业相机对烟叶做图像采集操作，并将采集的多个烟叶图像做存储以形成图像队列。具体包括：
48.步骤s1201、读取所述采集图像，将采集图像由hwc转为chw并做归一化操作，于归一化处理完成后通过指针索引像素值传给gpu计算模块；
49.步骤s1202、加载神经网络gpu引擎文件，执行gpu推理计算，以形成与所述采集图像匹配的推算结果。
50.步骤s130、根据所述推算结果，从gpu单元传输到cpu单元上并通过指针映射到输
出图像以形成处理结果。
51.本发明的实施例中，通过分割网络模型结构匹配的分割参数和基础神经网络算子形成重构分割网络模型，该重构分割模型被封装形成神经网络gpu引擎文件，在实际图像处理过程中直接调用神经网络gpu引擎文件执行gpu推理计算以生成检测分割结果。通过加载gpu引擎文件执行gpu推理计算，可在毫秒间获得模型计算结果，大大提高了检测速度。
52.进一步地，在上述的一种基于烟叶图像分割的加速处理方法，步骤s110，于获取到与分割网络模型结构匹配的分割参数和基础神经网络算子状态下形成神经网络gpu引擎文件具体包括：
53.步骤s1101、对所述分割参数做格式化处理以形成一量化格式数据；其中分割数据为二进制文件数据，示意性地，gpu加载.wts二进制文件中分割模型网络结构的分割参数，执行数据量化操作(例如将数据格式从fp32量化到fp16，也可以量化到fp8或者fp4，本实施例中为了保证检测的准确率，将数据格式量化至fp16)，其中分割格式参数具体包括：
54.步骤s11011、对所述分割网络模型做解析处理以形成与所述分割网络模型匹配的分割参数，所述分割参数为二进制文件；示意性地，通过将python框架下训练完成的pytorch框架下的.pth文件解析成打包成.wts二进制文件，即将网络模型结构与对应的参数转化成c++可读取的二进制文件。
55.步骤s11012、于深度学习网络推理框架搭建完成的状态下加载所述分割参数以形成一重构分割网络模型，根据重构分割网络模型形成基础神经网络算子；示意性地，通过cuda编程搭建基于tensorrt推理框架下的深度学习网络推理框架，加载.wts二进制文件，c++语言重构swin transformer+upernet分割模型；
56.步骤s11013、对所述分割参数做格式化处理以形成量化格式数据。
57.步骤s1102、对所述基础神经网络算子做融合处理以形成融合神经网络算子；示意性地，神经网络模型通常包含有若干层，为了提高运算速度，将部分层做融合处理，例如将卷积层、激活函数层和bn层做融合形成一个融合后的卷积层。也可以将融合后的卷积层继续做融合处理，此处不做具体限制，根据实际确定融合后层的数量。
58.步骤s1103、根据所述量化格式数据、所述融合神经网络算子形成神经网络gpu引擎文件。神经网络gpu引擎文件即重构后的分割网络模型。将重构后的分割网络模型做封装处理以被后续调用。
59.作为进一步优选实施方案，上述的一种基于烟叶图像分割的加速处理方法，其中：包括，步骤s110、于获取到与分割网络模型结构匹配的分割参数和基础神经网络算子状态下形成神经网络gpu引擎文件之前还包括：
60.步骤s1091，于获取到基础采集图像的状态下，建立基础模型，通过所述基础采集图像训练所述基础模型以形成初始模型；示意性地，
61.本实施例中，采用图像采集装置进行图像采集。图像采集装置包括：工业相机、相机镜头、相机防尘罩、相机遮光罩、铝型材支架、交换机、工控机和相机控制模块。调整背光光源的亮度透过烟叶，直至观察到烟梗明显，然后采集足够数量的采集数据集(例如采集数据集中包含有130张背光烟叶图像)，调整背光光源的目的在于更好的突显出烟梗的轮廓，便于观察并细致地标注烟梗的边缘。对采集数据集中的每个背光烟叶图像做标注处理直至个每片烟叶上主梗轮廓形成闭环，然后保存成json文件。将标注好的背光烟叶图像按照6：
2：2的比例划分为训练集、测试集以及验证集，将标注的背光烟叶图像和json文件转化为标准的voc格式数据集，以供后续建模和训练，即基础采集图像为采集数据集中的60％。基础验证图像为采集数据集中的20％。
