文献类型：期刊文章

作　　者：蔡宇恒[1] 滕奇志[1] 涂秉宇[1]

CAI Yu-heng;TENG Qi-zhi;TU Bing-yu(Institute of Image Information,College of Electronics and Information Engineering Sichuan University,Chengdu 610065,China)

机构地区：[1]四川大学电子信息学院图像信息研究所,成都610065

出　　处：《科学技术与工程》

基　　金：国家自然科学基金(61372174)。

年　　份：2020

卷　　号：20

期　　号：28

起止页码：11685-11692

语　　种：中文

收录情况：BDHX、BDHX2017、RCCSE、ZGKJHX、核心刊

摘　　要：岩石铸体薄片图像中孔隙区域的准确提取是分析评估工作的前提。但目前传统的孔隙提取方法主要是通过颜色特征进行阈值分割,精度较低,需加入大量的人工交互操作才能提高精度。因此提出一种新的基于深度学习的孔隙区域自动提取算法,该算法基于U-net搭建网络基本框架。首先,网络在编码阶段加入残差块来提升网络的深度。其次,针对残差块进行优化并引入空洞卷积,提取更全局、语义层次更深的特征。最后,在解码阶段加入网络模块间的短连接,提出新的融合特征方法,更好地将浅层特征与深层语义特征相结合,得到更加精细的孔隙区域。实验结果表明,该方法优于传统的孔隙提取方法,具有更高的分割精度且无需人工操作,与主流卷积神经网络相比也具有更高的精度和平均交并比。

关 键 词：深度学习  铸体图像  孔隙提取  图像分割 卷积神经网络

分 类 号：TP391.41]