基于改进U-net的金属工件表面缺陷图像分割方法
针对金属工件表面小尺寸缺陷及受非均匀光照影响的图像缺陷难以分割的问题,提出了一种改进的U-net语义分割网络,实现金属工件表面缺陷图像的精确分割.首先,在U-net网络中融入CBAM(convolutional block attention module)模块来提升图像中缺陷目标的显著度;其次,采用深度超参数化卷积DO-Conv(depthwise over-parameterized convolutional)代替网络中部分传统卷积,增加网络可学习的参数数量;然后,采用Leaky Relu函数代替网络中部分Relu函数,提高模型对负区间的特征提取能力;最后,采用中值滤波及非均匀光照的补偿方法进行图像预处理,减弱非均匀光照对金属工件图像表面缺陷的影响.结果表明:改进后的网络平均交并比、准确率和Dice系数指标分别达到0.8335、0.9332、0.8674,改进的网络显著提升了对金属工件表面缺陷图像的分割效果.
表面缺陷、图像分割、语义分割网络、卷积注意力模块、深度超参数化卷积
44
TN209;TP391(光电子技术、激光技术)
河北省高等学校科学技术研究项目;唐山市科技计划项目
2023-02-16(万方平台首次上网日期,不代表论文的发表时间)
共7页
86-92