[发明专利]一种基于深度学习的无铆钉铆接接头剖面图像分割方法

权利要求书

1.一种基于深度学习的无铆钉铆接接头剖面图像分割方法，其特征在于，包括如下步骤，

步骤一：采集图像数据，包括采集无铆钉铆接件的剖面图像数据，对每一张样本图像进行标注，生成样本图像对应的标签图像，并构建初始数据集；

步骤二：数据预处理，包括对初始数据集进行数据增强，使其适合于深度学习模型的输入；

步骤三：构建深度学习模型，包括基于深度学习框架，使用DeepLabv3+模型设计连接件剖面图像DeepLabv3+分割模型，模型包括编码器和解码器部分，编码器用于提取图像的特征，解码器用于对特征进行重建以获得图像分割结果；

步骤四：模型训练，包括设置DeepLabv3+分割模型的训练参数，使用数据增强后的初始数据集对模型进行训练，优化模型的参数和权重；

步骤五：图像分割，包括利用训练好的DeepLabv3+分割模型，对采集到的无铆钉铆接剖面图像进行分割，得到剖面图像的特征指标。

2.根据权利要求1所述的基于深度学习的无铆钉铆接接头剖面图像分割方法，其特征在于，步骤一中，无铆钉铆接件的剖面图像数据包括各种材料和不同连接方式的图像，通过标注工具对每一张样本图像进行标注。

3.根据权利要求2所述的基于深度学习的无铆钉铆接接头剖面图像分割方法，其特征在于，步骤一中，标注工具可以使用Labelme、CVAT、VIA、PixlAnnotationTool、EISeg中的一种或者多种组合，根据材料对截面进行分类，以表征关节形状，标注出上板和下板其他区域作为背景，生成样本图像对应的标签图像，来获得无铆钉铆接剖面的图像数据集。

4.根据权利要求1所述的基于深度学习的无铆钉铆接接头剖面图像分割方法，步骤二中，对初始数据集进行数据增强具体包括对初始数据集中的样本图像进行尺度随机的平移、翻转、旋转、裁剪、缩放的操作；

数据增强工具选择OpenCV、Imgaug、Skimage、PIL、Augmentor、Albumentations中的一种或者多种组合。

5.根据权利要求1所述的基于深度学习的无铆钉铆接接头剖面图像分割方法，步骤三中，所述的深度学习框架选择Tensorflow、Keras、Pytorch、Caffe、Theano、PaddlePaddle、MXNet、CNTK、Chainer、Deeplearning4j中的一种。

6.根据权利要求1所述的基于深度学习的无铆钉铆接接头剖面图像分割方法，步骤三中，初始的DeepLabv3+模型结构采用基于CNN的编码器-解码器结构，解码器中采用Xception模型，将Xception模型应用于分割任务，并将深度可分离卷积应用于Atrous空间金字塔池化(ASPP)和解码器模块，ASPP的结构采用1×1Conv-3×3Conv-3×3Conv卷积-3×3Conv-Image Pooling结构。

7.根据权利要求6所述的基于深度学习的无铆钉铆接接头剖面图像分割方法，步骤三中，DeepLabv3+分割模型具体网络形式为：

1)、先通过编码器将输入图像的尺寸减小16倍；

2)、使用1×1卷积将通道数减小为256，后再接一个BN，ReLU激活函数和Dropout；

3)、使用双线性插值对对齐进行上采样4倍；

4)、将缩放4倍处的浅层的特征依次经过1×1卷积将通道数减小为48-BN-ReLU；

5)、拼接3和4的Feature Map；

6)、经过两组3×3Conv，BN，ReLU，Dropout；

7)、上采样4倍得到最终的结果；

在解码器模块中，使用1×1卷积用于减少来自编码器模块的低级特征映射，3×3卷积用于获得更清晰的分割结果的。