没有合适的资源?快使用搜索试试~ 我知道了~
基于fast-Unet的补强胶胶体在线识别分割技术.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 45 浏览量
2022-06-19
10:07:41
上传
评论
收藏 956KB DOCX 举报
温馨提示
试读
16页
基于fast-Unet的补强胶胶体在线识别分割技术.docx
资源推荐
资源详情
资源评论
0引言
随着人们生活水平不断提高,手机等电子产品的消费日益俱增,对电子产品质量提出了新的要求。电
子产品零部件通常都采用补强胶加固,因此对补强胶进行分割提取,便成为质量检测的关键。传统图
像分割算法主要有阈值分割法
[1]
、边缘分割法
[2]
等。张启轩等
[1]
通过设定阈值,利用阈值分割算法将图
像中的像素值进行分类。该算法简单、快速,但忽略了图像的空间信息,且易受光照等因素影响分割
效果。唐闯
[2]
通过边缘分割法检测 ROI 的边界灰度变化,并以此作为分割依据。常用的边缘检测算子
有:Roberts
[3]
,Prewitt
[4]
,Sobel
[5]
,Laplace
[6]
,Canny
[7]
等。Cherri
[3]
提出的 Roberts 边缘检
测算子,在处理陡峭的低噪声图像时效果较好,但只能提取图像的粗边缘,定位精度较低。安建尧等
[4]
使用 Prewitt 算子处理灰度渐变和多噪声图像效果显著。Shen 等
[5]
利用 Sobel 算子处理灰度渐变
和多噪声的图像效果好,且定位准确。孟小华等
[6]
利用 Laplace 算子可准确定位阶跃性边缘点,对噪
声十分敏感,但容易丢失边缘方向信息,造成边缘不连续。 Archana 等
[7]
使用 Canny 算子可支持同
时利用两种不同阈值分别检测强边缘和弱边缘,但在实际检测过程中,仅通过边缘检测仍难以实现高
精度分割。
通过以上算法可知,传统边缘检测算法可较为准确地定位边缘,但易受光照等客观因素影响,分割效
果不佳。随着深度学习技术不断发展, Unet
[8]
在分割医学图像等细小等物体上优势明显,被广泛应用
于 生 物 医 学 图 像 方 面 , 但 Unet 和 U
2
net
[9]
分 割 速 度 较 慢 。 现 有 实 时 分 割 网 络 有
ICnet
[10 ]
、Enet
[11]
、LEDnet
[12]
、CGnet
[13 ]
等。ICnet 提出了级联特征融合单元可获取高质量的分割
图像,同时包含多重分辨率分支的级联网络实现实时分割。 LEDnet 使用了不对称“编码—编码”机制
实现实时分割,并利用通道分割和融合技术提高分割效率。 CGnet 主要由 CG 块组成,通过学习局部
和上下文特征实现实时语义分割。
上述分割网络算法相较于传统算法,鲁棒性更高,且支持实时分割,但相较于 Unet 等网络,分割精
度仍然较低。因此,本文提出了一种基于改进 Unet 实时分割的 fast-Unet 语义分割网络模型。
1网络改进
根据 ICnet 设计原理及 Unet 自身结构,提出了一种适合分割补强胶的 fast-Unet 网络,该网络模型
结构如图 1 所示。
Fig. 1Fast-Unet structure
图 1fast-Unet 结构
下载:原图|高精图|低精图
1.1注意力模块
注意力模块
[14 ]
(Convolutional Block Attention Module ,CBAM ) 主要包含通 道 注 意力模块
( Channel Attention Module , CAM ) 和 空 间 注 意 力 模 块 ( Spatial Attention
Module,SAM)。CBAM 依次通过 CAM 和 SAM 模块推算通道和空间两个不同维度的注意力特征图,
再将输入特征图与不同维度的注意力特征图相乘,以细化特征。注意力模块结构图如图 2 所示。
Fig. 2Attention module structure
图 2注意力模块结构
下载:原图|高精图|低精图
图 2 中所涉及计算公式如式(1)、式(2)所示:
其中,F 为输入特征图,M
c
(F)为一维通道注意力图,M
s
(F)′为二维空间注意力图,F′为通过通道注意
力模块得到的特征图,F″为最终细化输出。
由图 3 可见,通过 CAM 获得通道注意力特征图时,可使用平均池化方法聚合空间信息,但需要压缩
输入特征图的空间维度;或使用最大池化方法细化通道注意力。鉴于此,本文将两种方法相结合。具
体为:首先分别得到平均池化特征 F
cavg
和最大池化特征 F
cmax
;然后将它们分别通过多层感知机 MLP
组成的共享网络得到特征向量;接下来使用 element-wise 进行合并;最后使用 sigmoid 得到特征
图 F′,计算公式如公式(3)所示:
Fig. 3Channel attention module structure
图 3通道注意力模块结构
下载:原图|高精图|低精图
其中,σ 为 sigmoid 激活函数,w 代表使用 element-wise 进行求和合并,M 为由 MLP 组成的共享
网络。
SAM 主要对经过通道注意力后的特征图进行补充,以寻找最具代表特征信息的空间部分。计算公式如
公式(4)所示:
其中,σ 为 sigmoid 激活函数,f
7×7
c 为 7×7 卷积运算。
1.2金字塔池化模块
金字塔池化模块(Pyramid Pooling Module,PPM)
[15 ]
分为 1×1、2×2、3×3、6×6 不同大小
的 4 层。 先将输 入池化 为 4 个不同 大小的 池化层 ;然后 分别使用 4 个 1×1 的卷积 将通道 数减少
3/4;接着使用双线性采样得到 4 个与原特征图大小一致的特征图,并将其与原特征图按通道进行融
合;最后使用 1×1 卷积改变通道数,使其与原特征图通道数保持一致。金字塔池化模块结构如 图 4
所示。
Fig. 4Pyramid pooling module structure
图 4金字塔池化模块结构
下载:原图|高精图|低精图
由图 4 可见,PPM 可充分利用全局信息,并保留全局上下文信息,以解决不匹配、类别混淆、易忽视
类别等问题。
1.3激活函数
常用的非线性激活函数有 ReLU,该函数计算简单,不但可加快收敛速度,还能缓解梯度爆炸、梯度
消失等问题。数学表达式如式(5)所示:
由式(5)可见,一旦激活函数输入值为负数时,激活函数输出值为 0。则使神经元失活,并且之后
所有的神经元节点都将无法再被激活。
ELU
[16 ]
相较于 ReLU,负值部分仍有输出值,鲁棒性更高。此外,ELU 激活函数输出值的均值更逼近
于 0,收敛速度更快。然而为了有效去除噪声的影响,本文使用一种自归一化的激活函数 SeLU
[17]
,
该激活函数具有自归一化特点,是对特征的高级抽象表示。数学表达式如公式(6)所示:
其中,通过实验验证当 λ
selu
≈1.673263242 354,α
selu
≈1.050 700 987 355 时,效果较好。
1.4编码器
目前 FCN
[18]
、Unet、DeepLab
[19]
等系列的主流语义分割网络,虽然分割性能较好,但无法实现实时
快速分割。香港中文大学、腾讯优图及商汤科技联合开发的 ICnet 语义分割模型则实现了实时快速分
割。ICnet 使用低分辨率图像快速捕捉图像的语义信息,再使用高分辨率图像获取图像细节,并利用
获取的主要特征信息优化调整低分辨率分割的语义信息,以提升分割速度和精度。
本文基于 ICnet 的 3 分支输入模式和 Unet 的特殊结构,提出了一种由 3 个特征提取分支组成的编码
模块,如图 5 所示。
剩余15页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3815
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- FlaUInspect 网上最新版 flauinspect v1.3.0
- 1_Parameter Manual NC variable and interface signals.pdf
- 目标检测-垃圾桶满溢检测数据集-3000张图-+对应VOC-COCO-YOLO三种格式标签+数据集划分脚本
- 目标检测-垃圾桶满溢检测数据集-1000张图-+对应VOC-COCO-YOLO三种格式标签+数据集划分脚本
- (网络收集)2024年新课标Ⅰ卷数学卷带答案带解析带分值文字版.docx
- HCIP-Datacom-Advanced Routing & Switching Technology V1.0 培训材料
- SpringBoot+Vue尚庭公寓项目前端代码
- C51C51单片机实现的 抽奖机 设计与编程指南
- ikbc C87 机械键盘固件升级
- 词频统计PTA案例分析.zip
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功