(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210956820.2 (22)申请日 2022.08.10 (71)申请人 合肥含铭电子技 术有限公司 地址 230000 安徽省合肥市高新区创新大 道106号明珠产业园3 #厂房5层F区 (72)发明人 王振华　 (74)专利代理 机构 合肥正则元起专利代理事务 所(普通合伙) 3416 0 专利代理师 刘念 (51)Int.Cl. G06T 7/11(2017.01) G06T 7/00(2017.01) G06V 10/80(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的图像分割方法 (57)摘要 本发明公开了一种基于深度学习的图像分 割方法， 涉及图像分割技术领域， 包括： 构建基于 深度学习的U net网络； 所述U net网络由两部分 组 成， 前半部分作用是特征提取， 后半部分作用是 上采样； 采集问题域中所有已知可能出现的问 题， 构建训练所需的样本集， 并按照设定比例分 为训练集、 测试集和验证集； 将训练集、 测试集和 验证集经过数据预处理之后对Unet网络进行训 练、 测试和验证， 将训练完成的Unet网络标记为 检测模型M； 利用检测模 型M对待检测的图片进行 缺陷检测； 本发明中Unet网络在拼接时， 将特征 在channel维度拼接在一起， 形成更 厚的特征， 在 数据集上的准确率更高， 所提取的抽象特征鲁棒 性更强， 泛化能力更好。 权利要求书2页 说明书5页 附图1页 CN 115115660 A 2022.09.27 CN 115115660 A 1.一种基于深度学习的图像分割方法， 其特 征在于， 包括如下步骤： 步骤一： 构 建基于深度学习的Unet网络； 所述Unet网络由两部分组成， 前半部分作用是 特征提取， 基础模型为Mobi leNet； 后半部分作用是 上采样； 步骤二： 采集问题域中所有已知可能出现的问题， 构建训练所需的样本集， 并按照设定 比例分为训练集、 测试集和验证集； 设定比例包括2:1:1、 3:1:1和4:3:1； 步骤三： 将训练集、 测试集和验证集经过数据预处理之后对Unet网络进行训练、 测试和 验证， 将训练完成的Unet网络标记为检测模型M； 步骤四： 利用检测模型M对待检测的图片进行缺陷检测， 具体为： 将整张图片传入检测模型M进行 下采样， 得到特 征图； 将特征图进行上采样且结合下采样特征图得到与原图尺寸一样的mask图； 对mask图进 行可视化即得到检测结果。 2.根据权利要求1所述的一种基于深度学习的图像分割方法， 其特征在于， Unet网络的 具体构建步骤为： 每一个解码器模块的最后一层被送入一个3x3的卷积层， 然后是一个双线性上采样得 到和GT一样大小的特征图， 再使用sigmoid函数得到分割结果； 其中， 利用一个多尺度结构 相似指数损失函数MS ‑SSIM来给予模糊边界权 重， 具体公式为： 其中M表示尺度的总数量， μp， ug和σp， σg分别是p和g的均值和方差， σpg表示它们的协方 差； βm， γm定义每个尺度中两个部分的相对重要性， C1＝0.012和C2＝0.032。 3.根据权利要求2所述的一种基于深度学习的图像分割方法， 其特征在于， Unet网络还 包括： 结合Focal_loss， MS ‑SSIM_loss和IOU_loss， 利用一个混合损失函数实现三个不同层 次的分割任务， 获取不同尺度目标的清晰边界； 所述分割任务分为像素分割、 块分割和图像 分割； 其中， 混合损失函数的公式为： lseg＝lfl+lms‑ssim+liou 其中， lseg表示总损失， lfl表示Focal_loss损失， lms‑ssim表示MS‑SSIM_loss损失， liou表 示IOU_loss损失。 4.根据权利要求2所述的一种基于深度学习的图像分割方法， 其特征在于， Unet网络的 特征融合方式为： 在拼接时， Unet网络将特 征在channel维度拼接在一 起， 形成更厚的特 征。 5.根据权利要求3所述的一种基于深度 学习的图像分割方法， 其特征在于， 其中训练过 程分为两个阶段： 前向传播阶段和后向传播阶段； 包括： S1： 选定训练组， 从样本集中分别随机地 寻求N个样本作为训练 组； S2： 将各权值、 偏置， 设置成小的接 近于0的随机值， 并初始化精度控制参数和学习率； S3： 从训练 组中取一个输入 模式加到Unet网络， 并给 出它的目标输出向量； S4： 计算出中间层输出向量， 计算出Unet网络的实际输出向量； S5： 将输出向量中的元素与目标向量中的元素进行比较， 计算出输出误差； 对于 中间层 的隐单元也需要计算出误差；权　利　要　求　书 1/2 页 2 CN 115115660 A 2S6： 依次计算出 各权值的调整量和偏置的调整量； S7： 调整权值和调整偏置； S8： 当经历M次迭代后， 判断指标是否满足精度要求， 如果不满足， 则返回S3， 继续迭代； 如果满足就进入下一 步； S9： 训练结束， 将权值和偏置保存在模型文件中， 得到检测模型M 。 6.根据权利要求1所述的一种基于深度学习的图像分割方法， 其特征在于， 其中， 数据 预处理包括去除噪声、 输入 数据降维、 删除无关数据以及 归一化； 其中归一化是指将数据规 则化到统一的区间[0， 1]中。 7.根据权利要求5所述的一种基于深度学习的图像分割方法， 其特征在于， 其中， 前向 传播阶段包括： 从样本集中取N个样本， 输入Unet网络； 计算相应的实际输出， 在此阶段信息从输入层经 过逐级变换， 传送到 输出层。 8.根据权利要求5所述的一种基于深度学习的图像分割方法， 其特征在于， 其中， 后向 传播阶段包括： 计算实际输出与相应的理想 输出的误差； 按照极小化 误差的方法调整权值矩阵。权　利　要　求　书 2/2 页 3 CN 115115660 A 3