CN113837193A - 一种基于改进U-Net网络的锌浮选泡沫图像分割算法 - Google Patents

一种基于改进U-Net网络的锌浮选泡沫图像分割算法 Download PDF

Info

Publication number
CN113837193A
CN113837193A CN202111117727.4A CN202111117727A CN113837193A CN 113837193 A CN113837193 A CN 113837193A CN 202111117727 A CN202111117727 A CN 202111117727A CN 113837193 A CN113837193 A CN 113837193A
Authority
CN
China
Prior art keywords
foam
module
image
convolution
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111117727.4A
Other languages
English (en)
Other versions
CN113837193B (zh
Inventor
唐朝晖
郭俊岑
张虎
钟宇泽
谢永芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202111117727.4A priority Critical patent/CN113837193B/zh
Publication of CN113837193A publication Critical patent/CN113837193A/zh
Application granted granted Critical
Publication of CN113837193B publication Critical patent/CN113837193B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于改进U‑Net网络的锌浮选泡沫图像分割算法，针对现场设置的工业相机所获得的泡沫图像，提出一种适应于复杂泡沫图像分割的改进U‑Net架构，在传统U‑Net网络的基础上，做出如下改进：在U‑Net网络第一层部分对称引入Inception与批量归一化模块，在U‑Net网络的编码模块末端加入金字塔池化模块，同时在网络的编码模块与解码模块对应层间的跳跃连接处引入改进的注意力门控机制。本发明实现了对泡沫图像中的每个泡沫的分割，有效弥补了传统的泡沫图像分割对单个泡沫分割不彻底、不精细的缺陷，从而可以提升效率，为后续的泡沫特征提取奠定坚实基础。

Description

一种基于改进U-Net网络的锌浮选泡沫图像分割算法
技术领域
本发明属于泡沫浮选技术领域，具体涉及一种锌浮选过程中的泡沫图像分割方法。
背景技术
作为应用最为广泛的一种选矿方法，泡沫浮选可以用于几乎所有矿石的分选。泡沫浮选是以表面化学为基础，利用矿物颗粒表面亲疏水性的差异来使不同矿物达到有效分离效果的选矿方法，泡沫的表面视觉特征则直接表征了浮选生产工况。目前，我国有色金属的浮选过程主要依靠工作人员在浮选现场进行观察，通过浮选槽表面泡沫状态来进行操作参数的调整。在当前矿源复杂多变的情况下，这种操作方式存在很大的主观性和随意性，严重影响浮选过程的优化运行，对本就有限的矿物造成一定的浪费。将机器视觉技术引入矿物浮选过程，完成泡沫参数的准确测量和生产状态的量化描述，对优化浮选过程操作具有重要作用。由于由工业相机获取到的锌浮选泡沫图像存在泡沫结构复杂、轮廓不清晰、泡沫间粘连严重等问题，极大增加了分割难度。针对这些问题，提出一种新的泡沫图像分割方法，减少泡沫图像分割结果中泡沫边界信息丢失，提高泡沫分割算法准确度。
发明内容
本发明的目的是提供一种基于改进U-Net网络的锌浮选泡沫图像分割算法，通过对泡沫图像进行分割，获得单个泡沫，能更好地表征图像特征，从而更好地指导浮选过程。本发明针对目前存在的锌浮选泡沫图像中气泡粘连性强、边界不清晰等情况而造成浮选泡沫图像分割准确率低的问题，提出了改进并优化的U-Net架构，以适应于泡沫图像分割。实验结果显示本文的算法模型能够取得不错的分割效果，对泡沫图像分割有一定的参考意义。
本发明采用的技术方案步骤如下：
步骤一：数据准备；
采集锌快粗选过程中的泡沫图像，得到原始泡沫图像Ix；对原始泡沫图像Ix中的泡沫边界分别进行像素级标注，得到人工泡沫分割图像IGT，Ix与IGT共同建立泡沫图像数据集。
步骤二：数据增强处理
对工业相机所获得的泡沫图像样本Ix和对应的人工手动做出的分割图像IGT分别进行旋转、翻转，数据增强处理得到样本图像，将所有样本图像按比例划分为训练集、验证集、测试集；
步骤三：搭建分割模型。
以U-Net网络对称编解码架构作为主干网络，包括依次连接的输入层、编码器模块、金字塔池化模块、解码器模块和输出层；输入为128×128大小的泡沫图片，编码器模块采用4层卷积池化模块，卷积层的卷积核大小为3×3，池化层的核大小为2×2，第一层卷积池化模块改为Inception与批量归一化层，扩大网络的宽度与深度，再经过3层同样的卷积池化模块下采样后，在U-Net网络的编码器模块末端加入金字塔池化模块，完成对泡沫图像的下采样过程，逐步提取泡沫图像特征信息；上采样部分经过重复的反卷积池化操作，在最后一层解码器模块使用Inception与批量归一化层，还原细节信息；同时在U-Net编解码模块层之间的跳跃连接处引入注意力门控机制；最后再经过一个1×1的卷积和Sigmoid激活函数，得到输出为同样128×128大小的泡沫分割图片。
步骤四：训练图像分割网络；
将步骤二中划分后的训练集图片送入步骤三构建的改进U-Net的卷积神经网络分割模型进行训练。
步骤五：利用所述U Net神经网络模型对测试集中的泡沫图像进行识别分割，得到网络最后的分割结果。
在上述的基于改进U-Net网络的锌浮选泡沫图像分割算法，在步骤二中，采用一些随机的图像处理方法来对原始数据集进行扩充，包括水平翻转、垂直翻转以及90°、180°、270°的旋转，提高网络的泛化能力；最后将增强后的样本数据按照8∶1∶1的比例来划分训练集、验证集、测试集。
在上述的基于改进U-Net网络的锌浮选泡沫图像分割算法，步骤三中，U-Net网络对称引入Inception块来取代单一的卷积操作；为确保经过该模块后特征通道数加倍而尺寸大小减半，Inception模块含有三条卷积支路，各支路的卷积感受野分别为1×1、3×3和5×5；同时在原始的Inception块基础上，在1×1，3×3，5×5卷积核后紧跟着批量归一化操作，获取多尺度、多层次的图像特征信息，同时加速网络的收敛速度；编码器模块和解码器模块均采用Inception模块，保证图像分割的准确性。
在上述的基于改进U-Net网络的锌浮选泡沫图像分割算法，步骤三中，在改进U-Net网络的编码器模块末端引入金字塔池化模块，金字塔池化模块融合了4种尺度的特征图，包括1×1，2×2，4×4，8×8；首先，对特征图分别池化到目标尺寸，然后对池化后的结果进行1×1卷积将通道数减少到原来的1/4；接着，对上一步的每一个特征图利用双线性插值上采样得到原特征图相同的尺寸，然后将原特征图和上采样得到的特征图按通道数维进行拼接，得到的通道数是原特征图的通道数的两倍；最后再用1×1卷积将通道数缩小到原来的通道数，最终的特征图就得到和原来的特征图一样的尺寸和通道数。
在上述的基于改进U-Net网络的锌浮选泡沫图像分割算法，步骤三中，在U-Net网络编-解码模块层间的跳跃连接处接入注意力门控机制，在编-解码模块的每一层中，来自编码模块的浅层特征Fl作为特征输入，从解码模块对应层获取的深度特征Fg作为门控信号，两者先分别进行1×1卷积，再将卷积后的结果相加，经过Relu激活函数、1×1卷积层和Sigmoid激活函数的处理后，得到与输入特征图尺寸相同、通道数为1的权重图α；在注意力机制中，浅层特征Fl需经最大池化层与1×1卷积层得到新的特征图F′l，将生成的权重图α与特征图F′l相乘，得到带有权重的特征图aF′l，最后将深度特征图Fg与aF′l相加，实现对aF′l标定，得到被强化过的新的浅层特征图Fnew；浅层特征图包含泡沫丰富边界信息，该注意力机制实现多层次特征的融合，加强了用于精确分割的浅层特征图，泡沫边界细节获得更多的关注。
在上述的基于改进U-Net网络的锌浮选泡沫图像分割算法，步骤四中，用划分好的训练集来训练泡沫图像分割网络，利用反向传播策略，使用收敛速度快的Adam优化器更新训练权重，每次送入网络的训练样本批量为16，训练次数为400次，最优学习率为0.0001。
在上述的基于改进U-Net网络的锌浮选泡沫图像分割算法，步骤四中，模型训练过程中，采用以Dice损失函数和二分类交叉熵值损失函数为基础的加权损失函数，其形式定义为：
Figure BDA0003274712860000021
式中，第一部分属于BCE损失，而第二部分为Dice损失；X代表预测分割结果；Y代表实际的标签值。
在上述的基于改进U-Net网络的锌浮选泡沫图像分割算法，在步骤五中，本发明采用IoU分割精度指标来评估网络的性能，
Figure BDA0003274712860000022
式中，TP表示泡沫边界像素类被正确分类样本面积；FP表示背景像素类被错分为泡沫边界像素类样本面积；FN表示泡沫边界像素类被错分为背景像素类样本面积，使用测试集进行实验结果验证，实验结果表明泡沫图像分割的准确率达到了91.73％。
本发明提出的一种基于改进U Net的锌浮选泡沫图像分割方法，考虑到一些图像分割网络对泡沫图像中泡沫边界无法精确识别并分割出来，存在分割线条不连贯、欠分割等的问题。本发明借助Inception中多个卷积核的组合来扩大感受野，使得网络在保持空间信息的情况下，获取更多泡沫边界的信息；利用金字塔池化模块捕获全局上下文信息，多尺度提取完整泡沫边界信息；最后，在改进网络编码块与解码块对应层间的跳连接中引入注意力门控机制，使得模型在训练时能够更快地收敛，并且能重点关注并增强浅层边界特征，使得分割边界更加连贯流畅。通过采用BCE损失与Dice损失函数加权的损失函数，能够解决现有技术中分割精度低、网络不易收敛的问题，使得本发明具有分割精度高、收敛快的优点。通过本发明，可以从锌浮选泡沫图像中较好的分割出来单个泡沫，解决泡沫图像分割欠分割与过分割的问题，对后续的泡沫特征提取奠定基础。
附图说明
图1是本发明一实施例中一种基于改进U-Net网络的锌浮选泡沫图像分割算法的整体流程示意图。
图2为本发明中使用的注意力门控模块。
图3为本发明提供的一种基于U-Net网络改进的卷积神经网络结构示意图。
图4是本发明一实施例中一种基于改进U-Net网络的锌浮选泡沫图像分割算法识别分割单个泡沫边界的效果示意图。
具体实施方式
图1是本发明流程图。
步骤一：数据准备
采集锌快粗选过程中的泡沫图像，得到原始泡沫图像Ix；对原始泡沫图像Ix中的泡沫边界分别进行像素级标注，得到人工泡沫分割图像IGT，Ix与IGT共同建立泡沫图像数据集。
步骤二：数据增强处理
对工业相机所获得的泡沫图像样本Ix和对应的人工手动做出的分割图像IGT分别进行旋转、翻转，数据增强处理得到样本图像，将所有样本图像按比例划分为训练集、验证集、测试集；数据增强是指通过一系列随机变换对原始数据进行扩充从而提高数据量的方法。结合实际情况，本***采用一些随机的图像处理方法来对原始数据集进行扩充，包括水平翻转、垂直翻转以及90°、180°、270°的旋转，提高网络的泛化能力；最后将增强后的样本数据按照8∶1∶1的比例来划分训练集、验证集、测试集。
步骤三：搭建分割模型
以U-Net网络对称编解码架构作为主干网络，包括依次连接的输入层、编码器模块、金字塔池化模块、解码器模块和输出层；输入为128×128大小的泡沫图片，编码器模块采用4层卷积池化模块，卷积层的卷积核大小为3×3，池化层的核大小为2×2，第一层卷积池化模块改为Inception与批量归一化层，扩大网络的宽度与深度，再经过3层同样的卷积池化模块下采样后，在U-Net网络的编码器模块末端加入金字塔池化模块，完成对泡沫图像的下采样过程，逐步提取泡沫图像特征信息；上采样部分经过重复的反卷积池化操作，在最后一层解码器模块使用Inception与批量归一化层，还原细节信息；同时在U-Net编解码模块层之间的跳跃连接处引入注意力门控机制，注意力门控结构如图2所示；最后再经过一个1×1的卷积和Sigmoid激活函数，得到输出为同样128×128大小的泡沫分割图片。基于U-Net网络改进的卷积神经网络结构如图3所示。
本实施例中，U-Net网络对称引入Inception块来取代单一的卷积操作；为确保经过该模块后特征通道数加倍而尺寸大小减半，Inception模块含有三条卷积支路，各支路的卷积感受野分别为1×1、3×3和5×5；同时在原始的Inception块基础上，在1×1，3×3，5×5卷积核后紧跟着批量归一化操作，获取多尺度、多层次的图像特征信息，同时加速网络的收敛速度；编码器模块和解码器模块均采用Inception模块，保证图像分割的准确性。在改进U-Net网络的编码器模块末端引入金字塔池化模块，金字塔池化模块融合了4种尺度的特征图，包括1×1，2×2，4×4，8×8；首先，对特征图分别池化到目标尺寸，然后对池化后的结果进行1×1卷积将通道数减少到原来的1/4；接着，对上一步的每一个特征图利用双线性插值上采样得到原特征图相同的尺寸，然后将原特征图和上采样得到的特征图按通道数维进行拼接，得到的通道数是原特征图的通道数的两倍；最后再用1×1卷积将通道数缩小到原来的通道数，最终的特征图就得到和原来的特征图一样的尺寸和通道数。在U-Net网络编-解码模块层间的跳跃连接处接入注意力门控机制，在编-解码模块的每一层中，来自编码模块的浅层特征Fl作为特征输入，从解码模块对应层获取的深度特征Fg作为门控信号，两者先分别进行1×1卷积，再将卷积后的结果相加，经过Relu激活函数、1×1卷积层和Sigmoid激活函数的处理后，得到与输入特征图尺寸相同、通道数为1的权重图α；在注意力机制中，浅层特征Fl需经最大池化层与1×1卷积层得到新的特征图F′l，将生成的权重图α与特征图F′l相乘，得到带有权重的特征图aF′l，最后将深度特征图Fg与aF′l相加，实现对aF′l标定，得到被强化过的新的浅层特征图Fnew；浅层特征图包含泡沫丰富边界信息，该注意力机制实现多层次特征的融合，加强了用于精确分割的浅层特征图，泡沫边界细节获得更多的关注。
步骤四：训练图像分割网络
将步骤二中划分后的训练集图片送入步骤三构建的改进U-Net的卷积神经网络分割模型进行训练。
本实施例中，模型训练过程中，采用以Dice损失函数和二分类交叉熵值损失函数为基础的加权损失函数，其形式定义为：
Figure BDA0003274712860000041
式中，第一部分属于BCE损失，而第二部分为Dice损失；X代表预测分割结果；Y代表实际的标签值。
进一步地，用划分好的训练集来训练泡沫图像分割网络，利用反向传播策略，使用收敛速度较快的Adam优化器更新训练权重，每次送入网络的训练样本批量为16，训练次数为400次，最优学习率为0.0001。
步骤五：利用所述U Net神经网络模型对测试集中的泡沫图像进行识别分割，得到网络最后的分割结果，如图4所示。
本发明采用IoU分割精度指标(
Figure BDA0003274712860000042
式中TP表示泡沫边界像素类被正确分类样本面积；FP表示背景像素类被错分为泡沫边界像素类样本面积；FN表示泡沫边界像素类被错分为背景像素类样本面积)来评估网络的性能，使用测试集进行实验结果验证，实验结果表明泡沫图像分割的准确率达到了91.73％。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (8)

1.一种基于改进U-Net网络的锌浮选泡沫图像分割算法，其特征在于，包括以下步骤：
步骤一：数据准备
采集锌快粗选过程中的泡沫图像，得到原始泡沫图像Ix；对原始泡沫图像Ix中的泡沫边界分别进行像素级标注，得到人工泡沫分割图像IGT，Ix与IGT共同建立泡沫图像数据集；
步骤二：数据增强处理
对工业相机所获得的泡沫图像样本Ix和对应的人工手动做出的分割图像IGT分别进行旋转、翻转，数据增强处理得到样本图像，将所有样本图像按比例划分为训练集、验证集、测试集；
步骤三：搭建分割模型
以U-Net网络对称编解码架构作为主干网络，包括依次连接的输入层、编码器模块、金字塔池化模块、解码器模块和输出层；输入为128×128大小的泡沫图片，编码器模块采用4层卷积池化模块，卷积层的卷积核大小为3×3，池化层的核大小为2×2，第一层卷积池化模块改为Inception与批量归一化层，扩大网络的宽度与深度，再经过3层同样的卷积池化模块下采样后，在U-Net网络的编码器模块末端加入金字塔池化模块，完成对泡沫图像的下采样过程，逐步提取泡沫图像特征信息；上采样部分经过重复的反卷积池化操作，在最后一层解码器模块使用Inception与批量归一化层，还原细节信息；同时在U-Net编解码模块层之间的跳跃连接处引入注意力门控机制；最后再经过一个1×1的卷积和Sigmoid激活函数，得到输出为同样128×128大小的泡沫分割图片；
步骤四：训练图像分割网络
将步骤二中划分后的训练集图片送入步骤三构建的改进U-Net的卷积神经网络分割模型进行训练；
步骤五：利用所述U Net神经网络模型对测试集中的泡沫图像进行识别分割，得到网络最后的分割结果。
2.根据权利要求1所述的一种基于改进U-Net网络的锌浮选泡沫图像分割算法，其特征在于，在步骤二中，采用随机的图像处理方法来对原始数据集进行扩充，包括水平翻转、垂直翻转以及90°、180°、270°的旋转，提高网络的泛化能力；最后将增强后的样本数据按照8∶1∶1的比例来划分训练集、验证集、测试集。
3.根据权利要求1所述的一种基于改进U-Net网络的锌浮选泡沫图像分割算法，其特征在于，步骤三中，U-Net网络对称引入Inception块来取代单一的卷积操作；为确保经过该模块后特征通道数加倍而尺寸大小减半，Inception模块含有三条卷积支路，各支路的卷积感受野分别为1×1、3×3和5×5；同时在原始的Inception块基础上，在1×1，3×3，5×5卷积核后紧跟着批量归一化操作，获取多尺度、多层次的图像特征信息，同时加速网络的收敛速度；编码器模块和解码器模块均采用Inception模块，保证图像分割的准确性。
4.根据权利要求1所述的一种改进U-Net网络的锌浮选泡沫图像分割算法，其特征在于，步骤三中，在改进U-Net网络的编码器模块末端引入金字塔池化模块，金字塔池化模块融合了4种尺度的特征图，包括1×1，2×2，4×4，8×8；首先，对特征图分别池化到目标尺寸，然后对池化后的结果进行1×1卷积将通道数减少到原来的1/4；接着，对上一步的每一个特征图利用双线性插值上采样得到原特征图相同的尺寸，然后将原特征图和上采样得到的特征图按通道数维进行拼接，得到的通道数是原特征图的通道数的两倍；最后再用1×1卷积将通道数缩小到原来的通道数，最终的特征图就得到和原来的特征图一样的尺寸和通道数。
5.根据权利要求1所述的一种基于改进U-Net网络的锌浮选泡沫图像分割算法，其特征在于，步骤三中，在U-Net网络编-解码模块层间的跳跃连接处接入注意力门控机制，在编-解码模块的每一层中，来自编码模块的浅层特征Fl作为特征输入，从解码模块对应层获取的深度特征Fg作为门控信号，两者先分别进行1×1卷积，再将卷积后的结果相加，经过Relu激活函数、1×1卷积层和Sigmoid激活函数的处理后，得到与输入特征图尺寸相同、通道数为1的权重图α；在注意力机制中，浅层特征Fl需经最大池化层与1×1卷积层得到新的特征图F′l，将生成的权重图α与特征图F′l相乘，得到带有权重的特征图aF′l，最后将深度特征图Fg与aF′l相加，实现对aF′l标定，得到被强化过的新的浅层特征图Fnew；浅层特征图包含泡沫丰富边界信息，该注意力机制实现多层次特征的融合，加强了用于精确分割的浅层特征图，泡沫边界细节获得更多的关注。
6.根据权利要求1所述的一种改进U-Net网络的锌浮选泡沫图像分割算法，其特征在于，步骤四中，用划分好的训练集来训练泡沫图像分割网络，利用反向传播策略，使用收敛速度快的Adam优化器更新训练权重，每次送入网络的训练样本批量为16，训练次数为400次，最优学习率为0.0001。
7.根据权利要求1所述的一种基于改进U-Net网络的锌浮选泡沫图像分割算法，其特征在于，步骤四中，模型训练过程中，采用以Dice损失函数和二分类交叉熵值损失函数为基础的加权损失函数，其形式定义为：
Figure FDA0003274712850000021
式中，第一部分属于BCE损失，而第二部分为Dice损失；X代表预测分割结果；Y代表实际的标签值。
8.根据权利要求1所述的一种改进U-Net网络的锌浮选泡沫图像分割算法，其特征在于，在步骤五中，采用IoU分割精度指标来评估图像分割性能，
Figure FDA0003274712850000022
式中，TP表示泡沫边界像素类被正确分类样本面积；FP表示背景像素类被错分为泡沫边界像素类样本面积；FN表示泡沫边界像素类被错分为背景像素类样本面积，使用测试集进行实验结果验证，实验结果表明泡沫图像分割的准确率达到了91.73％。
CN202111117727.4A 2021-09-23 2021-09-23 一种基于改进U-Net网络的锌浮选泡沫图像分割方法 Active CN113837193B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111117727.4A CN113837193B (zh) 2021-09-23 2021-09-23 一种基于改进U-Net网络的锌浮选泡沫图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111117727.4A CN113837193B (zh) 2021-09-23 2021-09-23 一种基于改进U-Net网络的锌浮选泡沫图像分割方法

Publications (2)

Publication Number Publication Date
CN113837193A true CN113837193A (zh) 2021-12-24
CN113837193B CN113837193B (zh) 2023-09-01

Family

ID=78969720

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111117727.4A Active CN113837193B (zh) 2021-09-23 2021-09-23 一种基于改进U-Net网络的锌浮选泡沫图像分割方法

Country Status (1)

Country Link
CN (1) CN113837193B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114821072A (zh) * 2022-06-08 2022-07-29 四川大学 一种从动态冰图像中提取气泡的方法、装置、设备和介质
CN116385455A (zh) * 2023-05-22 2023-07-04 北京科技大学 基于梯度场标签的浮选泡沫图像实例分割方法和装置
CN117422880A (zh) * 2023-12-18 2024-01-19 齐鲁工业大学(山东省科学院) 改进的注意力机制与cv模型相结合的分割方法及其***
CN117593512A (zh) * 2023-12-05 2024-02-23 太原科技大学 A/o池泡沫线位置实时检测方法、***及存储介质
CN118229981A (zh) * 2024-05-23 2024-06-21 山东未来网络研究院(紫金山实验室工业互联网创新应用基地) 一种结合卷积网络和Transformer的CT图像肿瘤分割方法、装置和介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019049060A1 (en) * 2017-09-08 2019-03-14 Stone Three Mining Solutions (Pty) Ltd SEGMENTATION OF FOAM IN FLOTATION CELLS
CN110570431A (zh) * 2019-09-18 2019-12-13 东北大学 一种基于改进的卷积神经网络的医学图像分割方法
CN110647887A (zh) * 2019-07-23 2020-01-03 太原理工大学 用于煤泥浮选泡沫图像分割中内部标记符的提取方法
CN110689020A (zh) * 2019-10-10 2020-01-14 湖南师范大学 一种矿物浮选泡沫图像的分割方法及电子设备
CN110807376A (zh) * 2019-10-17 2020-02-18 北京化工大学 基于遥感图像的城外道路提取方法及装置
WO2020093042A1 (en) * 2018-11-02 2020-05-07 Deep Lens, Inc. Neural networks for biomedical image analysis
CN111612790A (zh) * 2020-04-29 2020-09-01 杭州电子科技大学 一种基于t型注意力结构的医学图像分割方法
CN112418027A (zh) * 2020-11-11 2021-02-26 青岛科技大学 一种改进U-Net网络的遥感影像道路提取方法
CN112651979A (zh) * 2021-01-11 2021-04-13 华南农业大学 肺部x光图像分割方法、***、计算机设备及存储介质
CN112906813A (zh) * 2021-03-09 2021-06-04 中南大学 一种基于密度聚类和胶囊神经网络的浮选工况识别方法
US20210201499A1 (en) * 2019-12-30 2021-07-01 Medo Dx Pte. Ltd Apparatus and method for image segmentation using a deep convolutional neural network with a nested u-structure

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019049060A1 (en) * 2017-09-08 2019-03-14 Stone Three Mining Solutions (Pty) Ltd SEGMENTATION OF FOAM IN FLOTATION CELLS
WO2020093042A1 (en) * 2018-11-02 2020-05-07 Deep Lens, Inc. Neural networks for biomedical image analysis
CN110647887A (zh) * 2019-07-23 2020-01-03 太原理工大学 用于煤泥浮选泡沫图像分割中内部标记符的提取方法
CN110570431A (zh) * 2019-09-18 2019-12-13 东北大学 一种基于改进的卷积神经网络的医学图像分割方法
CN110689020A (zh) * 2019-10-10 2020-01-14 湖南师范大学 一种矿物浮选泡沫图像的分割方法及电子设备
CN110807376A (zh) * 2019-10-17 2020-02-18 北京化工大学 基于遥感图像的城外道路提取方法及装置
US20210201499A1 (en) * 2019-12-30 2021-07-01 Medo Dx Pte. Ltd Apparatus and method for image segmentation using a deep convolutional neural network with a nested u-structure
CN111612790A (zh) * 2020-04-29 2020-09-01 杭州电子科技大学 一种基于t型注意力结构的医学图像分割方法
CN112418027A (zh) * 2020-11-11 2021-02-26 青岛科技大学 一种改进U-Net网络的遥感影像道路提取方法
CN112651979A (zh) * 2021-01-11 2021-04-13 华南农业大学 肺部x光图像分割方法、***、计算机设备及存储介质
CN112906813A (zh) * 2021-03-09 2021-06-04 中南大学 一种基于密度聚类和胶囊神经网络的浮选工况识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
DONGYANG KUANG等: "FAIM – A ConvNet Method for Unsupervised 3D Medical Image Registration", 《MACHINE LEARNING IN MEDICAL IMAGING》, vol. 11861, pages 1 - 2 *
唐朝晖 等: "基于改进I-Attention U-Net的锌浮选泡沫图像分割算法", 《湖南大学学报(自然科学版)》, vol. 50, no. 02, pages 48 - 54 *
蔡畅 等: "基于改进U-Net方法的脑肿瘤磁共振图像分割", 《中南民族大学学报(自然科学版)》, vol. 40, no. 04, pages 417 - 423 *
邹北骥 等: "一种基于改进U形网络的眼底图像视网膜新生血管检测方法", 《湖南大学学报(自然科学版)》, vol. 48, no. 04, pages 19 - 25 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114821072A (zh) * 2022-06-08 2022-07-29 四川大学 一种从动态冰图像中提取气泡的方法、装置、设备和介质
CN114821072B (zh) * 2022-06-08 2023-04-18 四川大学 一种从动态冰图像中提取气泡的方法、装置、设备和介质
CN116385455A (zh) * 2023-05-22 2023-07-04 北京科技大学 基于梯度场标签的浮选泡沫图像实例分割方法和装置
CN116385455B (zh) * 2023-05-22 2024-01-26 北京科技大学 基于梯度场标签的浮选泡沫图像实例分割方法和装置
CN117593512A (zh) * 2023-12-05 2024-02-23 太原科技大学 A/o池泡沫线位置实时检测方法、***及存储介质
CN117593512B (zh) * 2023-12-05 2024-05-28 太原科技大学 A/o池泡沫线位置实时检测方法、***及存储介质
CN117422880A (zh) * 2023-12-18 2024-01-19 齐鲁工业大学(山东省科学院) 改进的注意力机制与cv模型相结合的分割方法及其***
CN117422880B (zh) * 2023-12-18 2024-03-22 齐鲁工业大学(山东省科学院) 改进的注意力机制与cv模型相结合的分割方法及其***
CN118229981A (zh) * 2024-05-23 2024-06-21 山东未来网络研究院(紫金山实验室工业互联网创新应用基地) 一种结合卷积网络和Transformer的CT图像肿瘤分割方法、装置和介质

Also Published As

Publication number Publication date
CN113837193B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
CN113837193A (zh) 一种基于改进U-Net网络的锌浮选泡沫图像分割算法
CN111047551B (zh) 一种基于U-net改进算法的遥感影像变化检测方法及***
CN113888550B (zh) 一种结合超分辨率和注意力机制的遥感图像道路分割方法
CN110070091B (zh) 用于街景理解的基于动态插值重建的语义分割方法及***
WO2023039959A1 (zh) 一种基于金字塔机制的遥感影像海洋与非海区域分割方法
CN109829907A (zh) 一种基于深度学习的金属轴表面缺陷识别方法
CN111259827B (zh) 一种面向城市河道监管的水面漂浮物自动检测方法及装置
CN116665176B (zh) 一种面向车辆自动驾驶的多任务网络道路目标检测方法
CN112949612A (zh) 一种基于无人机高分辨率遥感影像海岸带地物分类方法
CN112836573A (zh) 一种基于对抗生成网络的车道线图像增强与补全方法
CN115601330A (zh) 一种基于多尺度空间反向注意力机制的结肠息肉分割方法
CN111951289A (zh) 一种基于BA-Unet的水下声呐图像数据分割方法
CN114219790B (zh) 一种基于边缘信息的钢铁表面缺陷显著性检测方法
CN116935332A (zh) 一种基于动态视频的渔船目标检测与跟踪方法
CN113610024B (zh) 一种多策略的深度学习遥感影像小目标检测方法
CN114743103A (zh) 基于Deeplabv3+网络模型的海岛礁遥感影像地质分类方法
CN112634289B (zh) 一种基于非对称空洞卷积的快速可行域分割方法
CN111612803B (zh) 一种基于图像清晰度的车辆图像语义分割方法
CN112861869A (zh) 一种基于轻量级卷积神经网络的高粱倒伏图像分割方法
CN116402690A (zh) 一种基于多头自注意力机制的高分辨率遥感影像中道路提取方法、***、设备及介质
CN110751150A (zh) 一种基于fpga的二值神经网络车牌识别方法及***
CN114066920B (zh) 一种基于改进Segnet图像分割的收割机视觉导航方法与***
CN112131996B (zh) 基于通道分离卷积的路侧图像多尺度行人快速检测方法
Ran et al. Adaptive fusion and mask refinement instance segmentation network for high resolution remote sensing images
CN111028253B (zh) 一种铁精粉分割方法及分割装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant