En fábricas que fabrican barras redondas, se requiere un conteo preciso del número de barras antes del envío. El conteo manual consume tiempo y mano de obra, y cuanto mayor es el número de barras, menos preciso es el conteo. Por lo tanto, automatizamos el proceso de conteo utilizando segmentación semántica. El método introduce una idea novedosa para reducir el esfuerzo de anotar las imágenes de entrenamiento y generar la verdad de terreno. Específicamente, se anotan manualmente puntos en cada cara final de una barra redonda, y la verdad de terreno se genera automáticamente a partir de los puntos. El modelo de segmentación fue entrenado utilizando la verdad de terreno generada para extraer cada cara final de la imagen objetivo. Las barras redondas fueron contadas aplicando etiquetado después de eliminar el ruido de sal y pimienta. Para confirmar la efectividad de nuestro método, se creó un conjunto de datos de imágenes. En los experimentos, se comparó el rendimiento de DeepLabV3+ y Unet++ con características en conflicto. Los resultados mostraron que Unet++, que considera la información local, tuvo un mejor rendimiento.
Sato et al. (Jue,) estudiaron esta cuestión.