CN111968122A - 一种基于卷积神经网络的纺织材料ct图像分割方法和装置 - Google Patents

Abstract

本申请公开了一种基于卷积神经网络的纺织材料CT图像分割方法和装置，首先，构建包括编码器和解码器的分割模型；其次，获取待分割纺织材料CT图像，并将其输入至训练好的分割模型，使得编码器对输入图像进行特征提取得到编码特征图，编码器将多个层级的编码特征图输入解码器的相应层级进行特征融合得到第一融合特征图，解码器对第一融合特征图进行解码得到解码特征图，并融合中间层级和深层级的解码特征图得到第二融合特征图，再对其进行卷积操作得到分割结果，解决了现有的纺织材料CT图像分割方法采用人工手动分割存在的分割难度大，分割过程繁琐，费时费力，分割结果很大程度上取决于操作人员的经验和知识，分割结果难以重现的技术问题。

Description

一种基于卷积神经网络的纺织材料CT图像分割方法和装置

技术领域

本申请涉及图像分割技术领域，尤其涉及一种基于卷积神经网络的纺织材料CT图像分割方法和装置。

背景技术

图像处理是分析工业CT图像的重要步骤，可以使得图像更加直观、清晰，有助于提高检测效率和准确率。图像分割是图像处理的重要环节，CT图像的分割主要涉及3个相关问题：变化的噪声、像素灰度分类的不确定性以及灰度的非均衡性。纺织材料CT图像普遍存在灰度不均匀，边缘模糊不清的特点，对图像分割带来了很大的挑战。现有的纺织材料CT图像分割方法主要采用人工手动分割，人工手动分割虽然精度高，但是存在分割难度大，分割过程繁琐，费时费力，分割结果很大程度上取决于操作人员的经验和知识，分割结果难以重现。

发明内容

本申请提供了一种基于卷积神经网络的纺织材料CT图像分割方法和装置，用于解决现有的纺织材料CT图像分割方法采用人工手动分割存在的分割难度大，分割过程繁琐，费时费力，分割结果很大程度上取决于操作人员的经验和知识，分割结果难以重现的技术问题。

有鉴于此，本申请第一方面提供了一种基于卷积神经网络的纺织材料CT图像分割方法，包括：

构建分割模型，所述分割模型包括编码器和解码器，所述编码器和所述解码器的多个层级之间存在横向连接，所述解码器的中间层级和深层级之间存在连接；

获取待分割纺织材料CT图像，将所述待分割纺织材料CT图像输入至训练好的所述分割模型，使得所述编码器的多个层级串行对所述待分割纺织材料CT图像进行特征提取得到编码特征图，所述编码器将多个层级的编码特征图输入所述解码器的相应层级进行特征融合得到第一融合特征图，所述解码器对所述第一融合特征图进行解码处理得到解码特征图，所述解码器融合中间层级的所述解码特征图和深层级的所述解码特征图得到第二融合特征图，所述解码器对所述第二融合特征图进行卷积操作，得到所述待分割纺织材料CT图像的分割结果。

可选的，所述分割模型的训练过程包括：

获取待训练纺织材料CT图像，所述待训练纺织材料CT图像标注有分割标注结果；

将所述待训练纺织材料CT图像输入到构建的所述分割模型，输出所述待训练纺织材料CT图像的分割预测结果；

基于预置损失函数计算所述待训练纺织材料CT图像的分割预测结果与分割标注结果的损失值；

根据所述损失值，对所述分割模型的待训练参数进行更新，直至所述分割模型达到收敛条件，得到训练好的所述分割模型。

可选的，所述预置损失函数的公式为：

其中，y为分割预测结果，

为分割标注结果，w_n为常数，ε为常数。

可选的，所述将所述待训练纺织材料CT图像输入到构建的所述分割模型之前，还包括：

对所述待训练纺织材料CT图像进行归一化处理。

可选的，所述对所述待训练纺织材料CT图像进行归一化处理之后，所述将所述待训练纺织材料CT图像输入到构建的所述分割模型之前，还包括：

对归一化后的所述待训练纺织材料CT图像进行数据增强。

可选的，所述编码器由多个卷积层和多个下采样层构成，所述解码器由多个卷积层、多个批归一化层和多个上采样层构成。

本申请第二方面提供了一种基于卷积神经网络的纺织材料CT图像分割装置，包括：

构建单元，用于构建分割模型，所述分割模型包括编码器和解码器，所述编码器和所述解码器的多个层级之间存在横向连接，所述解码器的中间层级和深层级之间存在连接；

分割单元，用于获取待分割纺织材料CT图像，将所述待分割纺织材料CT图像输入至训练好的所述分割模型，使得所述编码器的多个层级串行对所述待分割纺织材料CT图像进行特征提取得到编码特征图，所述编码器将多个层级的编码特征图输入所述解码器的相应层级进行特征融合得到第一融合特征图，所述解码器对所述第一融合特征图进行解码处理得到解码特征图，所述解码器融合中间层级的所述解码特征图和深层级的所述解码特征图得到第二融合特征图，所述解码器对所述第二融合特征图进行卷积操作，得到所述待分割纺织材料CT图像的分割结果。

可选的，还包括：

获取单元，用于获取待训练纺织材料CT图像，所述待训练纺织材料CT图像标注有分割标注结果；

输出单元，用于将所述待训练纺织材料CT图像输入到构建的所述分割模型，输出所述待训练纺织材料CT图像的分割预测结果；

计算单元，用于基于预置损失函数计算所述待训练纺织材料CT图像的分割预测结果与分割标注结果的损失值；

更新单元，用于根据所述损失值，对所述分割模型的待训练参数进行更新，直至所述分割模型达到收敛条件，得到训练好的所述分割模型。

可选的，还包括：

归一化单元，用于对所述待训练纺织材料CT图像进行归一化处理。

可选的，还包括：

数据增强单元，用于对归一化后的所述待训练纺织材料CT图像进行数据增强。

从以上技术方案可以看出，本申请具有以下优点：

本申请提供了一种基于卷积神经网络的纺织材料CT图像分割方法，包括：构建分割模型，分割模型包括编码器和解码器，编码器和解码器的多个层级之间存在横向连接，解码器的中间层级和深层级之间存在连接；获取待分割纺织材料CT图像，将待分割纺织材料CT图像输入至训练好的分割模型，使得编码器的多个层级串行对待分割纺织材料CT图像进行特征提取得到编码特征图，编码器将多个层级的编码特征图输入解码器的相应层级进行特征融合得到第一融合特征图，解码器对第一融合特征图进行解码处理得到解码特征图，解码器融合中间层级的解码特征图和深层级的解码特征图得到第二融合特征图，解码器对第二融合特征图进行卷积操作，得到待分割纺织材料CT图像的分割结果。

本申请中的基于卷积神经网络的纺织材料CT图像分割方法，通过构建分割模型来对待分割纺织材料CT图像进行自动分割，采用端到端的分割方式，不需要人工处理，具有分割效率快和分割精度高的优点，并且分割结果可以重现；构建的分割模型中，通过将编码器和解码器之间的多个层级进行横向连接，使得编码器多个层级输出的编码特征与解码器的相应层级进行特征融合，可以保留编码器中的细节特征信息，提高分割精度；通过将解码器的中间层级和深层级进行连接，使得解码器融合中间层级的解码特征图和深层级的解码特征图，可以融合较浅层和深层的图像特征，增强解码相应层的语义信息和细节信息，进而提高分割精度，从而解决了现有的纺织材料CT图像分割方法采用人工手动分割存在的分割难度大，分割过程繁琐，费时费力，分割结果很大程度上取决于操作人员的经验和知识，分割结果难以重现的技术问题。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本申请实施例提供的一种基于卷积神经网络的纺织材料CT图像分割方法的一个流程示意图；

图2为本申请实施例提供的一种基于卷积神经网络的纺织材料CT图像分割方法的另一个流程示意图；

图3为本申请实施例提供的一种分割模型的一个结构示意图；

图4为本申请实施例提供的一个纺织材料CT图像的分割预测结果的一个示意图；

图5为本申请实施例提供的一个纺织材料CT图像的专家分割结果的一个示意图；

图6为本申请实施例提供的一种基于卷积神经网络的纺织材料CT图像分割装置的一个结构示意图。

具体实施方式

本申请提供了一种基于卷积神经网络的纺织材料CT图像分割方法和装置，用于解决现有的纺织材料CT图像分割方法采用人工手动分割存在的分割难度大，分割过程繁琐，费时费力，分割结果很大程度上取决于操作人员的经验和知识，分割结果难以重现的技术问题。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

为了便于理解，请参阅图1，本申请提供的一种基于卷积神经网络的纺织材料CT图像分割方法的一个实施例，包括：

步骤101、构建分割模型。

为了避免人工手动进行图像分割，本申请实施例中构建一个分割模型用于自动分割图像，其中，分割模型包括编码器和解码器，编码器和解码器的多个层级之间存在横向连接，解码器的中间层级和深层级之间存在连接。

步骤102、获取待分割纺织材料CT图像，将待分割纺织材料CT图像输入至训练好的分割模型，使得编码器的多个层级串行对待分割纺织材料CT图像进行特征提取得到编码特征图，编码器将多个层级的编码特征图输入解码器的相应层级进行特征融合得到第一融合特征图，解码器对第一融合特征图进行解码处理得到解码特征图，解码器融合中间层级的解码特征图和深层级的解码特征图得到第二融合特征图，解码器对第二融合特征图进行卷积操作，得到待分割纺织材料CT图像的分割结果。

获取待分割纺织材料CT图像，待分割纺织材料CT图像可以是纬纱弹力丝CT图像，将获取的待分割纺织材料CT图像输入至训练好的分割模型中进行图像分割处理，编码器用于提取输入图像的上下文信息，解码器用于对输入图像中所需要分割出来的部分进行精准定位。分割模型中的编码器的多个层级串行对待分割纺织材料CT图像进行特征提取得到编码特征图，解码器对编码器输出的编码特征图进行解码处理。为了最大可能保留编码器过程中的细节特征信息，更好的帮助解码器修复图像的细节，提高图像分割精度，将编码器和解码器的多个层级进行横向连接，使得编码器将多个层级的编码特征图输入解码器的相应层级进行特征融合得到第一融合特征图，解码器对第一融合特征图进行解码处理得到解码特征图。为了进一步提高分割精度，本申请实施例中将解码器中的中间层级和深层级进行连接，使得解码器融合中间层级的解码特征图和深层级的解码特征图得到第二融合特征图，从而融合较浅层和较深层的图像特征，增强解码相应层级的语义信息和细节信息。解码器对第二融合特征图进行卷积操作，得到待分割纺织材料CT图像的分割结果。

本申请实施例中的基于卷积神经网络的纺织材料CT图像分割方法，通过构建分割模型来对待分割纺织材料CT图像进行自动分割，采用端到端的分割方式，不需要人工处理，具有分割效率快和分割精度高的优点，并且分割结果可以重现；构建的分割模型中，通过将编码器和解码器之间的多个层级进行横向连接，使得编码器多个层级输出的编码特征与解码器的相应层级进行特征融合，可以保留编码器中的细节特征信息，提高分割精度；通过将解码器的中间层级和深层级进行连接，使得解码器融合中间层级的解码特征图和深层级的解码特征图，可以融合较浅层和深层的图像特征，增强解码相应层的语义信息和细节信息，进而提高分割精度，从而解决了现有的纺织材料CT图像分割方法采用人工手动分割存在的分割难度大，分割过程繁琐，费时费力，分割结果很大程度上取决于操作人员的经验和知识，分割结果难以重现的技术问题。

以上为本申请实施例提供的一种基于卷积神经网络的纺织材料CT图像分割方法的一个实施例，以下为本申请实施例提供的一种基于卷积神经网络的纺织材料CT图像分割方法的另一个实施例。

为了便于理解，请参阅图2，本申请提供的一种基于卷积神经网络的纺织材料CT图像分割方法的另一个实施例，包括：

步骤201、构建分割模型。

为了避免人工手动进行图像分割，本申请实施例中构建一个分割模型用于自动分割图像，本申请实施例中的分割模型请参考图3，其中，分割模型包括编码器和解码器。

分割模型中的编码器优选为4个卷积模块和4个下采样层构成，4个卷积模块中的第一卷积模块C1由两个卷积层构成，每个卷积层后接激活函数，激活函数优选为Relu激活函数；第二卷积模块C2、第三卷积模块C3和第四卷积模块C4均由三个卷积层构成，每个卷积层后接激活函数，激活函数优选为Relu激活函数，同一卷积模块中的每一层卷积层的卷积核数量相同，不同的卷积模块之间的卷积核数量不同，编码器中4个卷积模块的每一层卷积层的卷积核数量依次为64、128、256和512，下采样层为最大池化层(max pool)，不同的卷积模块之间均采用最大池化操作进行下采样。

分割模型中的解码器包括5个卷积模块和4个上采样模块，5个卷积模块中的第五卷积模块A5由两个卷积层构成，每个卷积层后接激活函数，激活函数优选为Relu激活函数；5个卷积模块中的第二卷积模块A2、第三卷积模块A3、第四卷积模块A4和第五卷积模块A5均由三个卷积层构成，每个卷积层后接激活函数，激活函数优选为Relu激活函数，同一卷积模块中的每一层卷积层的卷积核数量相同，不同的卷积模块之间的卷积核数量不同，解码器中5个卷积模块的每一层卷积层的卷积核数量依次为1024、512、256、128和64，4个上采样模块均由批归一化(BatchNormalization)层、上采样层和2×2卷积层构成，上采样模块的结构可以简化为bn-up-conv2×2，4个上采样模块中每个卷积层的卷积核数量依次为512、256、128和64。

分割模型中的编码器和解码器的多个层级之间存在横向连接，解码器的中间层级和深层级之间存在连接，请参考图3，本申请实施例中编码器中的第一卷积模块C1与解码器中的第一卷积模块A1进行横向连接，编码器中的第二卷积模块C2与解码器中的第二卷积模块A2进行横向连接，编码器中的第三卷积模块C3与解码器中的第三卷积模块A3进行横向连接，编码器中的第四卷积模块C4与解码器中的第四卷积模块A4进行横向连接，考虑到编码器中各卷积模块所在的层级的编码特征图与解码器中各卷积模块所在层级的特征图大小不一致，可以将编码器各层级的编码特征图进行裁剪(crop)得到与解码器相应层级的特征图一样大小的编码特征图，再与解码器中的特征图进行特征图融合。本申请实施例中优选将解码器中的第四卷积模块A4、第三卷积模块A3和第二卷积模块A2的这三个中间层级与第一卷积模块A1这个深层级进行连接，从而将较浅层级的特征图与深层级的特征图进行融合，由于不同层级的特征图的大小不一致，本申请中解码器先对中间层级的特征图进行双线性插值的上采样操作，再通过1×1卷积层进行卷积操作得到与深层级的特征图一样大小的特征图，再进行拼接(concat)以完成融合，增强深层级的特征图的语义信息。

步骤202、获取待训练纺织材料CT图像，待训练纺织材料CT图像标注有分割标注结果。

可以从公开的数据库中获取预置数量的待训练纺织材料CT图像，由于在采集待训练纺织材料CT图像时，扫描机器或操作情况不同，使得采集到的待训练纺织材料CT图像的数据缺乏一致性，因此，在获取待训练纺织材料CT图像后，可以对待训练纺织材料CT图像进行归一化处理。

为了更充分的训练分割模型，可以对待训练纺织材料CT图像进行数据增强以扩充待训练纺织材料CT图像的数量，可以通过对待训练纺织材料CT图像进行平移变换、旋转变换、翻转变换或尺度变换来进行数据增强。平移变换为在图像平面对图像进行平移，旋转变换为按照一定角度顺时针或逆时针对图像进行旋转，翻转变换为沿着水平或垂直方向翻转图像，尺度变换为对图像按照一定的比例进行放大或缩小。

步骤203、将待训练纺织材料CT图像输入到构建的分割模型，输出待训练纺织材料CT图像的分割预测结果。

步骤204、基于预置损失函数计算待训练纺织材料CT图像的分割预测结果与分割标注结果的损失值。

将待训练纺织材料CT图像输入到构建的分割模型进行图像分割，输出待训练纺织材料CT图像的分割预测结果，基于预置损失函数计算待训练纺织材料CT图像的分割预测结果与分割标注结果的损失值，其中，预置损失函数f_loss的公式为：

其中，y为分割预测结果，

为分割标注结果，w_n为常数，优选为0.5，ε为常数，优选为0.05。

步骤205、根据损失值，对分割模型的待训练参数进行更新，直至分割模型达到收敛条件，得到训练好的分割模型。

根据损失值，反向传播对分割模型的待训练参数进行更新，训练过程中可以采用Adam优化器进行优化，超参数中的momentum可以设为0.9，初始学习率可以设为0.0001，训练中学习率可以按照余弦退火的方式进行调整。直至分割模型达到收敛条件，具体的，可以是分割模型的损失值低于预置阈值，也可以是分割模型的训练迭代次数达到预置迭代次数，分割模型收敛，停止训练，得到训练好的分割模型。

步骤206、获取待分割纺织材料CT图像，将待分割纺织材料CT图像输入至训练好的分割模型，使得编码器的多个层级串行对待分割纺织材料CT图像进行特征提取得到编码特征图，编码器将多个层级的编码特征图输入解码器的相应层级进行特征融合得到第一融合特征图，解码器对第一融合特征图进行解码处理得到解码特征图，解码器融合中间层级的解码特征图和深层级的解码特征图得到第二融合特征图，解码器对第二融合特征图进行卷积操作，得到待分割纺织材料CT图像的分割结果。

获取待分割纺织材料CT图像后，可以对待分割纺织材料CT图像进行归一化处理，将归一化处理后的待分割纺织材料CT图像输入至训练好的分割模型中进行图像分割处理，编码器用于提取输入图像的上下文信息，解码器用于对输入图像中所需要分割出来的部分进行精准定位。分割模型中的编码器的多个层级串行对待分割纺织材料CT图像进行特征提取得到编码特征图，解码器对编码器输出的编码特征图进行解码处理。为了最大可能保留编码器过程中的细节特征信息，更好的帮助解码器修复图像的细节，提高图像分割精度，将编码器和解码器的多个层级进行横向连接，使得编码器将多个层级的编码特征图输入解码器的相应层级进行特征融合得到第一融合特征图，解码器对第一融合特征图进行解码处理得到解码特征图。为了进一步提高分割精度，本申请实施例中将解码器中的中间层级和深层级进行连接，使得解码器融合中间层级的解码特征图和深层级的解码特征图得到第二融合特征图，从而融合较浅层和较深层的图像特征，增强解码相应层级的语义信息和细节信息。解码器对第二融合特征图进行1×1卷积操作以及通过sigmoid激活函数的处理，得到待分割纺织材料CT图像的分割结果。通过分割模型分割得到一个待分割纺织材料CT图像的分割预测结果，如图4所示，本申请实施例还提供该待分割纺织材料CT图像的专家分割结果，如图5所示，通过对比图4和图5可知，本申请通过分割模型得到的分割预测结果与专家分割结果基本一致，说明本申请中的分割模型的分割精度较高。

以上为本申请实施例提供的一种基于卷积神经网络的纺织材料CT图像分割方法的一个实施例，以下为本申请实施例提供的一种基于卷积神经网络的纺织材料CT图像分割装置的一个实施例。

为了便于理解，请参阅图6，本申请提供的一种基于卷积神经网络的纺织材料CT图像分割装置的一个实施例，包括：

构建单元301，用于构建分割模型，分割模型包括编码器和解码器，编码器和解码器的多个层级之间存在横向连接，解码器的中间层级和深层级之间存在连接。

分割单元302，用于获取待分割纺织材料CT图像，将待分割纺织材料CT图像输入至训练好的分割模型，使得编码器的多个层级串行对待分割纺织材料CT图像进行特征提取得到编码特征图，编码器将多个层级的编码特征图输入解码器的相应层级进行特征融合得到第一融合特征图，解码器对第一融合特征图进行解码处理得到解码特征图，解码器融合中间层级的解码特征图和深层级的解码特征图得到第二融合特征图，解码器对第二融合特征图进行卷积操作，得到待分割纺织材料CT图像的分割结果。

作为进一步的改进，还包括：

获取单元303，用于获取待训练纺织材料CT图像，待训练纺织材料CT图像标注有分割标注结果。

输出单元304，用于将待训练纺织材料CT图像输入到构建的分割模型，输出待训练纺织材料CT图像的分割预测结果；

计算单元305，用于基于预置损失函数计算待训练纺织材料CT图像的分割预测结果与分割标注结果的损失值。

更新单元306，用于根据损失值，对分割模型的待训练参数进行更新，直至分割模型达到收敛条件，得到训练好的分割模型。

作为进一步的改进，还包括：

归一化单元307，用于对待训练纺织材料CT图像进行归一化处理。

作为进一步的改进，还包括：

数据增强单元308，用于对归一化后的待训练纺织材料CT图像进行数据增强。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种基于卷积神经网络的纺织材料CT图像分割方法，其特征在于，包括：

构建分割模型，所述分割模型包括编码器和解码器，所述编码器和所述解码器的多个层级之间存在横向连接，所述解码器的中间层级和深层级之间存在连接；

获取待分割纺织材料CT图像，将所述待分割纺织材料CT图像输入至训练好的所述分割模型，使得所述编码器的多个层级串行对所述待分割纺织材料CT图像进行特征提取得到编码特征图，所述编码器将多个层级的编码特征图输入所述解码器的相应层级进行特征融合得到第一融合特征图，所述解码器对所述第一融合特征图进行解码处理得到解码特征图，所述解码器融合中间层级的所述解码特征图和深层级的所述解码特征图得到第二融合特征图，所述解码器对所述第二融合特征图进行卷积操作，得到所述待分割纺织材料CT图像的分割结果。

2.根据权利要求1所述的基于卷积神经网络的纺织材料CT图像分割方法，其特征在于，所述分割模型的训练过程包括：

获取待训练纺织材料CT图像，所述待训练纺织材料CT图像标注有分割标注结果；

将所述待训练纺织材料CT图像输入到构建的所述分割模型，输出所述待训练纺织材料CT图像的分割预测结果；

基于预置损失函数计算所述待训练纺织材料CT图像的分割预测结果与分割标注结果的损失值；

根据所述损失值，对所述分割模型的待训练参数进行更新，直至所述分割模型达到收敛条件，得到训练好的所述分割模型。

3.根据权利要求2所述的基于卷积神经网络的纺织材料CT图像分割方法，其特征在于，所述预置损失函数的公式为：

其中，y为分割预测结果，

为分割标注结果，w_n为常数，ε为常数。

4.根据权利要求2所述的基于卷积神经网络的纺织材料CT图像分割方法，其特征在于，所述将所述待训练纺织材料CT图像输入到构建的所述分割模型之前，还包括：

对所述待训练纺织材料CT图像进行归一化处理。

5.根据权利要求4所述的基于卷积神经网络的纺织材料CT图像分割方法，其特征在于，所述对所述待训练纺织材料CT图像进行归一化处理之后，所述将所述待训练纺织材料CT图像输入到构建的所述分割模型之前，还包括：

对归一化后的所述待训练纺织材料CT图像进行数据增强。

6.根据权利要求1所述的基于卷积神经网络的纺织材料CT图像分割方法，其特征在于，所述编码器由多个卷积层和多个下采样层构成，所述解码器由多个卷积层、多个批归一化层和多个上采样层构成。

7.一种基于卷积神经网络的纺织材料CT图像分割装置，其特征在于，包括：

构建单元，用于构建分割模型，所述分割模型包括编码器和解码器，所述编码器和所述解码器的多个层级之间存在横向连接，所述解码器的中间层级和深层级之间存在连接；

分割单元，用于获取待分割纺织材料CT图像，将所述待分割纺织材料CT图像输入至训练好的所述分割模型，使得所述编码器的多个层级串行对所述待分割纺织材料CT图像进行特征提取得到编码特征图，所述编码器将多个层级的编码特征图输入所述解码器的相应层级进行特征融合得到第一融合特征图，所述解码器对所述第一融合特征图进行解码处理得到解码特征图，所述解码器融合中间层级的所述解码特征图和深层级的所述解码特征图得到第二融合特征图，所述解码器对所述第二融合特征图进行卷积操作，得到所述待分割纺织材料CT图像的分割结果。

8.根据权利要求7所述的基于卷积神经网络的纺织材料CT图像分割装置，其特征在于，还包括：

获取单元，用于获取待训练纺织材料CT图像，所述待训练纺织材料CT图像标注有分割标注结果；

输出单元，用于将所述待训练纺织材料CT图像输入到构建的所述分割模型，输出所述待训练纺织材料CT图像的分割预测结果；

计算单元，用于基于预置损失函数计算所述待训练纺织材料CT图像的分割预测结果与分割标注结果的损失值；

更新单元，用于根据所述损失值，对所述分割模型的待训练参数进行更新，直至所述分割模型达到收敛条件，得到训练好的所述分割模型。

9.根据权利要求8所述的基于卷积神经网络的纺织材料CT图像分割装置，其特征在于，还包括：

归一化单元，用于对所述待训练纺织材料CT图像进行归一化处理。

10.根据权利要求9所述的基于卷积神经网络的纺织材料CT图像分割装置，其特征在于，还包括：

数据增强单元，用于对归一化后的所述待训练纺织材料CT图像进行数据增强。

Images