基于深度学习的铸件X射线图像分割研究

摘要：

针对当前图像分割算法在实现工业铸件内部缺陷分割上精度低且算法不够轻量化的问题,提出一种基于改进 DeepLabv3+的工业铸件内部缺陷检测算法 Effi-DeepLab.该方法采用EfficientNet中的MBConv来代替原有的Xception模块进行特征提取,使特征提取网络更加高效与轻量化;针对工业铸件内部缺陷尺寸小的问题,重新设计空洞空间金字塔池化(ASPP)层中空洞卷积的扩张率,使得卷积块对小目标具有更高的鲁棒性;在解码端充分利用特征提取阶段的低阶语义信息进行多尺度特征融合,以提高小目标缺陷分割的精度.实验结果表明,在本文使用的汽车轮毂内部缺陷图像数据集中,Effi-DeepLab模型对缺陷的分割准确率和平均交并比(mIoU)分别为93.58%和89.39%,相比DeepLabv3+分别提升了2.65%和2.24%,具有更好的分割效果;此外,还通过实验验证了本文提出算法具有良好的泛化性.

关键词：图像语义分割;深度学习;DeepLabv3+;无损检测

所属期刊栏目：42

分类号：TN29(光电子技术、激光技术)

资助基金：山西省重点研发计划;山西省高等学校科技创新项目;山西省信息探测与处理重点实验室基金

在线出版日期：2021-11-26（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：1025-1033