一种基于Mask R-CNN网络的砾石参数获取方法、装置、设备及
存储介质
技术领域
[0001] 本
发明属于地质调查勘探技术领域和
人工智能技术领域，具体地涉及一种基于Mask R-CNN网络的砾石参数获取方法、装置、设备及存储介质。
背景技术
[0002] 砾石形态及分布组成研究对于揭示沉积环境、古环境演变、古
水体流向有着至关重要的作用，其主要研究内容包括对砾石形状(圆度)、排列、分布等进行研究。形状是所有物体包括砾石的基本属性，通过对砾石形状与磨蚀程度的变化的研究，可使搬运距离、水流动
力特征等有关的地理(地质)假设能够被表达出来，但由于地质作用是一个渐变的过程，砾石形态千变万化，它仍然是物体最难描述和量化的性质之一。不管是砾石形状，还是砾石分布，都依赖于参数计算，以具体数字来体现，如描述形状的圆度参数，依靠
曲率半径、短轴、长轴等进行计算，砾石分布也依赖砾石之间的具体距离来描述。
[0003] 在野外工作中，传统的数学概念并不便于操作，而且需要大规模进行砾石识别，需要耗费大量的人力物力。从目前国内外对砾石研究的现状来看，大面积的砾石识别计算，多采用遥感影像、数字图像来进行参数反演，对于小面积砾石识别，大多数采用AutoCAD和PS等
软件来进行人工绘制标注，这种传统的砾石识别方式存在着效率低和结果可靠性不高等问题，使得砾石相关参数难以快速和准确地获取。
发明内容
[0004] 为了解决现有砾石识别方式因存在效率低和结果可靠性不高，进而导致砾石相关参数难以快速和准确地获取的问题，本发明目的在于提供一种基于Mask R-CNN网络的砾石参数获取方法、装置、设备及存储介质。
[0005] 本发明所采用的技术方案为：
[0006] 一种基于Mask R-CNN网络的砾石参数获取方法，包括如下步骤：
[0007] S101.将若干份砾石照片样本导入Mask R-CNN网络模型进行训练，得到图像轮廓提取模型，其中，在所述砾石照片样本中预先标注有参照物个体图像和砾石个体图像；
[0008] S102.将包含有参照物个体图像的待测砾石照片导入所述图像轮廓提取模型，得到提取的参照物个体轮廓和砾石个体轮廓；
[0009] S103.获取对应所述参照物个体轮廓的参照物个体尺寸参数；
[0010] S104.针对提取的各个砾石个体轮廓，根据所述参照物个体轮廓及所述参照物个体尺寸参数，计算得到对应的砾石个体基本参数，其中，所述砾石个体基本参数包含有边
角数、对应各个边角的内切圆曲率、短轴值、长轴值、外切矩形宽度、外切矩形长度和/或砾石面积。
[0011] 优化的，在所述步骤S104之后，还包括有如下步骤：
[0012] S105.根据在所述待测砾石照片中各个砾石个体基本参数，计算得到砾石磨圆度、砾石扁度、砾石分选系数和/或砾石分布均匀度；
[0013] S106.根据参数计算结果生成对应所述待测砾石照片的砾石参数图表文件。
[0014] 进一步优化的，在所述步骤S105中，按照如下公式计算对应单个砾石个体轮廓的砾石磨圆度RW：
[0015]
[0016] 式中，n为边角的个数，i为介于1～n之间的自然数，ri为对应第i个边角的内切圆曲率，R是在n个边角中的最大内切圆曲率。
[0017] 进一步优化的，在所述步骤S105中，按照如下公式计算对应单个砾石个体轮廓的砾石扁度FLD：
[0018]
[0019] 式中，AXS为砾石个体轮廓的短轴值，AXL为砾石个体轮廓的长轴值；或者，AXS为砾石个体轮廓的外切矩形宽度，AXL为砾石个体轮廓的外切矩形长度。
[0020] 进一步优化的，在所述步骤S105中，按照如下公式计算砾石分选系数S：
[0021]
[0022] 式中，N为在所述待测砾石照片中砾石个体轮廓的总数，j为介于1～N之间的自然数，dj为对应第j个砾石个体轮廓的砾径，sj为对应第j个砾石个体轮廓的砾石面积，为在所述待测砾石照片中所有砾石个体轮廓的砾径平均值。
[0023] 进一步优化的，在所述步骤S105中，按照如下方式得到砾石分布均匀度：
[0024] S501.采用网格法将所述待测砾石照片分割成m2个等面积的单元格，其中，m为介于2～4之间的自然数；
[0025] S502.针对各个单元格，统计被对应砾石个体轮廓所占据的砾石总面积，并按照如下公式计算得到对应的单元格砾径：
