本发明专利技术公开了一种基于深度学习的高温合金微观组织图像分割方法及装置，该方法包括：获取待分割图像，并对所述待分割图像进行图像特征提取；基于改进的SNL模块，对提取到的图像特征进行注意力机制提取融合，得到所述待分割图像对应的特征图；基于得到的特征图，实现高温合金微观组织结构图像分割。与传统图像处理方法对比，本发明专利技术的分割精度大幅度提升，甚至受到噪声污染的图像也能获取良好的分割效果，与UNet网络结构相比，本发明专利技术解决了感受野过于局部，注意机制过于单一的问题的同时，分割效果也明显提升。果也明显提升。果也明显提升。
【技术实现步骤摘要】
基于深度学习的高温合金微观组织图像分割方法及装置
[0001]本专利技术涉及图像处理与计算机视觉
，特别涉及一种基于深度学习的高温合金微观组织图像分割方法及装置。
技术介绍
[0002]高温合金因具有良好的抗热腐蚀、断裂韧性、抗氧化、抗疲劳性能和较高的高温强度等综合性能，在航空航天、军事设备以及船舶建造等领域有着庞大的需求。作为航空等国家重点项目领域所需求的关键材料，其性能评价对国家相关领域装备设施研发、量产以及后续应用产生重要影响。
[0003]高温合金材料的性能主要取决于材料的微观组织结构，因此高温合金微观组织结构特征分析成为研究材料合成工艺，成分，结构以及性能的重要环节。获取高温合金材料围观组织结构特征的主要途径一般是利用图像处理技术对高温合金材料电镜显微组织图像进行处理和分析。高温合金材料微观组织的结构分析主要针对微观组织中不同金相的形状、大小尺寸、分布情况等特征展开。
[0004]在传统的微观组织结构分析过程中，主要使用人力，依靠人眼分辨并根据相关国际或国家标准进行结构微观组织结构特征相应指标的计算及评定工作。人工方法存在着主观因素影响较大，耗费时间成本过大，局部统计受限以及精度不高等问题。因此，寻求更为先进的高温合金微观组织图像分析方法，提高微观组织结构特征的计算速度和精度成为材料金相分析的研究热点。
技术实现思路
[0005]本专利技术提供了一种基于深度学习的高温合金微观组织图像分割方法及装置，以解决人工方法存在的主观因素影响较大，耗费时间成本过大，局部统计受限以及精度不高的技术问题。
[0006]为解决上述技术问题，本专利技术提供了如下技术方案：
[0007]一方面，本专利技术提供了一种基于深度学习的高温合金微观组织图像分割方法，该基于深度学习的高温合金微观组织图像分割方法包括：
[0008]获取待分割图像，并对所述待分割图像进行图像特征提取；
[0009]基于改进的SNL模块，对提取到的图像特征进行注意力机制提取融合，得到所述待分割图像对应的特征图；
[0010]基于得到的特征图，实现高温合金微观组织结构图像分割。
[0011]进一步地，对所述待分割图像进行图像特征提取，包括：
[0012]以UNet作为骨干网络主体，利用编码器部分对待分割图像进行卷积，得到所述待分割图像的特征数据；
[0013]利用所述特征数据进行多级池化，提取多尺度特征，得到多尺度图像特征。
[0014]进一步地，所述编码器部分包括四次重复的卷积下采样结合的结构模块，每个结
构模块均包括卷积层、ReLU激活函数、BN层和最大池化下采样；其中，
[0015]卷积层提取特征并增加改变通道数；
[0016]ReLU激活函数增加网络的非线性，提高网络的辨别能力以及解决训练过程中的梯度消失与梯度爆炸的问题；
[0017]BN层加快网络训练和收敛的速度，控制梯度爆炸，防止梯度消失和过拟合；
[0018]最大池化下采样保证特征的位置与旋转不变性的同时，减少模型参数数量，减少过拟合问题。
[0019]进一步地，所述结构模块中的卷积层为3
×
3卷积。
[0020]进一步地，所述基于改进的SNL模块，对提取到的图像特征进行注意力机制提取融合，得到所述待分割图像对应的特征图，包括：
[0021]对于输入的形状为[C,W,H]的图像特征，分别经过两个分支上的1
×
1卷积操作后，重构成形状为[WH,C]的特征块和形状互为转置[C,WH]的特征块将两个特征块进行矩阵相乘，对称归一化后得到关联矩阵A，公式如下：
[0022][0023]式中，M＝TP，是一个包含的每个顶点的度的对角线矩阵；
[0024]对于输入的形状为[C,W,H]的图像特征，经过另一个分支上的1
×
1卷积操作后，重构成形状为[WH,C]的特征块和形状互为转置[C,WH]的特征块特征块和特征块分别与关联矩阵A进行矩阵左乘和矩阵右乘运算后，分别通过卷积形式的参数矩阵W1和W2运算后特征元素相加，再通过BN层，公式如下：
[0025][0026]通过下式得到输出的特征图Y：
[0027][0028]其中，输入的图像特征X经过整个改进的SNL模块后输出为特征图Y，这样的模块称为一个阶段，根据处理的数据集以及任务要求，选择性地重复n次以达到最佳特征注意力提取效果，其中，n为预设的大于1的整数值。
