CN113808140B - 一种间隙区域感知的铝硅合金显微图像分割方法 - Google Patents
一种间隙区域感知的铝硅合金显微图像分割方法 Download PDFInfo
- Publication number
- CN113808140B CN113808140B CN202111118860.1A CN202111118860A CN113808140B CN 113808140 B CN113808140 B CN 113808140B CN 202111118860 A CN202111118860 A CN 202111118860A CN 113808140 B CN113808140 B CN 113808140B
- Authority
- CN
- China
- Prior art keywords
- image
- aluminum
- silicon alloy
- microscopic image
- gap region
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 229910000676 Si alloy Inorganic materials 0.000 title claims abstract description 49
- CSDREXVUYHZDNP-UHFFFAOYSA-N alumanylidynesilicon Chemical compound [Al].[Si] CSDREXVUYHZDNP-UHFFFAOYSA-N 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000008447 perception Effects 0.000 title claims abstract description 16
- 238000003709 image segmentation Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 238000012795 verification Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 239000013078 crystal Substances 0.000 claims description 11
- 239000011856 silicon-based particle Substances 0.000 claims description 10
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 8
- 229910052710 silicon Inorganic materials 0.000 claims description 8
- 239000010703 silicon Substances 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 230000010339 dilation Effects 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000005070 sampling Methods 0.000 description 7
- 229910045601 alloy Inorganic materials 0.000 description 2
- 239000000956 alloy Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005496 eutectics Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种间隙区域感知的铝硅合金显微图像分割方法，属于图像分割技术。本发明包括获取铝硅合金显微图像数据集；将数据集划分为训练集、验证集和测试集；构建多尺度膨胀残差网络，对训练集中的样本应用随机缩放、随机旋转、水平翻转、垂直翻转、随机剪裁等数据增强方法，将增强后的样本数据输入MSDR‑Net网络进行训练，通过间隙区域感知交叉熵损失函数计算得到分割结果与标签之间的损失，并利用随机梯度下降算法优化参数；取训练过程中验证损失最小的模型作为最终分割模型；将铝硅合金显微图像输入最终分割模型，输出分割结果；本发明能够提高铝硅合金显微图像的分割准确率，并能够显著改进图像中相邻对象的分割效果，减少对象粘连现象。
Description
技术领域
本发明涉及一种间隙区域感知的铝硅合金显微图像分割方法，属于图像分割技术。
背景技术
铝硅合金具有热膨胀系数低、耐磨性好等特点，广泛应用于汽车、电气和航空航天等行业，具有重要的研究价值。铝硅合金中含有块状的初晶硅和针状的共晶硅，其中初晶硅是影响铝硅合金性能的关键相组织。铝硅合金显微图像反映了合金中初晶硅的分布、形状等特征，对合金性能的研究有着重要的参考价值。传统上，研究人员采用手工标注的方式对图像中的初晶硅进行分割，进而使用特定的软件工具对其进行定量分析，这种方式耗时、费力，且得出的结果会受到主观因素的影响。因此，为了加速新材料的研发，避免材料分析过程中主观因素的干扰，研究能够自动分割铝硅合金显微图像的计算机算法具有重要的意义。
发明内容
本发明要解决的技术问题是提供一种间隙区域感知的铝硅合金显微图像分割方法，能够对铝硅合金显微图像进行分割，便于后续对其进行定量分析。
本发明的技术方案是：一种间隙区域感知的铝硅合金显微图像分割方法，具体步骤为：
Step1：获取铝硅合金显微图像数据集。
Step2：将铝硅合金显微图像数据集划分为训练集、验证集和测试集。
Step3：对训练集中的图像应用随机缩放、随机旋转、水平翻转、垂直翻转、随机剪裁进行数据增强，将增强得到的样本数据输入多尺度膨胀残差网络(Multi-Scale DilatedResidual Network,MSDR-Net)中训练，并使用间隙区域感知交叉熵(Gap Region AwareCross Entropy,GRACE)损失函数计算分割结果与标签之间的损失，通过随机梯度下降算法优化参数，取训练过程中验证损失最小的模型作为最终的分割模型；
所述多尺度膨胀残差网络可表示为MSDR-Net网络。
Step4：将铝硅合金显微图像输入训练得到的MSDR-Net网络中，输出分割结果。
所述Step1，铝硅合金显微图像数据集从铝硅合金相关文献中提取，提取的铝硅合金显微图像数据集通过cvat工具进行标注。
所述Step2中，将铝硅合金显微图像数据集按照70％、10％、20％的比例随机划分为训练集、验证集和测试集，其中，训练集占70％，验证集占10％，测试集占20％。
所述数据增强具体为：
对图像进行随机旋转，旋转角度范围为(-90°～90°)，旋转概率为0.5。
对图像进行随机尺度缩放，缩放范围为(0.5～1.5倍)，缩放概率为0.5。
对图像进行随机剪裁，剪裁区域尺寸为257×257，剪裁概率为1.0，以统一输入图像的尺寸。
对图像进行水平翻转，翻转概率为0.5。
对图像进行垂直翻转，翻转概率为0.5。
对图像进行转置操作，转置概率为0.5。
对图像添加高斯噪声或乘性噪声，概率为0.5。
对图像应用中值模糊或运动模糊，概率为0.5。
对图像应用光学畸变，概率为0.5。
随机修改图像的亮度、对比度，或是应用锐化、直方图均衡化方法，概率为0.5。
所有的增强操作均指定了一个概率值0.5，用于控制操作发生的概率。
Step3中所述的MSDR-Net网络由编码器结构和解码器结构组成；
所述编码器结构采用了改进的ResNet-18，改进内容为：丢弃了全连接层和平均池化层，取消了最后的两次下采样，在最后两个阶段的卷积块中使用了膨胀卷积，倒数第二个阶段使用膨胀率2，最后一个阶段使用膨胀率4，以在不丢失特征图信息的情况下获取大尺度的感受野，此外，在输入图像后增加了一个3×3卷积层，以产生高分辨率的特征图，提取高分辨率特征。编码器结构的作用是从输入图像中提取高级特征；
所述解码器结构由上采样、特征图拼接和卷积层组成；用于将特征恢复到原图分辨率，并预测最终的分割结果。上采样负责将低分辨率的特征图恢复到与图像相同的分辨率，特征拼接将编码器结构产生的高分辨率特征图和解码器结构中上采样得到的特征图融合，以保留下采样时丢失的信息，同时融合多尺度特征。卷积层对特征进一步学习。
所述Step3中，使用间隙区域感知交叉熵损失函数时，需要获取图像中相邻初晶硅颗粒之间的间隙区域，这些间隙区域通过间隙区域生成算法获取，所述间隙区域生成算法的具体步骤为：
首先，从标签中选取出每一个初晶硅颗粒对象得到对象图Oi，i∈{1,…,nO}表示图像中的第i个初晶硅颗粒，nO表示标签中初晶硅颗粒的数量。然后对每一张对象图运用形态学膨胀运算得到膨胀的对象图Bi＝dilate(Oi)，再通过在每两张膨胀对象图Bi和Bj之间计算交集获取到对象间的间隙区域Aij＝Bi∩Bj，dilate(·)表示形态学膨胀运算，j∈{2,…,nO}表示图像中的第j个对象。在迭代过程中，通过求并运算M←M∪Aij将每一次生成的间隙区域Aij合并到间隙区域图M中。最终，通过合并所有的间隙区域，将得到完整的间隙区域图。
所述Step3中，间隙区域感知交叉熵损失函数的定义依赖于交叉熵(CrossEntropy,CE)损失函数，交叉熵损失函数为：
其中，LCE(xl)表示像素xl的交叉熵损失，l表示图像中像素的位置，表示像素xl在类别k上的标签值，/>表示模型将像素xl预测为类别k的概率值，N表示类别数。
基于交叉熵损失函数，对间隙区域附加额外权重，得到间隙区域感知交叉熵损失函数，具体为：
其中，LGRACE(xl)表示像素xl的间隙区域感知交叉熵损失，w表示附加权重，表示像素xl是否出现在间隙区域。
本发明的有益效果是：
建立了一种新的多尺度膨胀残差网络MSDR-Net,该网络去除了编码器结构中最后的两次下采样，使用膨胀卷积获取大尺度的感受野，以减少特征图信息的丢失。此外，在输入图像后添加了一层3×3卷积层用于获取高分辨率特征图，编码器结构中产生的不同分辨率的特征图会被逐渐融合到解码器结构中，以保留下采样丢失的信息，同时融合多尺度特征，改进了铝硅合金显微图像的分割效果。
使用间隙区域生成算法获取相邻初晶硅颗粒之间的间隙区域，并在训练时对这些区域的损失附加额外的权重，放大了间隙区域的损失，大的损失能够使训练时传播的梯度更大，从而促进相关区域的特征学习。通过更好地学习间隙区域的特征，模型能够更好地分离相邻的初晶硅颗粒。
附图说明
图1是本发明的工作流程示意图；
图2是本发明的MSDR-Net网络结构图；
图3是本发明实施例中的间隙区域生成算法的整体流程示意图；
图4是本发明实施例与现有方法的分割结果对比图。
具体实施方式
下面结合附图和具体实施方式，对本发明作进一步说明。
实施例1：如图1-3所示，一种间隙区域感知的铝硅合金显微图像分割方法，包括数据集获取、数据集划分、MSDR-Net网络训练和铝硅合金显微图像分割。
具体步骤为：
Step1：获取铝硅合金显微图像数据集；
本实施例所述铝硅合金显微图像数据集的构建步骤为：从铝硅合金相关文献中获取铝硅合金显微图像，使用cvat工具对图像进行标注，构建铝硅合金显微图像数据集。
Step2：将铝硅合金显微图像数据集划分为训练集、验证集和测试集；
本实施例所述数据集划分方式为：将铝硅合金显微图像数据集按照70％、10％、20％的比例随机划分为训练集、验证集和测试集，其中，训练集占70％，验证集占10％，测试集占20％。
Step3：对训练集中的图像应用随机缩放、随机旋转、水平翻转、垂直翻转、随机剪裁进行数据增强，将增强得到的样本数据输入多尺度膨胀残差网络中训练，并使用间隙区域感知交叉熵损失函数计算分割结果与标签之间的损失，通过随机梯度下降算法优化参数，取训练过程中验证损失最小的模型作为最终的分割模型。
本实施例所述数据增强操作的步骤为：
对图像进行随机旋转，旋转角度范围为(-90°～90°)，旋转概率为0.5。
对图像进行随机尺度缩放，缩放范围为(0.5～1.5倍)，缩放概率为0.5。
对图像进行随机剪裁，剪裁区域尺寸为257×257，剪裁概率为1.0，以统一输入图像的尺寸。
对图像进行水平翻转，翻转概率为0.5。
对图像进行垂直翻转，翻转概率为0.5。
对图像进行转置操作，转置概率为0.5。
对图像添加高斯噪声或乘性噪声，概率为0.5。
对图像应用中值模糊或运动模糊，概率为0.5。
对图像应用光学畸变，概率为0.5。
随机修改图像的亮度、对比度，或是应用锐化、直方图均衡化方法，概率为0.5。
所有的增强操作均指定了一个概率值0.5，用于控制操作发生的概率。
本实施例所述MSDR-Net网络由编码器结构和解码器结构构成，编码器结构采用了改进的ResNet-18，改进内容为：丢弃了全连接层和平均池化层，取消了最后的两次下采样，在最后两个阶段的卷积块中使用了膨胀卷积，倒数第二个阶段使用膨胀率2，最后一个阶段使用膨胀率4，以在不丢失特征图信息的情况下获取大尺度的感受野，此外，在输入图像后增加了一个3×3卷积层，以产生高分辨率的特征图。解码器结构由上采样、特征拼接操作和卷积层组成，上采样负责将低分辨率的特征图恢复到与图像相同的分辨率，特征拼接将编码器结构产生的高分辨率特征图和解码器结构中上采样得到的特征图融合，以保留下采样时丢失的信息，同时融合多尺度特征。卷积层对特征进一步学习。MSDR-Net网络的结构如图2所示。
本实施例所述间隙区域感知交叉熵损失函数计算时，需要获取图像中相邻初晶硅颗粒之间的间隙区域，这些区域通过间隙区域生成算法获取，间隙区域生成算法的具体步骤为：
