一种裸土检测方法、装置和电子设备

技术领域

本申请涉及人工智能、物联网、智能制造以及数字多媒体技术领域，具体而言，涉及一种裸土检测方法、装置和电子设备。

背景技术

近年来，国家对施工环境的要求越来越高，针对扬尘，噪声，污水处理以及建筑垃圾处理等制定严格要求。其中，扬尘方面中要求施工现场的裸土必须采用毡布覆盖，如果未覆盖或者未完全覆盖视作违规。施工现场易飞扬的细颗粒建材应密闭存放。施工现场内堆放超过8小时不扰动的裸土应进行覆盖，堆放超过三个月以上不使用的堆土应进行绿化，弃土应及时清运。

目前的通用裸土覆盖检测方法主要有以下几种：1、人工巡视，指的是人员到现场巡视，或者通过监控进行巡视检查是否出现大面积裸土未覆盖，这种方法速度慢、效率低；2、无人机巡视，人员通过无人机传回的影像进行判别是否出现未覆盖，这种方法存在成本高、自动化程度较低的问题；3、监控摄像+AI自动识别裸土覆盖率，但这种方法每次可识别面积较少、识别精度有限。

发明内容

有鉴于此，本公开实施例提供一种裸土检测方法，至少部分解决现有技术中存在的问题，基于本公开实施例的方法，采用球形摄像头来监控工地，对球形摄像头旋转360度的图片进行处理，只需要较少的摄像头来监控整个工地，并且可以提升整体的检测精度，再计算裸土覆盖率。本发明使用相对较低的成本可以监测大面积的工地，另外精确度高、速度快、完全自动化。

在一方面，本实施例中提供的裸土检测方法，包括：获取待检测图像，所述待检测图像包括待检测区域的采集图像；对所述待检测图像进行初步图像分割，得到初步图像分割结果，所述初步图像分割结果包括背景区域图像、裸土区域图像以及毡布图像；将所述初步图像分割结果输入到经训练的分割结果修正模型中，得到修正后的初步图像分割结果，所述修正后的初步图像分割结果包括裸土检测结果。

具体的，将所述初步图像分割结果输入到经训练的分割结果修正模型中，得到修正后的初步图像分割结果包括：获取所述初步图像分割结果中的非置信图像以及置信图像，所述非置信图像包括置信度低于预设置信度阈值的图像；将所述非置信图像输入到所述经训练的分割结果修正模型中，得到非置信图像的分割修正结果；基于所述非置信图像的分割修正结果以及置信图像，生成所述修正后的初步图像分割结果。

具体的，获取所述初步图像分割结果中的非置信图像以及置信图像包括：基于预设函数，对所述初步图像分割结果进行初步分割置信度特征判断处理，得到置信度特征图像；对所述置信度特征图像进行二值化操作，得到二值化后的初步图像分割结果，所述二值化后的初步图像分割结果包括置信度低于预设二值化阈值的非置信区域以及置信度高于预设二值化阈值的置信区域；将所述置信区域采用区域生长算法，得到非置信图像和置信图像。

具体的，将所述置信区采用区域生长算法，得到非置信图像和置信图像还包括：获取所述非置信图像的外切矩形，计算所述外切矩形大小、长宽比以及矩形内值低于所述预设二值化阈值的点所占比例；保留所述面积大于预设外切矩形面积阈值、长宽比在预设长宽比范围内且矩形内值低于所述预设二值化阈值的点所占比例大于预设比例的所述非置信图像，对于未保留的所述非置信图像则设为置信图像。

具体的，将所述初步图像分割结果输入到经训练的分割结果修正模型中之前还包括：获取分割结果修正图像集，所述分割结果修正图像集包括背景区域训练图像、裸土区域训练图像、毡布区域训练图像；基于所述背景区域训练图像、裸土区域训练图像、毡布区域训练图像对未训练的分割结果修正模型进行训练，得到所述经训练分割结果修正模型。

具体的，对所述待检测图像进行初步图像分割包括：将所述待检测图像输入到经训练的图像分割网络模型中；所述将所述待检测图像输入到经训练的图像分割网络模型中之前还包括：获取待检测图像集，所述待检测图像及包括未经分割的待检测图像、经分割的待检测图像；将所述待检测图像集分类为待检测图像训练集、待检测图像验证集以及待检测图像测试集；基于所述待检测图像训练集、待检测图像验证集以及待检测图像测试集对为训练的图像分割网络模型进行训练，得到经训练的图像分割网络模型。

具体的，获取待检测图像包括：获取初始图像集，所述初始图像集包括待检测区域的采集图像集；对所述初始图像集进行图像拼接处理，得到所述待检测图像。

具体的，得到修正后的初步图像分割结果之后还包括：基于所述修正后的初步图像分割结果中的毡布图像的像素点总数以及裸土像素点总数计算毡布覆盖率；若所述毡布覆盖率低于预设预设毡布覆盖率阈值，则报警提示。

另一方面，本公开实施例提供了一种裸土检测装置，该装置可以实现上述裸土检测方法，该装置包括：

待检测图像获取模块，用于获取待检测图像，所述待检测图像包括待检测区域的采集图像

初步图像分割模块，用于对所述待检测图像进行初步图像分割，得到初步图像分割结果，所述初步图像分割结果包括背景区域图像、裸土区域图像以及毡布图像；

分割结果修正模块，将所述初步图像分割结果输入到经训练的分割结果修正模型中，得到修正后的初步图像分割结果，所述修正后的初步图像分割结果包括裸土检测结果。

本申请实施例的另一方面，提供一种计算机设备，包括：存储器、处理器，存储器中存储有可在处理器上运行的计算机程序，处理器执行计算机程序时，实现裸土检测裸土检测方法的步骤。

本申请实施例的另一方面，提供一种计算机可读存储介质，存储介质上存储有计算机程序，该计算机程序被处理器执行时，实现裸土检测方法的步骤。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本申请实施例中裸土检测方法的流程示意图；

图2为初步图像分割结果置信度判断示意图；

图3为初步图像分割结果的分割修正结果示意图；

图4为初步图像分割结果的非置信图像判断示意图；

图5为非置信图像保留结果示意图；

图6a为图像拼接前示意图；

图6b为图像拼接后示意图；

图7为本申请实施例中裸土检测方法的具体实施例流程示意图。

图8本申请实施例提供的裸土检测装置的结构示意图；

图9为本申请实施例提供的计算机设备的结构示意图。

具体实施方式

下面结合附图对本公开实施例进行详细描述。

以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。

还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践方面。

首先，图1为本申请实施例中裸土检测方法的流程示意图，请参照图1，裸土检测方法：

S101，获取待检测图像，所述待检测图像包括待检测区域的采集图像。

容易理解的，在对工地裸土覆盖情况进行监测之前需要获取待检测图像，待检测图像为当前工地的情况，在较优的实施例中，工地中需要包括背景区域、裸土区域以及毡布区域。

在一些实施例中，可以通过摄像头、摄影机或航拍等方式获取待检测图像，需要针对待检测区域进行无死角、清晰以及覆盖面积大的拍摄，以得到待检测图像。

S102，对所述待检测图像进行初步图像分割，得到初步图像分割结果，所述初步图像分割结果包括背景区域图像、裸土区域图像以及毡布图像。

在本实施例中，首先对待检测图像进行初步的图像分割，容易理解的，分割方式可以有算法、ai、函数、人工等分类方式，对待检测图像进行大致类型的分类；分类结果可以有背景区域图像、裸土区域图像以及毡布图像。

S103，将所述初步图像分割结果输入到经训练的分割结果修正模型中，得到修正后的初步图像分割结果，所述修正后的初步图像分割结果包括裸土检测结果。

由于步骤S102是对待检测图像进行初步图像分割，得到了初步图像分割结果，为了提升图像中裸土和毡布的定位精确度，对初步图像分割结果进行再次精确分类，在本实施例中，通过经训练的分割结果修正模型进行修正，容易理解的，经训练的分割结果修正模型经过未修正训练集和已修正验证集进行大量训练，可以将初步分割结果中需要修正的分割结果进行修正，得到定位精确度更高的分割结果；

将该定位精确度更高的分割结果作为裸土检测结果。

在另一个实施例中，将所述初步图像分割结果输入到经训练的分割结果修正模型中，得到修正后的初步图像分割结果包括：获取所述初步图像分割结果中的非置信图像以及置信图像，所述非置信图像包括置信度低于预设置信度阈值的图像；将所述非置信图像输入到所述经训练的分割结果修正模型中，得到非置信图像的分割修正结果；基于所述非置信图像的分割修正结果以及置信图像，生成所述修正后的初步图像分割结果。

容易理解的，为了提升分割结果修正的正确度以及效率，首先可以将初步图像分割结果分为可信度较低的部分以及可信度较高的部分，也就是非置信图像和置信图像；将初步图像分割结果进行函数处理，并获取每个区域部分的置信度，再通过预设置信度阈值区分为置信图像和置信图像；接着，通过将非置信图像输入到分割结果修正模型中，则可以重新将非置信图像进行分割修正，得到非置信图像的分割修正结果，接着再将非置信图像的分割修正结果以及置信图像对初步分割结果进行修改，得到修正后的初步图像分割结果。如图2所示，图2为初步图像分割结果置信度判断示意图。图2中下方偏深色区域为置信度高于预设置信度阈值的被判为裸土的区域，中部偏白色区域为置信度低于预设置信阈值的区域，将大小为(512,512,3)的初步图像分割结果进行操作后，得到大小为(512,512)的初步图像分割结果以及非置信图像判断示意图。如图3所示，图3为初步图像分割结果的分割修正结果示意图。。

在其中一个实施例中，将获取所述初步图像分割结果中的非置信图像以及置信图像包括：基于预设函数，对所述初步图像分割结果进行初步分割置信度特征判断处理，得到置信度特征图像；对所述置信度特征图像进行二值化操作，得到二值化后的初步图像分割结果，所述二值化后的初步图像分割结果包括置信度低于预设二值化阈值的非置信区域以及置信度高于预设二值化阈值的置信区域；将所述置信区域采用区域生长算法，得到非置信图像和置信图像。

在本实施例中，通过将初步图像分割结果首先进行softmax函数操作，在进行argmax函数操作，则可以得到大小修正以及带有置信度特征的图像，接着对带有置信度特征的图像进行二值化操作，在本实施例中，将置信度特征低于0.6的点值归为1，将置信度特征高于0.6的点归为0，可以得到二值化后的初步图像。接着，对二值化后的初步图像采用Two-Pass区域生长算法，找到所有值为1的点的连通区域，则可以得到非置信图像部分，其余部分为置信图像。如图4所示，图4为初步图像分割结果的非置信图像判断示意图，在本实施例中，将二值化图像像素值乘以255后如图4所示，白色区域为点值为1的区域，黑色区域点值为0，点值为1的区域为分割网络结果置信度低于0.6的区域，点值为0的区域为分割网络结果置信度较高的区域，接下来的步骤即为对置信度较低的区域进行结果矫正，再次判断该区域为裸土、毡布或者背景。

在另一个实施例中，将所述置信区采用区域生长算法，得到非置信图像和置信图像还包括：获取所述非置信图像的外切矩形，计算所述外切矩形大小、长宽比以及矩形内值低于所述预设二值化阈值的点所占比例；保留所述面积大于预设外切矩形面积阈值、长宽比在预设长宽比范围内且矩形内值低于所述预设二值化阈值的点所占比例大于预设比例的所述非置信图像，对于未保留的所述非置信图像则设为置信图像。

容易理解的，在采用区域生长算法之后，还可以去除掉面积较少、长宽比不适合以及非置信度较低的区域；在本实施例中，首先找到所有非置信图像的外切矩形，计算外切矩形的大小、长宽比以及矩形内值为1的点所在比例，接着保留面积大于预设外切矩形面积阈值、长宽比在预设长宽比范围内且矩形内值低于所述预设二值化阈值的点所占比例大于预设比例的所述非置信图像，预设外切矩形面积阈值，长宽比以及矩形内值为1的点所在比例需要根据不同场景下的实际需求修改。如图5所示，图5为非置信图像保留结果示意图。

在其中一个实施例中，将所述初步图像分割结果输入到经训练的分割结果修正模型中之前还包括：获取分割结果修正图像集，所述分割结果修正图像集包括背景区域训练图像、裸土区域训练图像、毡布区域训练图像；基于所述背景区域训练图像、裸土区域训练图像、毡布区域训练图像对未训练的分割结果修正模型进行训练，得到所述经训练的分割结果修正模型。

在本实施例中，在通过经训练的分割结果修正模型进行分割结果修正之前还需要训练得到分割结果修正模型，首先需要建立训练集，也就是需要得到背景区域训练图像(标签为0)，裸土区域训练图像(标签为1)、毡布区域训练图像(标签为2)；接着还可以对数据增强，以及进行数据前处理；再确定网络backbone、loss等结构进行调参训练，则可以得到经训练的训练分割结果修正模型。

在另一个实施例中，对所述待检测图像进行初步图像分割包括：将所述待检测图像输入到经训练的图像分割网络模型中；所述将所述待检测图像输入到经训练的图像分割网络模型中之前还包括：获取待检测图像集，所述待检测图像及包括未经分割的待检测图像、经分割的待检测图像；将所述待检测图像集分类为待检测图像训练集、待检测图像验证集以及待检测图像测试集；基于所述待检测图像训练集、待检测图像验证集以及待检测图像测试集对为训练的图像分割网络模型进行训练，得到经训练的图像分割网络模型。

在本实施例中，对待检测图像进行初步图像分割可以是将待检测图像输入到经训练的图像分割模型中，以得到初步图像分割结果；输入过程包括：配置深度学习图像分割网络，将backbone设置为segformer，接着输入(1,3,512,512)的图像，再讲损失函数设置为交叉熵损失函数，接着可以输出size为(512,512,3)的特征图，其中512和512对应输入的图像大小，3对应三个类别(背景、裸土和毡布)。

以及，在输入到经训练的图像分割模型中之前还需要训练得到图像分割模型，在本实施例中需要采集大量的训练集，也就是待检测图像集，其中未经分割的待检测图像，以及经过算法加人工标注图像中的裸土区域和毡布区域的精分割的待检测图像，接着分为待检测图像训练集、待检测图像验证集以及带检测题蚃测试集，并基于此训练图像分割网络模型，得到经训练的图像分割网络模型。

在其中一个实施例中，获取待检测图像包括：获取初始图像集，所述初始图像集包括待检测区域的采集图像集；对所述初始图像集进行图像拼接处理，得到所述待检测图像。

在本实施例中，考虑到工地面积较大以及监控成本的问题，采用球形摄像头来监控工地，将球形摄像头旋转360度对待检测区域拍摄到的图像作为初始图像集；接着通过计算机视觉库OPENCV里的Stitcher_create函数对初始图像集进行图像拼接，得到待检测图像。图像拼接过程如图6所示，图6a和图6b和图像拼接后的示意图。

在另一个实施例中，到修正后的初步图像分割结果之后还包括：基于所述修正后的初步图像分割结果中的毡布图像的像素点总数以及裸土像素点总数计算毡布覆盖率；若所述毡布覆盖率低于预设预设毡布覆盖率阈值，则报警提示。本发明还提供了在实际操作中的具体实施例以供参考，如图7所示。图7为本申请实施例中裸土检测方法的具体实施例流程示意图。

S701，放置球形监控摄像头。

S702，通过多角度截取若干张初始图像集。

S703，实用图像拼接技术拼接上述初始图像集，得到拼接图片a，也就是待检测图像。

S704，将待检测图像输入语义分割模型S，也就是输入到经训练的图像分割模型中，分割类别包括背景，裸土和毡布。

S705，得到初步图像分割结果，并进行softmax、argmax操作，得到带有分类置信度特征的初步分割结果。

S706，对带有分类置信度特征的初步分割结果进行二值化处理，得到二值化图像b，也就是二值化后的初步图像。

S707，对二值化后的初步图像采用Two-Pass区域生长算法，找到所有像素值为1的连通区域。

S708，保留联通区域外切矩形面积大于400，长宽比在[0.5,1.5]，且矩形内像素点为1的比例大于80％的区域。

S709，对于保留区域的外切图形，扣出对应的原图区域，也就是非置信区域。

S710，将该原图区域输入到裸土分类模型L中，也就是经训练的分割结果修正模型。

S7101，建立训练集(裸土、背景、毡布)；S7102，数据增强以及数据前处理；

S7103，确定网络backbone、loss等结构，调参训练；

S7104，输入非置信区域的图片，给出三个类别得分，得分最高的为所属类别

S711，用该区域的分类结果作为正确结果，修改初步分割结果。

S712，计算毡布覆盖率：毡布面积/(毡布面积+裸土面积)。

S713，若覆盖率小于预设值，则报警提示。

图8本申请实施例提供的裸土检测装置的结构示意图，请参照图8，裸土检测装置，该装置包括：待检测图像获取模块810，初步图像分割模块820，分割结果修正模块830；

待检测图像获取模块810，用于对所述待检测图像进行初步图像分割，得到初步图像分割结果，所述初步图像分割结果包括背景区域图像、裸土区域图像以及毡布图像；

初步图像分割模块820，用于对所述待检测图像进行初步图像分割，得到初步图像分割结果，所述初步图像分割结果包括背景区域图像、裸土区域图像以及毡布图像；

分割结果修正模块830，用于将所述初步图像分割结果输入到经训练的分割结果修正模型中，得到修正后的初步图像分割结果，所述修正后的初步图像分割结果包括裸土检测结果

上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。

以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。

图9为本申请实施例提供的计算机设备的结构示意图，请参照图7，计算机设备，包括：存储器910、处理器920，存储器910中存储有可在处理器920上运行的计算机程序，处理器920执行计算机程序时，实现裸土检测的步骤。

需要说明的是，该计算机设备即为上述后台计算机设备。

本申请实施例的另一方面，还提供一种计算机可读存储介质，存储介质上存储有计算机程序，该计算机程序被处理器执行时，实现裸土检测方法的步骤。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