[0026]
[0027] 式中，Dk表示对应第k个单元格的单元格砾径，Sk表示对应第k个单元格的砾石总面积；
[0028] S503.统计得到所有单元格的单元格砾径标准差，将该单元格砾径标准差作为砾石分布均匀度。
[0029] 本发明所采用的另一种技术方案为：
[0030] 一种基于Mask R-CNN网络的砾石参数获取装置，包括模型训练单元、轮廓提取单元、参照参数获取单元和基本参数计算单元；
[0031] 所述模型训练单元，用于将若干份砾石照片样本导入Mask R-CNN网络模型进行训练，得到图像轮廓提取模型，其中，在所述砾石照片样本中预先标注有参照物个体图像和砾石个体图像；
[0032] 所述轮廓提取单元，通信连接所述模型训练单元，用于将包含有参照物个体图像的待测砾石照片导入所述图像轮廓提取模型，得到提取的参照物个体轮廓和砾石个体轮廓；
[0033] 所述参照参数获取单元，用于获取对应所述参照物个体轮廓的参照物个体尺寸参数；
[0034] 所述基本参数计算单元，分别通信连接所述轮廓提取单元和所述参照参数获取单元，用于针对提取的各个砾石个体轮廓，根据所述参照物个体轮廓及所述参照物个体尺寸参数，计算得到对应的砾石个体基本参数，其中，所述砾石个体基本参数包含有边角数、对应各个边角的内切圆曲率、短轴值、长轴值、外切矩形宽度、外切矩形长度和/或砾石面积。
[0035] 优化的，还包括有地质参数计算单元和图表文件生成单元；
[0036] 所述地质参数计算单元，通信连接所述基本参数计算单元，用于根据在所述待测砾石照片中各个砾石个体基本参数，计算得到砾石磨圆度、砾石扁度、砾石分选系数和/或砾石分布均匀度；
[0037] 所述图表文件生成单元，通信连接所述地质参数计算单元/和所述基本参数计算单元，用于根据参数计算结果生成对应所述待测砾石照片的砾石参数图表文件。
[0038] 本发明所采用的另一种技术方案为：
[0039] 一种基于Mask R-CNN网络的砾石参数获取设备，包括通信相连的
存储器和处理器，其中，所述存储器用于存储
计算机程序，所述处理器用于执行所述计算机程序实现如前所述基于Mask R-CNN网络的砾石参数获取方法步骤。
[0040] 本发明所采用的另一种技术方案为：
[0041] 一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前所述基于Mask R-CNN网络的砾石参数获取方法步骤。
[0042] 本发明的有益效果为：
[0043] (1)本发明创造提供了一种可快速有效和高精准度地基于
深度学习技术进行砾石图像智能识别及其参数计算的方法，即前期在建立大量的砾石照片样本库的
基础之上，通过基于Mask R-CNN网络的深度学习和样本训练，可得到能够智能识别砾石图像的图像轮廓提取模型，然后在后期直接拍照上传，通过该图像轮廓提取模型即可针对砾石进行人工智能识别，并根据参照物个体尺寸参数进行砾石参数计算，提取出砾石图像中砾石的尺度信息，大大节省人力物力，并确保对单个砾石的参数进行无偏差运算，提高了数据的精确度；
[0044] (2)还可以进一步计算待测照片上所有的砾石分布程度以及砾石分选系数等，更利于后期的地质分析，为后续
砾石层、沉积环境、古河道流向等大环境演变提供技术及数据
支撑，便于实际应用和推广；
[0045] (3)该方法非常适合需要大规模计算砾石参数信息来进行的各种科学研究，如古河道、古环境演变、城市地下空间利用等研究，相对于传统的人工或半自动计算砾石参数，此方法大大提高了后期的处理时间，更具有可靠性、有效性和科学性。
附图说明
[0046] 为了更清楚地说明本发明
实施例或
现有技术中的技术方案，下面将对实施例或现有技术描述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发明的一些实施例，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他的附图。
[0047] 图1是本发明提供的基于Mask R-CNN网络的砾石参数获取方法的流程示意图。
[0048] 图2是本发明提供的Mask R-CNN网络的工作原理示意图。
