首页|基于改进DeepLabV3+的铣床碎屑图像分割方法

基于改进DeepLabV3+的铣床碎屑图像分割方法

扫码查看
原文链接
  • 万方数据
  • 维普
针对铣床碎屑形状不规则导致图像分割中碎屑轮廓不清晰、分割精度低的问题,本文提出一种改进的DeepLabV3+铣床碎屑分割算法.首先在DeepLabV3+的Xcepetion模块中嵌入通道与空间注意力机制(convolutional block attention module,CBAM)模型,优化通道的权重和位置信息,加强碎屑图像区域的特征学习;其次将DeepLabV3+的空洞空间卷积池化金字塔(atrous spa-tial pyramid pooling,ASPP)模块改为密集连接(dense conolutional network,DenseNet)方式,增大碎屑图像特征点的感受野,提升铣床碎屑图像特征的复用效率;最后在解码过程中采用多尺度自适应特征融合方法,聚合多尺度特征作为解码器的输入特征,提高碎屑图像分割的精度与鲁棒性.实验结果表明,本文算法优于其他分割算法,改进后算法相比DeepLabV3+,像素准确率提高0.026,平均交并比(mean intersection over union,MIOU)提高0.020,F1 值提高了 0.013.
Segmentation method of milling machine debris image based on improved DeepLabV3+

张闯、刘秀平、袁皓、冯国栋、闫焕营

展开 >

西安工程大学电子信息学院,陕西西安710048

深圳罗博泰尔机器人有限公司,广东深圳518109

图像处理 铣床碎屑 DeepLabV3+ CBAM 多尺度融合

陕西省科技厅项目西安市科技局项目

2018GY-173GXYD7.5

2023

10.16136/j.joel.2023.05.0289

光电子·激光
天津理工大学 中国光学学会

光电子·激光

CSCD北大核心
影响因子：1.437
ISSN：1005-0086
年,卷(期)：2023.34(5)
  • 3