[0029]进一步地，基于得到的特征图实现高温合金微观组织结构图像分割，包括：
[0030]利用解码部分将通过改进的SNL模块得到的特征图进行上采样，再与编码器中相应各层的特征图通道拼接融合，重复融合过程后，输出图像像素分类通道特征图，以实现高温合金微观组织结构图像分割。
[0031]进一步地，所述利用解码部分将通过改进的SNL模块得到的特征图进行上采样，再与编码器中相应各层的特征图通道拼接融合，重复融合过程后，输出图像像素分类通道特征图，以实现高温合金微观组织结构图像分割，包括：
[0032]将通过改进的SNL模块得到的特征图在解码部分经过线性插值的方式进行上采样，再与编码器相应层的特征进行通道上的特征拼接，之后再进行卷积，重复融合过程使得特征图尺寸大小与原图一致，之后再利用卷积操作进行图像像素级的分类，输出与像素分类类别数相等的特征图通道。
[0033]另一方面，本专利技术还提供了一种基于深度学习的高温合金微观组织图像分割装
置，该基于深度学习的高温合金微观组织图像分割装置包括：
[0034]特征提取模块，用于获取待分割图像并对待分割图像进行图像特征提取；
[0035]注意力机制提取融合模块，用于基于改进的SNL模块，对所述特征提取模块提取到的图像特征进行注意力机制提取融合，得到待分割图像对应的特征图；
[0036]高温合金微观组织图像分割模块，用于基于所述注意力机制提取融合模块得到的特征图，实现高温合金微观组织结构图像分割。
[0037]再一方面，本专利技术还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
[0038]又一方面，本专利技术还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。
[0039]本专利技术提供的技术方案带来的有益效果至少包括：
[0040]本专利技术提供的分割网络结合了UNet与改进SNL模块优势，在保持训练精度和推理速度的同时，获得了更大的感受野；而且本专利技术的方案通过UNet的特征拼接融合，加强了深浅各层特征图之间的信息交互，提高了模型的分割性能；本专利技术提出的基于深度学习的高温合金微观组织图像分割方法在分割精度上表现优异，在NVIDIA Tesla V100
‑
SXM2上实现了97.13％准确率(Accuracy，Acc)和94.23％均交并本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的高温合金微观组织图像分割方法，其特征在于，包括：获取待分割图像，并对所述待分割图像进行图像特征提取；基于改进的SNL模块，对提取到的图像特征进行注意力机制提取融合，得到所述待分割图像对应的特征图；基于得到的特征图，实现高温合金微观组织结构图像分割。2.如权利要求1所述的基于深度学习的高温合金微观组织图像分割方法，其特征在于，对所述待分割图像进行图像特征提取，包括：以UNet作为骨干网络主体，利用编码器部分对待分割图像进行卷积，得到所述待分割图像的特征数据；利用所述特征数据进行多级池化，提取多尺度特征，得到多尺度图像特征。3.如权利要求2所述的基于深度学习的高温合金微观组织图像分割方法，其特征在于，所述编码器部分包括四次重复的卷积下采样结合的结构模块，每个结构模块均包括卷积层、ReLU激活函数、BN层和最大池化下采样；其中，卷积层提取特征并增加改变通道数；ReLU激活函数增加网络的非线性，提高网络的辨别能力以及解决训练过程中的梯度消失与梯度爆炸的问题；BN层加快网络训练和收敛的速度，控制梯度爆炸，防止梯度消失和过拟合；最大池化下采样保证特征的位置与旋转不变性的同时，减少模型参数数量，减少过拟合问题。4.如权利要求3所述的基于深度学习的高温合金微观组织图像分割方法，其特征在于，所述结构模块中的卷积层为3
×
3卷积。5.如权利要求3或4所述的基于深度学习的高温合金微观组织图像分割方法，其特征在于，所述基于改进的SNL模块，对提取到的图像特征进行注意力机制提取融合，得到所述待分割图像对应的特征图，包括：对于输入的形状为[C,W,H]的图像特征，分别经过两个分支上的1
×
1卷积操作后，重构成形状为[WH,C]的特征块和形状互为转置[C,WH]的特征块将两个特征块进行矩阵相乘，对称归一化后得到关联矩阵A，公式如下：式中，M＝TP，是一个包含的每个顶点的度的对角线矩阵；对于输入形状为[C,W,H]的图像特征，经过另一个分支上的1
【专利技术属性】
技术研发人员：张利欣，尧昊天，徐正光，边胜琴，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。