少样本学习的颗粒图像分割方法技术

本公开实施例中提供了一种少样本学习的颗粒图像分割方法，属于图像处理技术领域，具体包括：获取颗粒图像数据；基于SAM模型分割颗粒图像数据，获取带伪标签的颗粒图像；将带伪标签的颗粒图像划分为训练集、验证集和测试集；得到最优颗粒分割模型；将所述测试集输入最优颗粒分割模型，得到颗粒分割掩膜；基于四邻域检测法提取去噪后的颗粒分割掩膜中每个独立的连通域，获得初步颗粒分割图；基于面积自适应的图像腐蚀算法对初步颗粒分割图进行后处理，得到腐蚀后的分割图；计算腐蚀后的分割图中每个独立连通域的数量与面积，基于面积取值范围计算粒度分布。通过本公开的方案，提高了图像分割的效率和精准度。高了图像分割的效率和精准度。高了图像分割的效率和精准度。

【技术实现步骤摘要】
少样本学习的颗粒图像分割方法


[0001]本公开实施例涉及图像处理
，尤其涉及一种少样本学习的颗粒图像分割方法。

技术介绍

[0002]烧结过程是钢铁生产的重要工序，其将待加工的铁矿粉与石灰石、焦粉或其他添加剂混合并配适量水分一起加热到一定温度，使得粉末之间因高温产生粘连的烧结体，然后将烧结体冷却，最终形成烧结矿，供后续高炉使用。
[0003]在烧结过程中，焦粉等固体燃料的粒度分布影响烧结矿质量及烧结机使用寿命。例如，焦粉颗粒粒度过小，其燃烧时相对的接触的表面积越大，导致燃烧速度过快，烧结矿质量下降。目前，国内外众多钢铁厂基于干筛法，离线检测固体燃料的粒度分布，调整破碎机操作参数，从而提高烧结矿的质量和烧结过程的稳定性。为响应国家高质量发展号召，智能化技术推动传统制造业向现代制造业转型，在线高效准确地分割并检测出烧结焦粉颗粒分布，对指导烧结过程连续性和稳定性生产，实现烧结过程的低碳化、智能化生产具有重要意义。
[0004]随着机器视觉技术的不断发展，国内外学者针对在线颗粒分割问题开展了研究。但由于烧结焦粉颗粒形状不规则，粒度分布较广，焦粉颗粒之间呈现相互堆叠、粘连，且焦粉颗粒图像前后景区分度极低，分水岭算法、边缘检测分割法等传统常常出现过分割等问题，难以实现高精度、毫米级别分割的烧结焦粉颗粒图像；利用烧结焦粉颗粒图像浅层信息进行分割，是通过提取图像的灰度、颜色和形状等特征对图像进行区域划分，但烧结焦粉颗粒形态复杂，仅利用浅层信息进行分割，效果不佳；利用深度信息的分割方法是使用各类深度网络，但其仍会受到颗粒粘连等情况的影响，而且，由于各类颗粒形态各异，该方法需要大量的烧结焦粉颗粒图像以及标签数据，这无形增加了大量的人力成本。
[0005]因此，如何结合烧结的实际工艺流程，充分考虑焦粉颗粒粘连、形态各异等特性，降低创建优质数据集的时间、人工成本，实现实时性强、准确度高的颗粒分割，得到粒度分布进而便于生产调整，是目前烧结领域乃至颗粒分割领域亟需解决的问题。

