申请/专利权人：重庆邮电大学

申请日：2021-01-22

公开（公告）日：2024-04-09

公开（公告）号：CN112767361B

主分类号：G06T7/00

分类号：G06T7/00;G06T7/10;G06T7/136

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2021.05.25#实质审查的生效;2021.05.07#公开

摘要：本发明涉及铁谱图像分割技术领域，具体涉及一种基于轻量级残差U‑net的反射光铁谱图像分割方法，包括：融合深度残差网络与U‑net，构建轻量级残差U‑net；采集铁谱图像，对采集的铁谱图像进行筛选；采用自动标记方法对反射光铁谱图像进行标记，得到轻量级残差U‑net的训练数据集；用训练数据集训练轻量级残差U‑net，得到训练好的轻量级残差U‑net；用训练好的网络分割任意的反射光铁谱图像。受过训练的网络能够实现反射光铁谱图像的准确分割，同时具备良好的抗干扰性能。本发明解决了在有气泡干扰、光照不均匀情况下反射光铁谱图像分割问题，表面颜色特征复杂的磨粒也能准确分割。

主权项：1.一种基于轻量级残差U-net的反射光铁谱图像分割方法，其特征在于，包括：采集反射光铁谱图像，输入训练好的轻量级残差U-net，网络输出磨粒分割结果；其中，轻量级残差U-net先训练后使用，轻量级残差U-net的训练过程包括：S1、融合深度残差网络与U-net，构建轻量级残差U-net；步骤S1中轻量级残差U-net包括：1轻量级残差U-net包括编码模块-解码模块的网络结构，编码模块和解码模块都有4个子块，编码模块的子块由连续4个卷积层组成，前3个卷积层用于提取图像特征，后1个卷积层用于下采样；解码模块的子块由一个反卷积层和连续3个卷积层组成，反卷积层用于上采样，后3个卷积层用于恢复图像信息；2在网络结构中嵌入批归一化batchnormalization层以防止过拟合，同时使用shortcutconnection以缓解模型退化，加速网络收敛；3网络层通道数量由输入到底层逐步递增，由底层向后逐步递减；最小通道数量为64，最大通道数量为512；4构建的轻量级残差U-net共包含33个卷积层，4个反卷积层；S2、采集铁谱图像，对采集的铁谱图像进行筛选，剔除包含气泡的透射光铁谱图像和反射光铁谱图像，保留成像质量好、干扰少的透射光铁谱图像和反射光铁谱图像；S3、采用自动标记方法对保留的反射光铁谱图像进行标记，得到训练数据集；步骤S3中，采用自动标记方法对保留的反射光铁谱图像进行标记，得到训练数据集具体包括：S31、用均值漂移算法分别对保留的透射光铁谱图像和反射光铁谱图像进行平滑滤波，以滤除噪声、平滑色彩细节；S32、分别对透射光铁谱图像和反射光铁谱图像进行灰度化，得到透射光铁谱灰度图像和反射光铁谱灰度图像；S33、用自适应阈值方法分别对透射光铁谱灰度图像和反射光铁谱灰度图像进行分割，得到透射光铁谱灰度图像的分割结果和反射光铁谱灰度图像的分割结果；S34、将透射光铁谱灰度图像的分割结果和反射光铁谱灰度图像的分割结果两两相加，得到融合后的二值化图像数据集；将保留的反射光铁谱图像以及融合后的二值化图像数据集作为轻量级残差U-net网络的训练数据集；S4、用训练数据集训练轻量级残差U-net，训练样本数量≥200，网络卷积层层数≥18层，采用ADMA优化算法最小化输入图像与实际输出之间的损失值，通过优化参数不断减小输入的图像的标记和网络的实际输出之间的差异，得到训练好的轻量级残差U-net。

全文数据：

权利要求：

百度查询： 重庆邮电大学 基于轻量级残差U-net的反射光铁谱图像分割方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD