典型文献
基于改进Res-UNet网络的钢铁表面缺陷图像分割研究
文献摘要：
为了提高钢铁质量图像检测的效率和精度,提高生产自动化水平,该文提出一种改进的Res-UNet网络分割算法.使用ResNet50代替ResNet18作为编码模块,增强特征提取能力;修改编码模块,使残差块间稠密连接,增强浅层特征的深度延展,充分利用特征;使用加权Dice损失和加权交叉熵损失(BCEloss)结合的新损失函数缓解样本不均衡的情况;数据集增强策略保证网络学习更多的样本特征,增强细节分割精度.相比于经典的UNet算法,组合优化后的Res-UNet网络的Dice系数最多提高了12.64％,达到0.7930,网络训练时间更短,对各类缺陷的分割精准度更优,证明该文算法在钢铁表面缺陷分割领域具有应用价值.
文献关键词：
缺陷分割;Res-UNet;稠密连接;加权损失;图像增强
中图分类号：
作者姓名：
李原;李燕君;刘进超;范衠;王庆林
作者机构：
北京理工大学自动化学院 北京 100081;南开大学人工智能学院 天津 300071;汕头大学工学院 汕头 515063
文献出处：
引用格式：
[1]李原;李燕君;刘进超;范衠;王庆林-.基于改进Res-UNet网络的钢铁表面缺陷图像分割研究)[J].电子与信息学报,2022(05):1511-1520
A类：
BCEloss
B类：
UNet,钢铁,表面缺陷,图像分割,铁质,质量图,图像检测,生产自动化,自动化水平,分割算法,ResNet50,ResNet18,特征提取能力,改编,残差块,稠密连接,深度延展,Dice,交叉熵损失,损失函数,样本不均衡,数据集增强,增强策略,网络学习,样本特征,组合优化,数最多,网络训练,训练时间,缺陷分割,加权损失,图像增强
AB值：
0.453689
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
