基于改进boxlevelset的叶片显微图像气孔分割方法

深度学习技术已被用于气孔分割任务。然而,训练数据的标注是机械且耗时的人工过程,特别是在数据集比较大的时候。为了减少标注时的工作量,研究提出一种基于弱监督模型Boxlevelset的气孔分割方法。将原模型的特征提取网络ResNet50替换为ResNest50,并且在特征提取过程中引入CBAM模块。以黑杨气孔为研究对象,该方法可有效分割出气孔,F1得分为79.89。所提出的方法减少了标注训练数据所需的时间,同时保证了分割精度,从而显著减少了训练气孔分割网络所需的工作量。