Step3.1：将标签中的每个初晶硅对象取出，得到对象图集合
Step3.2：遍历对象图集合，对每张对象图Oi应用形态学膨胀操作，得到膨胀的对象图集合
Step3.3：初始化间隙区域图M，M的尺寸和输入图像相同，所有像素值初始化为0；
Step3.4：遍历膨胀对象图集合，在每两张膨胀的对象图Bi和Bj间计算交集，得到对应的间隙区域Aij＝Bi∩Bj，并通过求并运算M←M∪Aij将间隙区域Aij合并到间隙区域图M中；
Step3.5：得到完整的间隙区域图M。
本实施例所述间隙区域感知交叉熵损失函数的定义依赖于交叉熵(CrossEntropy,CE)损失函数，交叉熵损失函数为：
其中，LCE(xl)表示像素xl的交叉熵损失，l表示图像中像素的位置，表示像素xl在类别k上的标签值，/>表示模型将像素xl预测为类别k的概率值，N表示类别数。
基于交叉熵损失函数，对间隙区域附加额外权重，得到间隙区域感知交叉熵损失函数，具体为：
其中，LGRACE(xl)表示像素xl的间隙区域感知交叉熵损失，w表示附加权重，表示像素xl是否出现在间隙区域。
Step4：将铝硅合金显微图像输入训练得到的MSDR-Net网络中，输出分割结果。
如上所述为本发明对铝硅合金显微图像进行分割的实施方式介绍，本发明通过从铝硅合金相关文献中收集铝硅合金显微图像，使用cvat工具进行标注，并划分数据集用于训练MSDR-Net网络，在训练过程中，通过间隙区域感知交叉熵损失函数加强对相邻初晶硅颗粒间间隙区域的监督，最后在得到的最优模型上对铝硅合金显微图像进行分割；与传统的手工分割方法相比，本方法能够实现对铝硅合金显微图像的自动分割；与现有自动分割方法相比，本方法的分割准确率更高，且能够更好地分离铝硅合金显微图像中相邻的初晶硅颗粒，本方法与现有方法的分割结果对比如图4所示。
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (6)
1.一种间隙区域感知的铝硅合金显微图像分割方法，其特征在于：
Step1：获取铝硅合金显微图像数据集；
Step2：将铝硅合金显微图像数据集划分为训练集、验证集和测试集；
Step3：对训练集中的图像进行数据增强，将增强得到的样本数据输入多尺度膨胀残差网络中训练，并使用间隙区域感知交叉熵损失函数计算分割结果与标签之间的损失，通过随机梯度下降算法优化参数，取训练过程中验证损失最小的模型作为最终的分割模型；
所述多尺度膨胀残差网络可表示为MSDR-Net网络；
Step4：将铝硅合金显微图像输入训练得到的MSDR-Net网络中，输出分割结果；
所述Step3中，使用间隙区域感知交叉熵损失函数时，需要获取图像中相邻初晶硅颗粒之间的间隙区域，这些间隙区域通过间隙区域生成算法获取，所述间隙区域生成算法的具体步骤为：
Step3.1：将标签中的每个初晶硅对象取出，得到对象图集合
Step3.2：遍历对象图集合，对每张对象图Oi应用形态学膨胀操作，得到膨胀的对象图集合
Step3.3：初始化间隙区域图M，M的尺寸和输入图像相同，所有像素值初始化为0；
Step3.4：遍历膨胀对象图集合，在每两张膨胀的对象图Bi和Bj间计算交集，得到对应的间隙区域Aij＝Bi∩Bj，并通过求并运算M←M∪Aij将间隙区域Aij合并到间隙区域图M中；
Step3.5：得到完整的间隙区域图M；
Step3中间隙区域感知交叉熵损失函数的定义依赖于交叉熵损失函数，交叉熵损失函数为：
其中，LCE(xl)表示像素xl的交叉熵损失，l表示图像中像素的位置，表示像素xl在类别k上的标签值，/>表示模型将像素xl预测为类别k的概率值，N表示类别数；
基于交叉熵损失函数，对间隙区域附加额外权重，得到间隙区域感知交叉熵损失函数，具体为：
其中，LGRACE(xl)表示像素xl的间隙区域感知交叉熵损失，w表示附加权重，表示像素xl是否出现在间隙区域。
2.根据权利要求1所述的间隙区域感知的铝硅合金显微图像分割方法，其特征在于：所述Step1获取的铝硅合金显微图像数据集通过cvat工具进行标注。
3.根据权利要求1所述的间隙区域感知的铝硅合金显微图像分割方法，其特征在于：所述Step2中，将铝硅合金显微图像数据集按照70％、10％、20％的比例随机划分为训练集、验证集和测试集，其中，训练集占70％，验证集占10％，测试集占20％。
4.根据权利要求1所述的间隙区域感知的铝硅合金显微图像分割方法，其特征在于：所述Step3中，数据增强包括随机缩放、随机旋转、水平翻转、垂直翻转、随机剪裁。
