[发明专利]基于改进的U-net语义分割网络的补强胶定位方法

说明书

本发明公开了一种基于改进的U‑net语义分割网络的补强胶定位方法，采集大量补强胶图片，制作成训练样本；输入训练图像首先经过第一编码器得第一特征图；第一特征图经最大池化层后大小减小一半，经过第二编码器、注意力模块和金字塔池化模块得第二特征图；第二特征图经最大池化层后大小减小一半，经第三编码器得到第三特征图；将第三特征图使用解码器模块与第二特征图相融合后将特征图大小上采样两倍得第一融合特征图，第一融合特征图经卷积层后使用解码器模块与第一特征图相融合后再将特征图大小上采样两倍得第二融合特征图，第二融合特征图经卷积层得到分割结果。该方法具有提高机器视觉算法应用在补强胶定位中普适性的优点。

技术领域

本发明涉及深度学习语义分割网络实现补强胶定位的技术领域，尤其是一种基于改进的U-net语义分割网络的补强胶定位方法。

背景技术

在手机零部件生成过程中，为了增强零件与软体连接处的强度，需要在连接处涂上一层补强胶，然而在涂胶过程中不可避免出现少胶、断胶、气泡等涂胶缺陷，因此补强胶缺陷检测对于手机零部件生产质量的把控尤为重要，补强胶缺陷检测的首要环节是准确在图像中定位出补强胶区域。

传统补强胶定位方法一般使用模板匹配等传统图像处理方法，这种定位方法需要在不同产品、不同打光环境下重新设计，并且需要仔细调整定位参数，不利于实际生产作业。

深度学习语义分割对输入图片进行像素级密集预测，求取每一个像素预测的最大概率即可得到图像中每一个像素预测对应的类别，因此可以使用深度学习语义分割网络实现补强胶定位，然而当前没有一种深度学习语义分割网络专门设计用于补强胶定位，并且目前普适性的深度学习语义分割网络大多存在速度和精度不均衡问题，精度高的语义分割网络速度慢，速度快的网络精度低。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。

为此，本发明提出一种基于改进的U-net语义分割网络的补强胶定位方法，具有提高机器视觉算法应用在补强胶定位中普适性的优点。

根据本发明实施例的基于改进的U-net语义分割网络的补强胶定位方法，具有以下步骤：第一步骤、制作训练数据集：采集大量不同产品和不同打光环境下的补强胶图片，经过仔细标注，制作成训练样本；第二步骤、输入训练图像，首先经过第一编码器得到第一特征图；第三步骤、第二步骤得到的第一特征图经过一个最大池化层，使得第一特征图的大小减小一半，然后经过第二编码器、注意力模块和金字塔池化模块得到第二特征图；所述注意力模块包括通道注意力模块和空间注意力模块；第四步骤、第三步骤得到的第二特征图经过一个最大池化层，使得第二特征图的大小减小一半，再经过第三编码器得到第三特征图；第五步骤、将第四步骤得到的第三特征图使用解码器模块与第三步骤得到的第二特征图相融合后再将特征图大小上采样两倍得到第一融合特征图，然后第一融合特征图经过两个卷积层后再使用解码器模块与第二步骤得到的第一特征图相融合后再将特征图大小上采样两倍得到第二融合特征图，最后第二融合特征图经过一个卷积层得到分割结果。

本发明的有益效果是，本发明利用注意力模块中的通道注意力模块得到通道注意力特征图，使得通道卷积特征细化，空间注意力模块在特征图中找出最具代表特征信息的空间部分，通道注意力模块和空间注意力模块相结合能够在显著减小U-net网络参数的同时提升分割细节；本发明的第二编码器将输入底层特征图与经过4个SE卷积模块和一个最大池化层输出的高层特征图相融合，增加输出特征图的感受野和定位精度，从而提升U-net网络的分割精度；本发明与原始U-net网络相比具有更高的精度和速度，尤其对于补强胶定位场景中能够分割出细粒度更高的补强胶区域。

根据本发明一个实施例，在所述第三步骤中，所述第一特征图经过一个池化核为2*2、步长数为2的最大池化层，使得第一特征图的大小减小一半。

根据本发明一个实施例，在所述第四步骤中，所述第二特征图经过一个池化核为2*2、步长数为2的最大池化层，使得第二特征图的大小减小一半。