基于改进UNet网络的烧结矿气孔分割
作者:
基金项目:

安徽省重点实验室研究项目(TZJQR002-2021);安徽高校自然科学研究项目(KJ2019A0063)


Segmentation of Sinter Pores Based on Improved UNet Network
Author:
  • 摘要
  • | |
  • 访问统计
  • |
  • 参考文献 [20]
  • |
  • 相似文献 [20]
  • | | |
  • 文章评论
    摘要:

    在烧结矿生产过程中, 烧结矿形成的气孔是烧结矿的质量评估的重要参数. 由于烧结矿的气孔形状不一、气孔边缘模糊等问题, 导致分割出的气孔误差率较大. 为了能更准确地分割出气孔, 先对烧结矿图像进行OpenCV图像预处理. 对比传统的图像分割算法, 本文提出一种基于改进UNet网络对预处理后的烧结矿气孔图像进行分割的算法. 在UNet网络编码中引入残差和拼接连接结合思想的改进模块, 以获得更多的气孔特征信息. 实验结果表明, 改进的算法在MIoU和Dice指标均优于传统UNet网络和传统图像分割.

    Abstract:

    In the process of sinter production, the pores formed in the sinter are an important parameter for sinter quality evaluation. Due to the different shapes of sinter pores and their fuzzy edge, the error rates of pores segmented are large. In order that the pores can be segmented more accurately, the sinter image is preprocessed by OpenCV. Through a comparative analysis of the traditional image segmentation algorithm, this study proposes an algorithm based on an improved UNet network to segment the preprocessed sinter pore image. An improved module integrating residual and splicing is introduced into UNet network coding to obtain more information on pore features. The experimental results show that the improved algorithm is better than both the traditional UNet network and the traditional image segmentation algorithm in mean intersection over union (MIoU) and the Dice index.

    参考文献
    [1] 董珂, 蒋大林. 基于改进分水岭变换的矿石图像分割算法. 计算机工程与设计, 2013, 34(3): 899–903. [doi: 10.3969/j.issn.1000-7024.2013.03.030
    [2] 柳小波, 张育维. 基于U-Net和Res_UNet模型的传送带矿石图像分割方法. 东北大学学报(自然科学版), 2019, 40(11): 1623–1629. [doi: 10.12068/j.issn.1005-3026.2019.11.019
    [3] 师伟婕, 黄静静, 王茂发. 基于两种U型网络的钢铁图像缺陷检测方法对比. 北京信息科技大学学报, 2021, 36(1): 63–68
    [4] 卢才武, 齐凡, 阮顺领. 基于深度图像分析的细粒度矿石分级测定方法. 应用科学学报, 2019, 37(4): 490–500. [doi: 10.3969/j.issn.0255-8297.2019.04.006
    [5] 罗朝阳, 张鹏超, 姚晋晋, 等. 一种基于形态学的边缘检测算法. 计算机应用与软件, 2020, 37(2): 176–181, 247
    [6] 蔡改贫, 刘占, 汪龙, 等. 基于形态学优化处理的标记符分水岭矿石图像分割. 科学技术与工程, 2020, 20(23): 9497–9502. [doi: 10.3969/j.issn.1671-1815.2020.23.036
    [7] 刘慧英, 王小波. 基于OpenCV的车辆轮廓检测. 科学技术与工程, 2010, 10(12): 2987–2991. [doi: 10.3969/j.issn.1671-1815.2010.12.043
    [8] 张文飞, 韩建海, 郭冰菁, 等. 改进的分水岭算法在粘连图像分割中的应用. 计算机应用与软件, 2021, 38(6): 243–248. [doi: 10.3969/j.issn.1000-386x.2021.06.039
    [9] 蓝金辉, 王迪, 申小盼. 卷积神经网络在视觉图像检测的研究进展. 仪器仪表学报, 2020, 41(4): 167–182
    [10] 李梦怡, 朱定局. 基于全卷积网络的图像语义分割方法综述. 计算机系统应用, 2021, 30(9): 41–52. [doi: 10.15888/j.cnki.csa.008078
    [11] Shelhamer E, Long J, Darrell T. Fully convolutional networks for semantic segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(4): 640–651. [doi: 10.1109/TPAMI.2016.2572683
    [12] Ronneberger O, Fischer P, Brox T. U-Net: Convolutional networks for biomedical image segmentation. Proceedings of the 18th International Conference on Medical Image Computing and Computer-Assisted Intervention. Munich: Springer, 2015. 234–241.
    [13] Zhou ZW, Siddiquee MMR, Tajbakhsh N, et al. UNet++: Redesigning skip connections to exploit multiscale features in image segmentation. IEEE Transactions on Medical Imaging, 2020, 39(6): 1856–1867. [doi: 10.1109/TMI.2019.2959609
    [14] 仝真, 徐爱俊. 基于改进ResNet-UNet的立木图像分割方法. 中南林业科技大学学报, 2021, 41(1): 132–139
    [15] Guan S, Khan AA, Sikdar S, et al. Fully dense UNet for 2-D sparse photoacoustic tomography artifact removal. IEEE Journal of Biomedical and Health Informatics, 2020, 24(2): 568–576. [doi: 10.1109/JBHI.2019.2912935
    [16] 刘培军, 马明栋, 王得玉. 基于OpenCV图像处理系统的开发与实现. 计算机技术与发展, 2019, 29(3): 127–131. [doi: 10.3969/j.issn.1673-629X.2019.03.027
    [17] 宋冬梅. 数学形态学在数字图像处理中的应用研究. 计算技术与自动化, 2021, 40(2): 136–139
    [18] 张艳楠. 图像处理中的中值滤波及其改进. 中国新通信, 2018, 20(2): 230–231. [doi: 10.3969/j.issn.1673-4866.2018.02.190
    [19] 燕红文, 邓雪峰. 中值滤波在数字图像去噪中的应用. 计算机时代, 2020, (2): 47–49
    [20] Wu ZF, Shen CH, van den Hengel A. Wider or deeper: Revisiting the ResNet model for visual recognition. Pattern Recognition, 2019, 90: 119–133. [doi: 10.1016/j.patcog.2019.01.006
    引证文献
    网友评论
    网友评论
    分享到微博
    发 布
引用本文

周思雨,储岳中,张学锋.基于改进UNet网络的烧结矿气孔分割.计算机系统应用,2022,31(7):278-284

复制
分享
文章指标
  • 点击次数:903
  • 下载次数: 1633
  • HTML阅读次数: 2445
  • 引用次数: 0
历史
  • 收稿日期:2021-09-30
  • 最后修改日期:2021-10-25
  • 在线发布日期: 2022-05-17
文章二维码
您是第11205711位访问者
版权所有:中国科学院软件研究所 京ICP备05046678号-3
地址:北京海淀区中关村南四街4号 中科院软件园区 7号楼305房间,邮政编码:100190
电话:010-62661041 传真: Email:csa (a) iscas.ac.cn
技术支持:北京勤云科技发展有限公司

京公网安备 11040202500063号