62.在深度学习pytroch框架下构建swin transformer+upernet图像分割基础模型，设定初始参数，如学习率为0.00006，优化器为adamw,动量为0.01，最大训练次数为16000等。选用参数量为121m的swin-b预训练模型，该预训练模型为采用swin transformer模型在烟叶分类任务中训练了160000次拟合的模型，对烟叶特征比较敏感。在该图像分割任务中，使用该预训练模型，可以加快训练速度，当训练到8000次的时候，烟叶主梗分割模型已经趋于拟合，通过实时观察，loss值已经小于0.002，人工调参直至训练到16000次的时候，在训练集上的每个烟梗iou(intersection over union)已经达到了80％。训练完成之后的指标最优的模型作为初始模型在验证集上进行测试。
63.步骤s1092，于获取到基础验证数据的状态下，通过所述基础验证数据对所述初始模型做验证处理，并于验证结果匹配预期目标的状态下形成所述分割网络模型。示意性的，分割基础模型于验证集中的准确率达到95％的状态下判定当前分割基础模型的准确率较高。也采用无背光的烟叶图像做验证，无背光的烟叶图像一般都是正面朝上，烟梗不是十分的明显且烟叶处于在移动的状态，图像的质量并不是很好，若图像分割模型的准确率达到87％，认为该初始模型的准确率达到预期目标，可以根据该初始模型形成分割模型。
64.分割网络模型为swin transformer+upernet模型，整个模型结构采取层次化的设计，一共有4个stage(阶段),每个stage都会缩小输入特征图的分辨率，整体来看，输入为batch*3*512*512，那么4个stage对应的图像大小如下：
65.stage1：batch*128*128*128；stage2：batch*256*64*64；stage3：batch*512*32*32；stage4：batch*1024*16*16。
66.示意性地，将采集的烟叶图片中的rgb像素分辨率转化为patches分辨率图像并根据具体的模型大小来该改变输入通道数。swin transformer stage部分，实现window self-attention(w-msa)以及shifted window self-attention(sw-msa)，再通过patch merging操作来实现分层结构，降低模型的计算复杂度并能够处理不同尺度的图片。模型大小不同对应的swin transformer block个数不同。
67.列举一应用上述分割模型的方式，首先将采集的烟叶图片缩放到512*512的尺寸，进行归一化处理，然后再将处理后图像输入到已经训练好的烟叶主梗检测分割模型中，经过后处理算法计算之后可以获得主梗的轮廓，如图2所示。
68.具体地，将采集的烟叶图片做去噪处理，对完成去噪的图像使用分水岭算法进行分割，其具体主要操作是，先对图像进行灰度化和二值化得到二值图像，通过膨胀得到确定的背景区域，再通过距离转换得到确定的前景区域，剩余的部分就是不确定区域；对确定的前景图像进行连接组件处理，得到标记图像；更具标记图像对原图像应用分水岭算法，更新标记的图像。提取出烟叶部分并获取烟叶分割图，如图3所示。
69.根据处理获取的烟叶分割图像，统计二值化后烟叶范围内像素的个数。
70.根据处理获取的烟叶主梗分割图像，统计主梗的像素个数。计算主梗所占烟叶的比例vein_prop:
71.vein_prop＝area
vein
/area
tobacco
72.其中：area
vein
为主梗的像素点个数，area
tobacco
为烟叶的总像素点个数。
73.本发明提供一种烟叶中主梗检测分割方法，利用深度学习与gpu编程技术，识别并分割出烟叶中主梗的位置的同时计算烟叶主梗的占整个烟叶的比例，以及通过重量传感器来计算烟梗所占的重量，可以进一步辅助烟厂计算烟叶出片率，加快工业流程速度，进一步实现工业自动化。
74.实施例二
75.本技术再提供一种基于烟叶图像分割的加速处理系统，其中，包括：
76.神经网络gpu引擎文件形成单元，于获取到与分割网络模型结构匹配的分割参数和基础神经网络算子状态下形成神经网络gpu引擎文件；
77.处理单元，读取采集图像，对所述采集图像做归一化处理，并于归一化处理完成后加载所述神经网络gpu引擎文件以形成一与所述采集图像匹配的推算结果；
78.显示单元，根据所述推算结果，从gpu单元传输到cpu单元上并通过指针映射到输出图像以形成处理结果。
79.作为进一步优选实施方案，上述的一种基于烟叶图像分割的加速处理系统，其中，所述神经网络gpu引擎文件形成单元包括：
80.量化格式数据形成装置，对所述分割参数做格式化处理以形成一量化格式数据；
81.融合装置，对所述基础神经网络算子做融合处理以形成融合神经网络算子；
