基于fast-Unet的补强胶胶体在线识别分割技术.docx资源-CSDN文库

版权申诉

45 浏览量 2022-06-19 10:07:41 上传评论收藏 956KB DOCX 举报

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。

剩余15页未读，继续阅读

内容反馈

版权申诉

罗伯特之技术屋

粉丝: 3815
资源: 1万+

最新资源

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

feedback-tip