一种小部件图像分割方法及相关设备技术

本发明专利技术提供了一种小部件图像分割方法及相关设备，包括：获取待分割的小部件图像，将多尺度特征提取网络和空洞卷积模块融合至U

【技术实现步骤摘要】
一种小部件图像分割方法及相关设备


[0001]本专利技术涉及图像分割
，特别涉及一种小部件图像分割方法及相关设备。

技术介绍

[0002]随着工业自动化程度的不断提高，对于及其视觉的要求也越来越高，其中小部件图像分割技术是机器视觉领域中的一种重要研究方向。现有的小部件图像分割技术主要基于传统的图像处理算法，如阈值分割、边缘检测等，这些算法虽然在一定程度上能够满足小部件图像分割的需求，但是由于小部件图像中存在的复杂背景、光照不均等因素的影响，这些算法在分割精度和鲁棒性方面仍然存在一定的局限性。
[0003]随着深度学习技术的快速发展，基于神经网络的图像分割算法已经成为了当前研究的热点。其中，U
‑
Net网络模型是一种基于全卷积神经网络的图像分割算法，该算法具有训练速度快，分割精度高等优点，因此被广泛应用于各种图像分割任务中。在图像分割任务中，通常采用卷积神经网络(Convolutional Neural Networks，CNN)进行处理。CNN通过学习图像特征，能够自动识别和提取出不同物体或部件的特征，实现图像分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种小部件图像分割方法，其特征在于，包括：步骤1，获取待分割的小部件图像；步骤2，将多尺度特征提取网络和空洞卷积模块融合至U
‑
Net网络，构建图像分割模型；步骤3，将Dice损失函数和Focal损失函数进行加权求和，得到多权重联合损失函数，并利用所述多权重联合损失函数对所述图像分割模型进行训练，得到训练后的图像分割模型；步骤4，将所述待分割的小部件图像输入至训练后的图像分割模型进行分割，得到小部件图像的分割结果。2.根据权利要求1所述的小部件图像分割方法，其特征在于，所述多尺度特征提取网络包括：第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层、第八卷积层、第九卷积层、第十卷积层、第十一卷积层、第十二卷积层；所述第一卷积层的输入端、所述第二卷积层的输入端、所述第三卷积层的输入端、所述第四卷积层的输入端为所述多尺度特征提取网络的输入端；所述第一卷积层的输出端与所述第五卷积层的输入端连接，所述第五卷积层的输出端与所述第九卷积层的输入端连接，所述第九卷积层的输出端与所述U
‑
Net网络中编码器的第二输出端、所述U
‑
Net网络中编码器的第二输入端连接；所述第二卷积层的输出端与所述第六卷积层的输入端连接，所述第六卷积层的输出端与所述第十卷积层的输入端连接，所述第十卷积层的输出端与所述U
‑
Net网络中编码器的第四输出端、所述U
‑
Net网络中编码器的第三输入端连接；所述第三卷积层的输出端与所述第七卷积层的输入端连接，所述第七卷积层的输出端与所述第十一卷积层的输入端连接，所述第十一卷积层的输出端与所述U
‑
Net网络中编码器的第六输出端、所述U
‑
Net网络中编码器的第四输入端连接；所述第四卷积层的输出端与所述第八卷积层的输入端连接，所述第八卷积层的输出端与所述第十二卷积层的输入端连接，所述第十二卷积层的输出端与所述U
‑
Net网络中编码器的第八输出端、所述U
‑
Net网络中编码器的第五输入端连接。3.根据权利要求2所述的小部件图像分割方法，其特征在于，所述空洞卷积模块包括第一空洞卷积层、第二空洞卷积层和第三空洞卷积层；所述第一空洞卷积层的输入端、所述第二空洞卷积层的输入端、所述第三空洞卷积层的输入端均与所述第十一卷积层的输出端、所述U
‑
Net网络中编码器的第六输出端连接，所述第一空洞卷积层的输出端与所述第二空洞卷积层的输出端、所述第三空洞卷积层的输出端连接并接入所述U
‑
Net网络中编码器的第四输入端。4.根据权利要求3所述的小部件图像分割方法，其特征在于，所述多权重联合损失函数L为：L＝ωL
Dice
+(1
‑
ω)L
Focal
其中，
其中，ω是Dice损失...

【专利技术属性】
技术研发人员：文华，蔡拥华，刘建平，
申请(专利权)人：华大天元北京科技股份有限公司，
类型：发明
国别省市：