5.根据权利要求4所述的间隙区域感知的铝硅合金显微图像分割方法，其特征在于所述数据增强具体为：
对图像进行随机旋转，旋转角度范围为(-90°～90°)，旋转概率为0.5；
对图像进行随机尺度缩放，缩放范围为(0.5～1.5倍)，缩放概率为0.5；
对图像进行随机剪裁，剪裁区域尺寸为257×257，剪裁概率为1.0；
对图像进行水平翻转，翻转概率为0.5；
对图像进行垂直翻转，翻转概率为0.5；
对图像进行转置操作，转置概率为0.5；
对图像添加高斯噪声或乘性噪声，概率为0.5；
对图像应用中值模糊或运动模糊，概率为0.5；
对图像应用光学畸变，概率为0.5；
随机修改图像的亮度、对比度，或是应用锐化、直方图均衡化方法，概率为0.5。
6.根据权利要求1所述的间隙区域感知的铝硅合金显微图像分割方法，其特征在于：Step3中所述的MSDR-Net网络由编码器结构和解码器结构组成；
所述编码器结构使用残差网络ResNet18，并丢弃了其中的平均池化层和全连接层，去除了最后的两次下采样，在最后两个卷积阶段中使用了膨胀卷积，并在输入图像后增加了一个额外的3×3卷积层；
所述解码器结构由上采样、特征图拼接和卷积层组成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111118860.1A CN113808140B (zh) | 2021-09-24 | 2021-09-24 | 一种间隙区域感知的铝硅合金显微图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111118860.1A CN113808140B (zh) | 2021-09-24 | 2021-09-24 | 一种间隙区域感知的铝硅合金显微图像分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113808140A CN113808140A (zh) | 2021-12-17 |
| CN113808140B true CN113808140B (zh) | 2024-04-09 |
Family
ID=78896547
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111118860.1A Active CN113808140B (zh) | 2021-09-24 | 2021-09-24 | 一种间隙区域感知的铝硅合金显微图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113808140B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117079142B (zh) * | 2023-10-13 | 2024-01-26 | 昆明理工大学 | 无人机自动巡检的反注意生成对抗道路中心线提取方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018015414A1 (en) * | 2016-07-21 | 2018-01-25 | Siemens Healthcare Gmbh | Method and system for artificial intelligence based medical image segmentation |
| CN109949276A (zh) * | 2019-02-28 | 2019-06-28 | 华中科技大学 | 一种于改进SegNet分割网络的淋巴结检测方法 |
| KR102167808B1 (ko) * | 2020-03-31 | 2020-10-20 | 한밭대학교 산학협력단 | Ar에 적용 가능한 의미적인 분할 방법 및 시스템 |
| CN112183258A (zh) * | 2020-09-16 | 2021-01-05 | 太原理工大学 | 一种基于上下文信息和注意力机制的遥感图像道路分割方法 |
-
2021
- 2021-09-24 CN CN202111118860.1A patent/CN113808140B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018015414A1 (en) * | 2016-07-21 | 2018-01-25 | Siemens Healthcare Gmbh | Method and system for artificial intelligence based medical image segmentation |
