不同分割精度影响铝铸件缺陷等级判定

将汽车铝铸件的缺陷图与缺陷标记图作为网络的输入进行编码。利用卷积神经网络提升图像深度并提取图像特征，再通过池化操作压缩图像面积，经过四层卷积池化操作后获得底层图像，保留小图像特征。



       将图像通过反卷积操作进行解码，并与编码过程中位于同一深度的图像合并，再使用一定的卷积核操作进行图像反卷积，各层操作类似，直至在后一层输出分割图像。



       观察UNet网络结构可知，UNet网络将下采样过程中获得的特征图与上采样过程中相同深度的图像进行跳跃连接。



       UNet++是对原UNet的优化!18]，其网络结构如图2所示。UNet++对UNet的改进主要体现在跳跃连接部分。以UNet网络中尸，“为例，在UNet网络中，“只与，。卷积单元相连接，而UNet++网络中，Xo.a同时和X0}0.X0}'.X0r.X0}3卷积单元相连。在UNet++中，各个深度的特征都被兼顾，将判断特征重要性的任务交给网络。此外在UNet++网络中，只需训练一个编码器，通过不同路径的解码还原不同层次的特征。假设x}代表x}节点的输出特征图，x}的计算可表示为:其中，i表示下采样过程中的第i层;J表示相同深度的连接层中第J个卷积单元;H()表示带有激活函数的卷积运算;u()表示上采样过程;代表叠加操作。



       UNet++在UNet网络原有结构基础上，添加了密集跳跃连接，使底层信息和高层信息之间实现多层次融合，这将使待检测区域的细节更为完整的保留，从而被分割出来。图像缺陷分割区域细节丰富，不同分割精度影响铝铸件缺陷等级判定，因此相对于UNetUNet++网络更适用于图像缺陷语义分割。http://www.zblansheng.cn/