【技术实现步骤摘要】
一种基于深度学习的粘连和堆叠颗粒图像分割方法
[0001]本专利技术属于计算机图像分割领域，涉及一种基于深度学习的粘连和堆叠颗粒图像分割方法。
技术介绍
[0002]常见的图像识别方法有目标检测、语义分割和实例分割，但三种方法的实现困难程度不同：(1)目标检测是把图像中不同类别的物体用不同的矩形框圈出来，不需要精确确定物体的边界，因此在需要精细化检测物体的场景并不适用。(2)语义分割是把图像中不同类别的物体用不同的标签表示出来，对每个像素都赋予一个类别标签(比如汽车、建筑、人等)，可以实现像素级的边界分割，但不能区分不同的个体，因此该方法不能区分粘连、堆叠颗粒的计数。(3)实例分割是把图像中不同类别的物体用不同的标签表示出来，对每个像素都赋予一个类别标签(比如汽车、建筑、人等)，并且会对同类的不同个体进行区分判断。
[0003]显微图像中生物细胞个数、纳米材料的颗粒数、摄像头监控下的人群人数、农作物监测的农作物颗粒等任务，由于图像中颗粒的数量巨大，人工计数极为困难，因此开发自动检测颗粒的方法就极为重要。
[0...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的粘连和堆叠颗粒图像分割方法，其特征在于，该方法具体包括以下步骤：S1：准备数据集：对颗粒图像数据进行标注；S2：构建深度学习神经网络模型，使用颗粒图像及步骤S1得到的标注图作为训练集进行网络训练，即通过反向传播算法调整网络参数；S3：利用步骤S2构建的深度学习神经网络模型对颗粒图像进行实例分割。2.根据权利要求1所述的粘连和堆叠颗粒图像分割方法，其特征在于，步骤S2中，构建的深度学习神经网络模型包括：基于CBAM模块的主干特征提取网络、RPN、ROI分类回归网络和Mask实例分割网络；其中，CBAM模块是注意力模块，RPN是锚框生成网络。3.根据权利要求2所述的粘连和堆叠颗粒图像分割方法，其特征在于，步骤S2中，采用基于CBAM模块的主干特征提取网络进行主干特征的提取，具体包括以下步骤：(1)输入的图片经过一次CBAM模块处理，获得图像的特征层；(2)接着进行一次7
×
7的卷积层处理，步长为2；(3)接着进行3
×
3的最大池化层处理，步长为2；(4)接着进行一次CBAM模块的处理；(5)接着进行三次ResNetBlock模块的处理；(6)接着再进行一次CBAM模块处理，再经过一次1
×
1的卷积获得特征层C2；(7)接着再进行四次ResNetBlock模块处理，再进行一次CBAM模块处理，获得特征层C3；(8)接着将(7)中CBAM模块的处理结果经过六次ResNetBlock模块处理，再进行一次CBAM模块处理，获得特征层C4；(9)接着将(8)中CBAM模块的处理结果经过三次ResNetBlock模块处理，再进行一次CBAM模块处理，获得特征层C5；(10)将特征层C5经过一次1
×
1的卷积，获得特征层P5；(11)将(10)中的特征层P5进行一次下采样，再通过下采样后获得特征层P6；(12)将(10)中的特征层P5进行一次上采样，获得特征层X5，并将特征层C4经过1
×
1卷积获得的特征层与X5进行加权相加，获得特征层P4；(13)将(12)中的特征层P4进行一次上采样，获得特征层X4，并将特征层C3经过1
×
1卷积获得的特征层与X4进行加权相加，获得特征层P3；(14)将(13)中的特征层P3进行一次上采样，获得特征层X3，并将特征层C2经过1
×
1卷积获得的特征层与X3进行对应元素相加，获得特征层P2。4.根据权利要求2或3所述的粘连和堆叠颗粒图像分割方法，其特征在于，步骤S2中，CBAM模块的结构为：输入的图片或特征分别经过一次全局MaxPool池化和全局AvgPool池化，然后将获得的全局MaxPool池化特征和全局AvgPool池化特征，送入同一个全连接层分别获得MaxPool权重和AvgPool权重，将两组权重相乘获得通道注意力权重，再将通道注意力权重与输入图像或特征相乘获得通道注意力处理结果；然后，将通道注意力处理的结果，分别将多个通道的值通过MaxPool池化和AvgPool池化压缩到单个通道获得空间特征，再经过7
...
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。