因此，本公开实施例提供了以下的技术方案：

1.一种裸土检测方法，包括：

获取待检测图像，所述待检测图像包括待检测区域的采集图像；

对所述待检测图像进行初步图像分割，得到初步图像分割结果，所述初步图像分割结果包括背景区域图像、裸土区域图像以及毡布图像；

将所述初步图像分割结果输入到经训练的分割结果修正模型中，得到修正后的初步图像分割结果，所述修正后的初步图像分割结果包括裸土检测结果。

2.如1的裸土检测方法，将所述初步图像分割结果输入到经训练的分割结果修正模型中，得到修正后的初步图像分割结果包括：

获取所述初步图像分割结果中的非置信图像以及置信图像，所述非置信图像包括置信度低于预设置信度阈值的图像；

将所述非置信图像输入到所述经训练的分割结果修正模型中，得到非置信图像的图像分割结果；

基于所述非置信图像的图像分割结果以及置信图像，生成所述修正后的初步图像分割结果。

3.如2的裸土检测方法，获取所述初步图像分割结果中的非置信图像以及置信图像包括：

基于预设函数，对所述初步图像分割结果进行初步分割置信度特征判断处理，得到置信度特征图像；

对所述置信度特征图像进行二值化操作，得到二值化后的初步图像分割结果，所述二值化后的初步图像分割结果包括置信度低于预设二值化阈值的非置信区域以及置信度高于预设二值化阈值的置信区域；

将所述置信区域采用区域生长算法，得到非置信图像和置信图像。

4.如3的裸土检测方法，将所述置信区采用区域生长算法，得到非置信图像和置信图像还包括：

获取所述非置信图像的外切矩形，计算所述外切矩形大小、长宽比以及矩形内值低于所述预设二值化阈值的点所占比例；

保留所述面积大于预设外切矩形面积阈值、长宽比在预设长宽比范围内且矩形内值低于所述预设二值化阈值的点所占比例大于预设比例的所述非置信图像，对于未保留的所述非置信图像则设为置信图像。

5.如2的裸土检测方法，将所述初步图像分割结果输入到经训练的分割结果修正模型中之前还包括：

获取分割结果修正图像集，所述分割结果修正图像集包括背景区域训练图像、裸土区域训练图像、毡布区域训练图像；

基于所述背景区域训练图像、裸土区域训练图像、毡布区域训练图像对未训练的分割结果修正模型进行训练，得到所述经训练分割结果修正模型。

6.如1的裸土检测方法，对所述待检测图像进行初步图像分割包括：

将所述待检测图像输入到经训练的图像分割网络模型中；

所述将所述待检测图像输入到经训练的图像分割网络模型中之前还包括：

获取待检测图像集，所述待检测图像及包括未经分割的待检测图像、经分割的待检测图像；

将所述待检测图像集分类为待检测图像训练集、待检测图像验证集以及待检测图像测试集；

基于所述待检测图像训练集、待检测图像验证集以及待检测图像测试集对为训练的图像分割网络模型进行训练，得到经训练的图像分割网络模型

7.如1的裸土检测方法，获取待检测图像包括：

获取初始图像集，所述初始图像集包括待检测区域的采集图像集；

对所述初始图像集进行图像拼接处理，得到所述待检测图像。

8.如1的裸土检测方法，得到修正后的初步图像分割结果之后还包括：

基于所述修正后的初步图像分割结果中的毡布图像的像素点总数以及裸土像素点总数计算毡布覆盖率；

若所述毡布覆盖率低于预设预设毡布覆盖率阈值，则报警提示。

9.一种裸土检测装置，装置应用于如1-8任一项的裸土检测方法，装置包括：

待检测图像获取模块，用于获取待检测图像，所述待检测图像包括待检测区域的采集图像

初步图像分割模块，用于对所述待检测图像进行初步图像分割，得到初步图像分割结果，所述初步图像分割结果包括背景区域图像、裸土区域图像以及毡布图像；

分割结果修正模块，用于将所述初步图像分割结果输入到经训练的分割结果修正模型中，得到修正后的初步图像分割结果，所述修正后的初步图像分割结果包括裸土检测结果。

10.一种计算机设备，包括：存储器、处理器，存储器中存储有可在处理器上运行的计算机程序，处理器执行计算机程序时，实现1至8任一项的方法的步骤。

11.一种计算机可读存储介质，存储介质上存储有计算机程序，该计算机程序被处理器执行时，实现1至8中任一项方法的步骤。

以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。