[0049] 图3是本发明提供的Faster R-CNN网络的工作原理示意图。
[0050] 图4是本发明提供的野外采集砾石照片的示例图。
[0051] 图5是本发明提供的利用Mask R-CNN网络模型提取的砾石轮廓示例图。
[0052] 图6是本发明提供的基于Mask R-CNN网络的砾石参数获取装置的结构示意图。
[0053] 图7是本发明提供的基于Mask R-CNN网络的砾石参数获取设备的结构示意图。
具体实施方式
[0054] 下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。
[0055] 应当理解，尽管本文可能使用术语第一、第二等等来描述各种单元，但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元，同时不脱离本发明的示例实施例的范围。
[0056] 应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B三种情况；对于本文中可能出现的术语“/和”，其是描述另一种关联对象关系，表示可以存在两种关系，例如，A/和B，可以表示：单独存在A，单独存在A和B两种情况；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。
[0057] 应当理解，在本文中若将单元称作与另一个单元“连接”、“相连”或“耦合”时，它可以与另一个单元直相连接或耦合，或中间单元可以存在。相対地，在本文中若将单元称作与另一个单元“直接相连”或“直接耦合”时，表示不存在中间单元。另外，应当以类似方式来解释用于描述单元之间的关系的其他单词(例如，“在……之间”对“直接在……之间”“, 相邻”对“直接相邻”等等)。
[0058] 应当理解，本文使用的术语仅用于描述特定实施例，并不意在限制本发明的示例实施例。若本文所使用的，单数形式“一”、“一个”以及“该”意在包括复数形式，除非上下文明确指示相反意思。还应当理解，若术语“包括”、“包括了”、“包含”和/或“包含了”在本文中被使用时,
指定所
声明的特征、整数、步骤、操作、单元和/或组件的存在性,并且不排除一个或多个其他特征、数量、步骤、操作、单元、组件和/或他们的组合存在性或增加。
[0059] 应当理解，还应当注意到在一些备选实施例中，所出现的功能/动作可能与附图出现的顺序不同。例如,取决于所涉及的功能/动作,实际上可以实质上并发地执行,或者有时可以以相反的顺序来执行连续示出的两个图。
[0060] 应当理解，在下面的描述中提供了特定的细节,以便于对示例实施例的完全理解。然而,本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。
例如可以在
框图中示出系统，以避免用不必要的细节来使得示例不清楚。在其他实例中，可以不以不必要的细节来示出众所周知的过程、结构和技术，以避免使得示例实施例不清楚。
[0061] 实施例一
[0062] 如图1～5所示，本实施例提供的所述基于Mask R-CNN网络的砾石参数获取方法，可以但不限于包括如下步骤S101～S104。
[0063] S101.将若干份砾石照片样本导入Mask R-CNN网络模型进行训练，得到图像轮廓提取模型，其中，在所述砾石照片样本中预先标注有参照物个体图像和砾石个体图像。
[0064] 在所述步骤S101之前，需要获取按照特定拍摄规则(在制定砾石照片的拍摄规则时，应尽可能地考虑到不同地区的砾石样本，如河漫滩砾石图像样本、山间砾石图像样本、洪积扇砾石图像样本，以此来提高样本的多样性；还应该考虑拍摄角度问题，在拍摄时，应与砾石程垂直角度，砾石旁边还应摆放具有固定大小、形状和
颜色的参照物，这样产生的图像不易
变形，更加可靠；还应考虑单张图像中的砾石数量，可根据砾石实际情况进行调整，不易过多)得到的砾石照片，以便作为合格的样本。由于在
数据采集阶段加入了具有固定大小、形状和颜色(用于方便模型识别)的对照物体(即参照物)，可用来标定砾石的实际大小，确保后续提取的砾石轮廓不仅是定性的结果，也是定量的结果。然后在采集到砾石照片后，对砾石照片进行人工
整理和分析，例如对照片进行编号和筛选，筛选出不合格的砾石照片，并对合格砾石照片进行唯一编号以及标注出参照物个体图像和砾石个体图像，形成野外砾石照片样本库。
[0065] 在所述步骤S101中，所述Mask R-CNN网络模型是基于现有Faster R-CNN网络模型(R-CNN是第一个成功将深度学习应用到目标检测上的
算法，但还是存在着一些问题：①使用selectivesearch产生proposal，操作耗时，且不利于网络的整体训练和测试；②产生的proposal需要经过warp操作再送入后续网络，导致图像的变形和扭曲；③每一个proposal均需要单独进行特征提取，重复计算量大。为改善R-CNN算法，有研究者提出FastR-CNN结构，加入了ROIPooling，使得R-CNN算法得到三点改善： warp操作不再需要，这有效避免了物体的形变扭曲，保证了特征信息的真实性； 不需要对每个proposal都提取特征，采用映射方式从整张图片的featuremap上获取ROIfeature区域； FastR-CNN中则将Classification和regression的任务合二为一，变成一个multi-task的模型，实现了特征的共享与速度的进一步提升。但是FastR-CNN仍未解决selectivesearch生成proposal带来的过程耗时以及存储压力大的问题。后来又有研究者提出FasterR-CNN算法，即提出RegionProposalNetwork，RPN网络共享输入图像的卷积特征，能够快速生成候选区域，计算代价小。也可以将Faster R-CNN理解为RPN+FastR-CNN。)的扩展，在Faster R-CNN网络模型的基础上添加了一个Mask预测分支的现有深度学习网络模型，能够同时进行目标检测和实例分割。
[0066] Mask R-CNN网络结构比较容易实现和训练，速度较快，可以很方便地应用到其它领域，例如图像
姿态估计和人物关键点检测等，并且有很好的效果，其工作原理是：Mask R-CNN是Faster R-CNN和FCN的结合，前者负责物体检测(分类标签+窗口)，后者负责确定目标轮廓，如图2所示；对于每个目标对象，FasterR-CNN都有两个输出，一是分类标签，二是候选窗口；为了分割目标
像素，可以在前两个输出的基础上增加第三个输出——指示对象在窗口中像素
位置的二进制掩模(mask)。和前两个输出不同，这个新输出需要提取更精细的
空间布局；为此，MaskR-CNN在Faster-RCNN上添加一个分支网络：FullyConvolutionNetwor(FCN)，如图3所示；FCN是一种流行的语义分割算法，所谓语义分割，就是机器自动从图像中分割出对象区域，并识别其中的内容。该模型首先通过卷积层和最大
池化层把输入图像压缩到原始大小的1/32，然后在这个细粒度级别进行分类预测。最后，它再用上
采样和deconvolution层把图还原成原始大小。简而言之，可以说Mask R-CNN结合了两个网络——把FasterR-CNN和FCN纳入同一巨型架构。模型的损失函数计算的是分类、生成窗口、生成掩模的总损失。由此可以基于现有的MaskR-CNN网络模型对多份砾石照片样本进行训练，通过在训练过程中对模型参数的调整，即可将训练后的MaskR-CNN网络模型作为所述图像轮廓提取模型。
[0067] S102.将包含有参照物个体图像的待测砾石照片导入所述图像轮廓提取模型，得到提取的参照物个体轮廓和砾石个体轮廓。
[0068] 在所述步骤S102之前，同样需要按照与所述砾石照片样本的特定拍摄规则采集得到所述待测砾石照片，所使用的参照物也为相同的参照物，以便通过所述图像轮廓提取模型识别出参照物个体和砾石个体。如图4所示，在所述待测砾石照片中，规则圆板(具体颜色为红色)即为所述参照物。又如图5所示，利用训练完毕的MaskR-CNN网络模型可提取到砾石个体轮廓。
[0069] S103.获取对应所述参照物个体轮廓的参照物个体尺寸参数。
[0070] 在所述步骤S103之前，所述参照物个体尺寸参数预先绑定存储在存储单元上。
