基于改进DeepLabV3+的铁谱图像语义分割

程亮，王静秋，刘信良，孙康

(南京航空航天大学 机电学院，江苏 南京 210016)

0 引言

铁谱分析是在高梯度强度的磁场作用下，将摩擦副中产生的金属磨粒从润滑油中分离出来，按照一定的方法制成谱片和铁谱图像，然后通过相关软件对其进行定性和定量分析的方法[1]。由于铁谱图像中磨粒尺寸不一，相同类型磨粒之间形态各异以及不同类型磨粒之间存在一定的相似性等问题，使用计算机图像处理技术对其进行准确分割较为困难。图像语义分割是对图像中每个像素进行分类，并用颜色索引表示其类别的方法。随着全卷积网络(fully connectional networks,FCN)[2]的出现，诸如DeepLab系列、基于编码-解码、基于注意力机制以及基于概率图模型等语义分割方法被相继提出，极大地推进了图像语义分割的发展[3]。

针对FCN对细节不敏感、缺乏空间一致性等缺点，2016年，CHEN L C等人提出了DeepLab网络[4]，该网络将分割结果输入至全连接条件随机场，解决了深度网络的定位效果差分割精度不足的问题。2017年，CHEN L C等人在DeepLab的基础上提出了DeepLabV2网络[5]。该网络采用空洞卷积，可以在不降低图像分辨率情况下增大感受野；其次，增加空洞空间金字塔池化(atrous spatial pyramid pooling,ASPP)模块，利用多个不同膨胀率的空洞卷积捕获多尺度特征。之后，CHEN L C等人又提出了DeeplabV3网络[6]，该网络在ASPP中加入全局平均池化分支并在ASPP模块后使用批量归一化层，有效捕获全局信息。2018年，该团队针对DeepLabV3池化和带步长卷积会造成一些物体边界细节信息的丢失并且扩张卷积计算代价过大的问题，提出了DeepLabV3+网络。……