82.神经网络gpu引擎文件形成装置，根据所述量化格式数据、所述融合神经网络算子形成神经网络gpu引擎文件。
83.作为进一步优选实施方案，上述的一种基于烟叶图像分割的加速处理系统，其中，所述处理单元包括：
84.读取装置，读取所述采集图像，将采集图像由hwc转为chw并做归一化操作，于归一化处理完成后通过指针索引像素值传给gpu计算模块；
85.处理装置，加载gpu引擎文件，执行gpu推理计算，以形成与所述采集图像匹配的推算结果。
86.上述的一种基于烟叶图像分割的加速处理系统的工作原理与一种基于烟叶图像分割的加速处理方法的工作原理相同，获取的有益效果相同，此处不做赘述。
87.实施例三
88.再一方面，本技术再提供一种计算机可读存储介质，其上存储有计算机程序，其中该程序被处理器执行时实现上述中任一项所述的一种基于烟叶图像分割的加速处理方法，其中，包括：
89.于获取到与分割网络模型结构匹配的分割参数和基础神经网络算子状态下形成神经网络gpu引擎文件；
90.读取采集图像，对所述采集图像做归一化处理，并于归一化处理完成后加载所述神经网络gpu引擎文件以形成一与所述采集图像匹配的推算结果；
91.根据所述推算结果，从gpu单元传输到cpu单元上并通过指针映射到输出图像以形成处理结果。
92.存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如cd-rom、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如
dram、ddr ram、sram、edo ram，兰巴斯(rambus)ram等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
93.当然，本技术实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的处理方法，还可以执行本技术任意实施例所提供的处理方法中的相关操作。
94.实施例四
95.再一方面，本技术实施例提供了一种电子设备，该电子设备中可集成本技术实施例提供的处理装置。图4是本技术实施例四提供的一种电子设备的结构示意图。如图4所示，本实施例提供了一种电子设备400，其包括：一个或多个处理器420；存储装置410，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器420运行，使得所述一个或多个处理器420实现：包括：
96.于获取到与分割网络模型结构匹配的分割参数和基础神经网络算子状态下形成神经网络gpu引擎文件；
97.读取采集图像，对所述采集图像做归一化处理，并于归一化处理完成后加载所述神经网络gpu引擎文件以形成一与所述采集图像匹配的推算结果；
98.根据所述推算结果，从gpu单元传输到cpu单元上并通过指针映射到输出图像以形成处理结果。
99.如图4所示，该电子设备400包括处理器420、存储装置410、输入装置430和输出装置440；电子设备中处理器420的数量可以是一个或多个，图4中以一个处理器420为例；电子设备中的处理器420、存储装置410、输入装置430和输出装置440可以通过总线或其他方式连接，图4中以通过总线450连接为例。
100.存储装置410作为一种计算机可读存储介质，可用于存储软件程序、计算机可运行程序以及模块单元，如本技术实施例中的处理方法对应的程序指令。
101.存储装置410可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储装置410可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置410可进一步包括相对于处理器420远程设置的存储器，这些远程存储器可以通过网络连接。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
102.输入装置430可用于接收输入的数字、字符信息或语音信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏、扬声器等设备。
103.注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行
了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

技术特征：