[0071] S104.针对提取的各个砾石个体轮廓，根据所述参照物个体轮廓及所述参照物个体尺寸参数，计算得到对应的砾石个体基本参数，其中，所述砾石个体基本参数可以但不限于包含有边角数、对应各个边角的内切圆曲率、短轴值、长轴值、外切矩形宽度、外切矩形长度和/或砾石面积等。
[0072] 在所述步骤S104中，由于参照物具有固定大小和形状，在获取所述参照物个体尺寸参数后，可以基于所述参照物个体轮廓与砾石个体轮廓的尺寸比对结果，采用常规算法计算得到各个砾石个体轮廓的砾石个体基本参数，从而无需测绘人员参与到砾石参数的测量和计算过程中，只需在后期直接拍照上传，即可针对砾石进行人工智能识别和参数计算，大大节省人力物力，并确保对单个砾石的参数进行无偏差运算，提高了数据的精确度，便于实际应用和推广。
[0073] 为了进一步获取更加详细的砾石参数以及得到相应的数据报告，可在所述步骤S104之后还包括如下步骤S105～S106。
[0074] S105.根据在所述待测砾石照片中各个砾石个体基本参数，可以但不限于计算得到砾石磨圆度、砾石扁度、砾石分选系数和/或砾石分布均匀度等。
[0075] 在所述步骤S105中，所述砾石磨圆度即为砾石角的平均
曲率半径与最大内切圆半径之比，可具体按照如下公式计算对应单个砾石个体轮廓的砾石磨圆度RW：
[0076]
[0077] 式中，n为边角的个数，i为介于1～n之间的自然数，ri为对应第i个边角的内切圆曲率，R是在n个边角中的最大内切圆曲率。
[0078] 在所述步骤S105中，还可具体按照如下公式计算对应单个砾石个体轮廓的砾石扁度FLD：
[0079]
[0080] 式中，AXS为砾石个体轮廓的短轴值，AXL为砾石个体轮廓的长轴值；或者，AXS为砾石个体轮廓的外切矩形宽度，AXL为砾石个体轮廓的外切矩形长度。
[0081] 在所述步骤S105中，所述砾石分选系数指示了砾石大小的分布程度，可具体按照如下公式计算砾石分选系数S：
[0082]
[0083] 式中，N为在所述待测砾石照片中砾石个体轮廓的总数，j为介于1～N之间的自然数，dj为对应第j个砾石个体轮廓的砾径，sj为对应第j个砾石个体轮廓的砾石面积，为在所述待测砾石照片中所有砾石个体轮廓的砾径平均值。
[0084] 在所述步骤S105中，所述砾石分布均匀度主要反映了在所述待测砾石照片中砾石数量差异，可具体按照如下方式得到砾石分布均匀度：S501.采用网格法将所述待测砾石照片分割成m2个等面积的单元格，其中，m为介于2～4之间的自然数；S502.针对各个单元格，统计被对应砾石个体轮廓所占据的砾石总面积，并按照如下公式计算得到对应的单元格砾径：
[0085]
[0086] 式中，Dk表示对应第k个单元格的单元格砾径，Sk表示对应第k个单元格的砾石总面积；S503.统计得到所有单元格的单元格砾径标准差，将该单元格砾径标准差作为砾石分布均匀度。
[0087] S106.根据参数计算结果生成对应所述待测砾石照片的砾石参数图表文件。
[0088] 在所述步骤S106中，所述参数计算结果包含有所述砾石个体基本参数、所述砾石磨圆度、所述砾石扁度、所述砾石分选系数和/或所述砾石分布均匀度等。另外，生成所述砾石参数图表文件的具体细节和过程可参照现有常规方式实现，例如通过计算机程序进行统计和绘图，得到研究者所需要的各种图表文件。由此通过前述步骤S105～S106，还可以进一步计算待测照片上所有的砾石分布程度以及砾石分选系数等，更利于后期的地质分析，为后续砾石层、沉积环境、古河道流向等大环境演变提供技术及数据支撑。
[0089] 综上，采用本实施例所提供的基于Mask R-CNN网络的砾石参数获取方法，具有如下技术效果：
[0090] (1)本实施例提供了一种可快速有效和高精准度地基于深度学习技术进行砾石图像智能识别及其参数计算的方法，即前期在建立大量的砾石照片样本库的基础之上，通过基于Mask R-CNN网络的深度学习和样本训练，可得到能够智能识别砾石图像的图像轮廓提取模型，然后在后期直接拍照上传，通过该图像轮廓提取模型即可针对砾石进行人工智能识别，并根据参照物个体尺寸参数进行砾石参数计算，提取出砾石图像中砾石的尺度信息，大大节省人力物力，并确保对单个砾石的参数进行无偏差运算，提高了数据的精确度；
