文献类型：期刊文章

作　　者：曹富强[1] 王明泉[1] 张俊生[2] 邵亚璐[1] 张雪洋[1]

CAO Fuqiang;WANG Mingquan;ZHANG Junsheng;SHAO Yalu;ZHANG Xueyang(Key Laboratory of Instrumentation Science and Dynamic Measurement(Ministry of Education),North University of China,Taiyuan 030051,China;Department of Electronic Engineering,Taiyuan Institute of Technology,Taiyuan 030051,China)

机构地区：[1]中北大学仪器科学与动态测试教育部重点实验室,山西太原030051 [2]太原工业学院电子工程系,山西太原030051

出　　处：《应用光学》

基　　金：山西省重点研发计划(201803D121069);山西省高等学校科技创新项目(2020L0624);山西省信息探测与处理重点实验室基金(ISPT2020-5)。

年　　份：2021

卷　　号：42

期　　号：6

起止页码：1025-1033

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

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

分 类 号：TN29]