1.一种基于烟叶图像分割的加速处理方法，其特征在于，包括：于获取到与分割网络模型结构匹配的分割参数和基础神经网络算子状态下形成神经网络gpu引擎文件；读取采集图像，对所述采集图像做归一化处理，并于归一化处理完成后加载所述神经网络gpu引擎文件以形成一与所述采集图像匹配的推算结果。2.根据权利要求1所述的一种基于烟叶图像分割的加速处理方法，其特征在于，读取采集图像，对所述采集图像做归一化处理，并于归一化处理完成后加载所述神经网络gpu引擎文件以形成一与所述采集图像匹配的推算结果具体包括：读取所述采集图像，将采集图像由hwc转为chw并做归一化操作，于归一化处理完成后通过指针索引像素值传给gpu计算模块；加载神经网络gpu引擎文件，执行gpu推理计算以形成与所述采集图像匹配的推算结果。3.根据权利要求1所述的一种基于烟叶图像分割的加速处理方法，其特征在于，于获取到与分割网络模型结构匹配的分割参数和基础神经网络算子状态下形成神经网络gpu引擎文件具体包括：对所述分割参数做格式化处理以形成一量化格式数据；对所述基础神经网络算子做融合处理以形成融合神经网络算子；根据所述量化格式数据、所述融合神经网络算子形成神经网络gpu引擎文件。4.根据权利要求3所述的一种基于烟叶图像分割的加速处理方法，其特征在于，对所述分割参数做格式化处理以形成一量化格式数据具体包括：对所述分割网络模型做解析处理以形成与所述分割网络模型匹配的分割参数，所述分割参数为二进制文件；于深度学习网络推理框架搭建完成的状态下加载所述分割参数以形成一重构分割网络模型；根据重构分割网络模型形成基础神经网络算子；对所述分割参数做格式化处理以形成所述量化格式数据。5.根据权利要求1所述的一种基于烟叶图像分割的加速处理方法，其特征在于，于获取到与分割网络模型结构匹配的分割参数和基础神经网络算子状态下形成神经网络gpu引擎文件之前还包括：于获取到基础采集图像的状态下，建立基础模型，通过所述基础采集图像训练所述基础模型以形成初始模型；于获取到基础验证数据的状态下，通过所述基础验证数据对所述初始模型做验证处理，并于验证结果匹配预期目标的状态下形成所述分割网络模型。6.一种基于烟叶图像分割的加速处理系统，其特征在于，包括：神经网络gpu引擎文件形成单元，于获取到与分割网络模型结构匹配的分割参数和基础神经网络算子状态下形成神经网络gpu引擎文件；处理单元，读取采集图像，对所述采集图像做归一化处理，并于归一化处理完成后加载所述神经网络gpu引擎文件以形成一与所述采集图像匹配的推算结果；显示单元，根据所述推算结果，从gpu单元传输到cpu单元上并通过指针映射到输出图像以形成处理结果。
7.根据权利要求6所述的一种基于烟叶图像分割的加速处理系统，其特征在于，所述神经网络gpu引擎文件形成单元包括：量化格式数据形成装置，对所述分割参数做格式化处理以形成一量化格式数据；融合装置，对所述基础神经网络算子做融合处理以形成融合神经网络算子；神经网络gpu引擎文件形成装置，根据所述量化格式数据、所述融合神经网络算子形成神经网络gpu引擎文件。8.根据权利要求6所述的一种基于烟叶图像分割的加速处理系统，其特征在于，所述处理单元包括：读取装置，读取所述采集图像，将采集图像由hwc转为chw并做归一化操作，于归一化处理完成后通过指针索引像素值传给gpu计算模块；处理装置，加载gpu引擎文件，执行gpu推理计算，以形成与所述采集图像匹配的推算结果。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一项所述的一种基于烟叶图像分割的加速处理方法。10.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-5中任一项所述的一种基于烟叶图像分割的加速处理方法。

技术总结
本发明涉及计算机视觉技术领域，具体涉及一种基于烟叶图像分割的加速处理方法及系统。其中一种基于烟叶图像分割的加速处理方法，包括：于获取到与分割网络模型结构匹配的分割参数和基础神经网络算子状态下形成神经网络GPU引擎文件；读取采集图像，对所述采集图像做归一化处理，并于归一化处理完成后加载所述神经网络GPU引擎文件以形成一与所述采集图像匹配的推算结果；根据所述推算结果，从GPU单元传输到CPU单元上并通过指针映射到输出图像以形成处理结果。处理结果。处理结果。


技术研发人员：徐密 石超 薛辰 彭云发
受保护的技术使用者：上海创和亿电子科技发展有限公司
技术研发日：2023.04.23
技术公布日：2023/7/18