技术实现思路

[0006]有鉴于此，本公开实施例提供一种少样本学习的颗粒图像分割方法，至少部分解决现有技术中存在处理效率和精准度较差的问题。
[0007]本公开实施例提供了一种少样本学习的颗粒图像分割方法，包括：
[0008]步骤1，获取颗粒图像数据；
[0009]步骤2，基于SAM模型分割颗粒图像数据，获取带伪标签的颗粒图像，并对伪标签进行针对性优化；
[0010]步骤3，将带伪标签的颗粒图像划分为训练集、验证集和测试集；
[0011]步骤4，将训练集和验证集输入融合多跳跃连接的全卷积网络模型进行训练，得到
最优颗粒分割模型；
[0012]步骤5，将所述测试集输入最优颗粒分割模型，得到颗粒分割掩膜，然后基于阈值法和一级边缘检测法对颗粒分割掩膜进行噪点去除，输出去噪后的颗粒分割掩膜；
[0013]步骤6，基于四邻域检测法提取去噪后的颗粒分割掩膜中每个独立的连通域，获得初步颗粒分割图；
[0014]步骤7，基于面积自适应的图像腐蚀算法对初步颗粒分割图进行后处理，得到腐蚀后的分割图；
[0015]步骤8，计算腐蚀后的分割图中每个独立连通域的数量与面积，基于面积取值范围计算粒度分布。
[0016]根据本公开实施例的一种具体实现方式，所述步骤2具体包括：
[0017]步骤2.1，使用SAM模型为颗粒图像数据生成遮罩，得到实例分割掩膜；
[0018]步骤2.2，对实例分割掩膜中独立的连通域进行边缘腐蚀，得到腐蚀后的实例分割掩膜；
[0019]步骤2.3，对腐蚀后的实例分割掩膜进行二值化操作，将实例分割掩膜弱化为语义分割掩膜；
[0020]步骤2.4，计算语义分割掩膜中各独立连通域的面积，基于面积阈值T，将每个面积小于T的所述独立连通域设置为背景，得到优化后的语义分割掩膜。
[0021]根据本公开实施例的一种具体实现方式，所述步骤4之前，所述方法还包括：
[0022]采用预训练的VGG16深度网络作为全卷积网络模型的主干网络，所述VGG16深度网络包括7个卷积层和5个池化层；
[0023]将4个反卷积层作为全卷积网络模型的上采样部分。
[0024]根据本公开实施例的一种具体实现方式，所述多跳跃连接的过程包括：
[0025]将第七个卷积层的输出经过第一个反卷积层处理后，与第四个池化层的输出融合，得到一级特征；
[0026]将一级特征经过第二个反卷积层处理后，与第三个池化层的输出融合，得到二级特征；
[0027]将二级特征经过第三个反卷积层处理后，与第二个池化层的输出融合，得到三级特征；
[0028]将所述三级特征经过最终的四倍反卷积层处理后，得到与输入图像分辨率一致的最终分割掩膜。
[0029]根据本公开实施例的一种具体实现方式，所述步骤7具体包括：
[0030]步骤7.1，设计细长腐蚀核V1，V2，细长腐蚀核V1，V2的结构为：
[0031][0032]步骤7.2，基于所述细长腐蚀核，对初步颗粒分割图中不同面积的连通域进行不同次数的腐蚀操作，将粘连的连通域分割成多个独立的连通域，得到腐蚀后的分割图。
[0033]本公开实施例中的少样本学习的颗粒图像分割方案，包括：步骤1，获取颗粒图像数据；步骤2，基于SAM模型分割颗粒图像数据，获取带伪标签的颗粒图像，并对伪标签进行针对性优化；步骤3，将带伪标签的颗粒图像划分为训练集、验证集和测试集；步骤4，将训练集和验证集输入融合多跳跃连接的全卷积网络模型进行训练，得到最优颗粒分割模型；步骤5，将所述测试集输入最优颗粒分割模型，得到颗粒分割掩膜，然后基于阈值法和一级边缘检测法对颗粒分割掩膜进行噪点去除，输出去噪后的颗粒分割掩膜；步骤6，基于四邻域检测法提取去噪后的颗粒分割掩膜中每个独立的连通域，获得初步颗粒分割图；步骤7，基于面积自适应的图像腐蚀算法对初步颗粒分割图进行后处理，得到腐蚀后的分割图；步骤8，计算腐蚀后的分割图中每个独立连通域的数量与面积，基于面积取值范围计算粒度分布。
[0034]本公开实施例的有益效果为：通过本公开的方案，使用SAM模型对原始颗粒图像数据进行实例分割，并将结果退化为语义分割结果，极大地减少了构建图像深度学习数据集时的人工标注时间，同时减少了过分割现象和粘连所带来的不良影响；构建并训练融合多跳跃连接的全卷积网络模型，提高了分割精度与速度；针对粘连区域的特征，基于面积自适应的图像腐蚀，对不同面积的独立连通域进行不同程度的腐蚀，进一步减少了粘连所带来的不良影响，提高了图像分割的处理效率和精准度。
附图说明
[0035]为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0036]图1为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种少样本学习的颗粒图像分割方法，其特征在于，包括：步骤1，获取颗粒图像数据；步骤2，基于SAM模型分割颗粒图像数据，获取带伪标签的颗粒图像，并对伪标签进行针对性优化；步骤3，将带伪标签的颗粒图像划分为训练集、验证集和测试集；步骤4，将训练集和验证集输入融合多跳跃连接的全卷积网络模型进行训练，得到最优颗粒分割模型；步骤5，将所述测试集输入最优颗粒分割模型，得到颗粒分割掩膜，然后基于阈值法和一级边缘检测法对颗粒分割掩膜进行噪点去除，输出去噪后的颗粒分割掩膜；步骤6，基于四邻域检测法提取去噪后的颗粒分割掩膜中每个独立的连通域，获得初步颗粒分割图；步骤7，基于面积自适应的图像腐蚀算法对初步颗粒分割图进行后处理，得到腐蚀后的分割图；步骤8，计算腐蚀后的分割图中每个独立连通域的数量与面积，基于面积取值范围计算粒度分布。2.根据权利要求1所述的方法，其特征在于,所述步骤2具体包括：步骤2.1，使用SAM模型为颗粒图像数据生成遮罩，得到实例分割掩膜；步骤2.2，对实例分割掩膜中独立的连通域进行边缘腐蚀，得到腐蚀后的实例分割掩膜；步骤2.3，对腐蚀后的实例分割掩膜进行二值化操作，将实例分割掩膜弱化为语义分割掩膜；步骤2.4，计算语义分...

【专利技术属性】
技术研发人员：王雅琳，董铭江，谭栩杰，袁君奇，刘晨亮，彭渝彬，蒋朝晖，潘冬，桂卫华，
申请(专利权)人：中南大学，
类型：发明
国别省市：