[0091] (2)还可以进一步计算待测照片上所有的砾石分布程度以及砾石分选系数等，更利于后期的地质分析，为后续砾石层、沉积环境、古河道流向等大环境演变提供技术及数据支撑，便于实际应用和推广；
[0092] (3)该方法非常适合需要大规模计算砾石参数信息来进行的各种科学研究，如古河道、古环境演变、城市地下空间利用等研究，相对于传统的人工或半自动计算砾石参数，此方法大大提高了后期的处理时间，更具有可靠性、有效性和科学性。
[0093] 实施例二
[0094] 如图6所示，本实施例提供了一种实现实施例一所述基于Mask R-CNN网络的砾石参数获取方法的
硬件装置，包括模型训练单元、轮廓提取单元、参照参数获取单元和基本参数计算单元；所述模型训练单元，用于将若干份砾石照片样本导入Mask R-CNN网络模型进行训练，得到图像轮廓提取模型，其中，在所述砾石照片样本中预先标注有参照物个体图像和砾石个体图像；所述轮廓提取单元，通信连接所述模型训练单元，用于将包含有参照物个体图像的待测砾石照片导入所述图像轮廓提取模型，得到提取的参照物个体轮廓和砾石个体轮廓；所述参照参数获取单元，用于获取对应所述参照物个体轮廓的参照物个体尺寸参数；所述基本参数计算单元，分别通信连接所述轮廓提取单元和所述参照参数获取单元，用于针对提取的各个砾石个体轮廓，根据所述参照物个体轮廓及所述参照物个体尺寸参数，计算得到对应的砾石个体基本参数，其中，所述砾石个体基本参数包含有边角数、对应各个边角的内切圆曲率、短轴值、长轴值、外切矩形宽度、外切矩形长度和/或砾石面积。
[0095] 优化的，还包括有地质参数计算单元和图表文件生成单元；所述地质参数计算单元，通信连接所述基本参数计算单元，用于根据在所述待测砾石照片中各个砾石个体基本参数，计算得到砾石磨圆度、砾石扁度、砾石分选系数和/或砾石分布均匀度；所述图表文件生成单元，通信连接所述地质参数计算单元/和所述基本参数计算单元，用于根据参数计算结果生成对应所述待测砾石照片的砾石参数图表文件。
[0096] 本实施例提供的前述装置的工作过程、工作细节和技术效果，可以参见实施例一，于此不再赘述。
[0097] 实施例三
[0098] 如图7所示，本实施例提供了一种实现实施例一所述基于Mask R-CNN网络的砾石参数获取方法的硬件设备，包括通信相连的存储器和处理器，其中，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序实现如实施例一所述基于Mask R-CNN网络的砾石参数获取方法步骤。
[0099] 本实施例提供的前述设备的工作过程、工作细节和技术效果，可以参见实施例一，于此不再赘述。
[0100] 实施例四
[0101] 本实施例提供了一种存储包含实施例一所述基于Mask R-CNN网络的砾石参数获取方法的计算机程序的存储介质，即在所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如实施例一所述基于Mask R-CNN网络的砾石参数获取方法步骤。其中，计算机可以是通用计算机、专用计算机、
计算机网络、或者其他可编程装置，也可以是移动智能设备(如智能手机、PAD或ipad等)。
[0102] 本实施例提供的前述存储介质的工作过程、工作细节和技术效果，可以参见实施例一，于此不再赘述。
[0103] 以上所描述的多个实施例仅仅是示意性的，若涉及到作为分离部件说明的单元，其可以是或者也可以不是物理上分开的；若涉及到作为单元显示的部件，其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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0104] 以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行
修改，或者对其中部分技术特征进行等同替换。而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
[0105] 最后应说明的是，本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以
权利要求书中界定的为准，并且
说明书可以用于解释权利要求书。