| CN109949276A (zh) * | 2019-02-28 | 2019-06-28 | 华中科技大学 | 一种于改进SegNet分割网络的淋巴结检测方法 |
| KR102167808B1 (ko) * | 2020-03-31 | 2020-10-20 | 한밭대학교 산학협력단 | Ar에 적용 가능한 의미적인 분할 방법 및 시스템 |
| CN112183258A (zh) * | 2020-09-16 | 2021-01-05 | 太原理工大学 | 一种基于上下文信息和注意力机制的遥感图像道路分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于U-Net卷积神经网络的年轮图像分割算法;宁霄;赵鹏;;生态学杂志(第05期);全文 * |
| 融合注意力机制的金属缺陷图像分割方法;赵鹤;光电子.激光;第第32卷卷(第第4期期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113808140A (zh) | 2021-12-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110738697B (zh) | 基于深度学习的单目深度估计方法 | |
| WO2023077816A1 (zh) | 边界优化的遥感图像语义分割方法、装置、设备及介质 | |
| CN108038409B (zh) | 一种行人检测方法 | |
| CN111222474B (zh) | 一种任意尺度的高分辨率图像小目标检测方法 | |
| CN111028217A (zh) | 一种基于全卷积神经网络的图像裂缝分割方法 | |
| CN111126359A (zh) | 基于自编码器与yolo算法的高清图像小目标检测方法 | |
| CN114581388A (zh) | 接触网零部件缺陷检测方法及装置 | |
| CN114048822A (zh) | 一种图像的注意力机制特征融合分割方法 | |
| CN115496746A (zh) | 基于图像和点云数据融合的板材表面缺陷检测方法和系统 | |
| CN110781850A (zh) | 道路识别的语义分割系统和方法、计算机存储介质 | |
| CN111986170A (zh) | 一种基于深度神经网络Mask R-CNN的缺陷检测算法 | |
| CN116645592B (zh) | 一种基于图像处理的裂缝检测方法和存储介质 | |
| CN113808140B (zh) | 一种间隙区域感知的铝硅合金显微图像分割方法 | |
| Li et al. | Pixel‐Level Recognition of Pavement Distresses Based on U‐Net | |
| CN114049313A (zh) | 一种基于改进YOLOv4的锂电池缺陷检测方法 | |
| CN114549834A (zh) | 一种半监督混合训练语义分割方法及系统 | |
| CN116030396A (zh) | 一种用于视频结构化提取的精确分割方法 | |
| CN115527096A (zh) | 一种基于改进YOLOv5的小目标检测方法 | |
| CN115294541A (zh) | 一种局部特征增强Transformer道路裂缝检测方法 | |
| CN113421210B (zh) | 一种基于双目立体视觉的表面点云重建方法 | |
| Shit et al. | An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection | |
| CN112785610B (zh) | 一种融合低层特征的车道线语义分割方法 | |
| CN112164087B (zh) | 基于边缘约束和分割边界搜索的超像素分割方法及装置 | |
| CN114037720A (zh) | 基于半监督学习的病理图像分割与分类的方法及装置 | |
| CN116486393A (zh) | 一种基于图像分割的场景文本检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |