基于 CBAM-Unet的铁矿球团边缘分割实验方法

摘要：

针对高度粘连和堆叠严重的生球影像噪声点多、边界模糊的问题,本文提出一种融入注意力机制的深度学习图像语义分割模型(CBAM-Unet)进行球团边缘检测和分割的方法.方法步骤:①样本数据集制备,采集30张包括深度分离、高度粘连到堆叠严重等不同状态的图片,通过数据增广形成900张图片的样本数据集;②模型建立,将卷积块状注意力模块(Convolution Block Attention Module,CBAM)融入到Unet网络模型,形成CBAM-Unet模型,对生球边缘进行检测和分割.研究结果表明:相比于Unet方法,CBAM-Unet方法的相似度系数(eDice)、类别平均像素准确率(emPA)、平均交并比(emIoU)分别提高9.8％、9.7％、14.7％.本文提出的识别模型可提高球团分割的准确性,为实际应用奠定基础.

关键词：球团、边缘分割、注意力机制、CBAM-Unet

所属期刊栏目：47

分类号：TF046.6;TP181(一般性问题)

资助基金：科技创新重大项目;中央高校基本科研业务费专项资金项目;北京科技大学教育教学改革与研究面上项目;教育部新工科研究与实践项目

在线出版日期：2022-05-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：8-15,23