一种引入边缘监督的语义分割方法及系统技术方案

本发明专利技术公开了一种引入边缘监督的语义分割方法及系统，该方法包括：构建图像的数据集，并将数据集划分为训练集、验证集和测试集；将所述训练集输入到Unet网络的编码器中，经下采样得到每层的特征图；利用分水岭算法对所述训练集进行处理，得到缺陷的边界图；将所述缺陷的边界图与所述特征图融合，构建引入边缘监督的Unet网络；利用验证集数据对引入边缘监督的Unet网络进行训练，得到训练好的Unet网络；利用训练好的Unet网络对测试集数据进行测试，完成图像的语义分割。实施该方法，能够更容易捕捉到目标缺陷，并且网络对缺陷的学习效率更高，使分割精度更高。使分割精度更高。使分割精度更高。

【技术实现步骤摘要】
一种引入边缘监督的语义分割方法及系统


[0001]本专利技术涉及产品缺陷检测领域，尤其涉及一种引入边缘监督的语义分割方法及系统。

技术介绍

[0002]缺陷检测是手机工业生产制造流程中必不可少的一个步骤，直接影响手机产品的质量。现代工业上缺陷检测的主流方法是人工检测，效率低，成本高，受检测人员的技术能力影响大。人工检测这项耗时的任务越来越成为生产力的瓶颈问题。
[0003]随着机器视觉技术和人工智能的发展，自动化检测技术取代人工检测技术逐渐称为可能。现有的基于机器学习的缺陷分割算法是提高生产率和节省劳动力成本的一个很好的解决方案，但是该算法需要专业人员的特定设计，其适应性受到先验知识和框架鲁棒性的限制。而基于深度学习的检测算法是基于卷积层和抽象的多样化池化层进行特征提取，具有更好的泛化性和鲁棒性。但是，在恶劣生产环境中收集的数据集通常质量较差，使基于深度学习的缺陷分割算法的分割性能显著下降。例如，基于深度学习的语义分割框架需要得到大量具有明显特征的训练数据的支持，然而在实际生产中，受工业生产现场环境的限制，采集的图像数量通常很少，清晰度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种引入边缘监督的语义分割方法，其特征在于，包括以下步骤：构建图像的数据集，并将数据集划分为训练集、验证集和测试集；将所述训练集输入到Unet网络的编码器中，经下采样得到每层的特征图；利用分水岭算法对所述训练集进行处理，得到缺陷的边界图；将所述缺陷的边界图与所述特征图融合，构建引入边缘监督的Unet网络；利用验证集数据对引入边缘监督的Unet网络进行训练，得到训练好的Unet网络；利用训练好的Unet网络对测试集数据进行测试，完成图像的语义分割。2.根据权利要求1所述一种引入边缘监督的语义分割方法，其特征在于，所述训练集中的图像包括气泡、划痕和锡灰三种不同的样本和标签。3.根据权利要求2所述一种引入边缘监督的语义分割方法，其特征在于，所述将所述训练集输入到Unet网络的编码器中，经下采样得到每层的特征图这一步骤之前，还包括对训练集和验证集进行预处理，具体步骤包括：对训练集和验证集中的图像进行改变亮度、对比度和旋转操作；将训练集和验证集中的图像格式统一为png格式；将训练集和验证集中的图像转化为灰度图像。4.根据权利要求1所述一种引入边缘监督的语义分割方法，其特征在于，所述将所述训练集输入到Unet网络的编码器中，经下采样得到每层的特征图这一步骤之后，还包括：将下采样过程中所述每层的特征图与上采样过程中对应层的特征图输入到注意力门中，经处理得到对应层的特征矩阵；将所述对应层的特征矩阵与下采样对应层的所述特征图结合，得到对应层的特征增强图；将所述对应层的特征增强图与所述上采样过程中对应层的下一层的特征图融合，得到所述上采样过程中对应层的输出特征图。5.根据权利要求1所述一种引入边缘监督的语义分割方法，其特征在于，所述引入边缘监督的Unet网络中的细节损失函数的具体表达式为：L
detail
(p
d
，g
d
)＝L
dice
(p
d
，g
d
)+L
bce
(p
d
，g
d
)其中，p
d
...

【专利技术属性】
技术研发人员：吴宗泽，赵宸锐，任志刚，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：