文献类型：期刊文章

作　　者：李原[1] 李燕君[1] 刘进超[2] 范衠[3] 王庆林[1]

LI Yuan;LI Yanjun;LIU Jinchao;FAN Zhun;WANG Qinglin(School of Automation,Beijing Institute of Technology,Beijing 100081,China;College of Artificial Intelligence,Nankai University,Tianjin 300071,China;College of Engineering,Shantou University,Shantou 515063,China)

机构地区：[1]北京理工大学自动化学院,北京100081 [2]南开大学人工智能学院,天津300071 [3]汕头大学工学院,汕头515063

出　　处：《电子与信息学报》

年　　份：2022

卷　　号：44

期　　号：5

起止页码：1513-1520

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、WOS、ZGKJHX、核心刊

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。

关 键 词：缺陷分割  Res-UNet  稠密连接  加权损失  图像增强

分 类 号：TN911.73] TP391]