[发明专利]一种基于深度学习的42CrMo单相金相组织分割方法及系统

说明书

本发明公开了一种基于深度学习的42CrMo单相金相组织分割方法及系统，通过将带有真值标签的42CrMo单相金相组织图像数据库分为训练集和测试集；然后将U‑Net模型中的卷积层增加至六块卷积层，去除U‑Net模型中影像重叠策略Overlap‑tile strategy，在U‑Net模型中增加能够归一化每层网络的输入的归一化处理，得到改进后的U‑Net模型，利用六块卷积层，增加网络的深度更好的提取碳化物颗粒特征，将输入图像删减了影像重叠策略，避免图像重影干涉，更容易获取图像，在精度上更好的提取了碳化物颗粒特征信息，增加批量归一化处理，使得每层网络输入标准化，在一定程度上使得网络的收敛速度更快，进而提高了训练速度，从而有效提高了42CrMo金相图像的研究效率。

技术领域

本发明属于单相金图像处理领域，具体涉及一种基于深度学习的42CrMo单相金相组织分割方法及系统。

背景技术

图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分。图像分割技术在42CrMo单相金相组织中分割碳化物组织有着重要的应用。常见的图像分割算法包括FCM模糊聚类算法(Chatzis S P,Varvarigou T A.A fuzzy clusteringapproach toward hidden Markov random field models for enhanced spatiallyconstrained image segmentation[J].IEEE Transactions on Fuzzy Systems，2008，16(5):1351-1361.)、Otsu大津算法(Nobuyuki Otsu.A Threshold Selection Method fromGray-Level Histograms,Systems,Man and Cybernetics,IEEE Transactions on,vol.9,no.1,pp.62-66,Jan.1979.)以及ACM活动轮廓算法(M.Kass，A.Witkin，andD.Terzopoulos.Snakes:Active contour models,International J.Comuter Version,1，pp.321-331,1987.)，FCM算法尽管在许多自然图像与遥感图像等图像分割中取得了较好的分割效果，有效且精准地分割了目标物体与背景物体，然而对42CrMo金相图像中碳化物的分割效果却不佳，无法将研究目标碳化物与图像背景基体组织有效分离，Otsu算法不能有效地将基体部分与碳化物部分分割开来，大部分背景基体组织被错分为碳化物，分割效果不佳，应用ACM模型提取金相图像碳化物边缘，相对FCM算法分割与Canny算子提取碳化物边缘的效果较好，但是仍有部分将基体错分为碳化物的现象，由于碳化物边缘较为模糊，部分碳化物不能完整被提取，这对于42CrMo金相图像中碳化物的研究造成了极大的困扰，严重制约了42CrMo金相图像的研究效率。

发明内容

本发明的目的在于提供一种基于深度学习的42CrMo单相金相组织分割方法及系统，以克服现有技术的不足。

为达到上述目的，本发明采用如下技术方案：

一种基于深度学习的42CrMo单相金相组织分割方法，包括以下步骤：

步骤1)，将带有真值标签的42CrMo单相金相组织图像数据库分为训练集和测试集；

步骤2)，将U-Net模型中的卷积层增加至六块卷积层，去除U-Net模型中影像重叠策略Overlap-tile strategy，在U-Net模型中增加能够归一化每层网络的输入的归一化处理，得到改进后的U-Net模型；

步骤3)，从将上述改进之后的U-Net模型迁移至42CrMo单相金相组织图像的分割：将训练集42CrMo单相金相组织图像以及与其对应的碳化物组织轮廓作为改进后的U-Net模型的输入，对改进后的U-Net模型进行端对端训练，得到42CrMo单相金相组织图像分割模型；