基于深度残差网络的金属腐蚀图像分割

传统的图像处理技术依赖于人工提取特征,难以应对复杂的金属腐蚀状况。而经典的深度学习算法没有有效利用特征信息,并且包含大量的参数,导致金属腐蚀图像分割精度低,计算量大。为此设计了一种深度残差语义分割算法,通过引入残差结构以缓解神经网络梯度消失的问题,由浅入深地提取不同尺度的腐蚀图像特征。针对金属腐蚀图像的固有特性,融入了局部上下文特征以及多尺度的特征以提高金属腐蚀图像分割的精度,通过深度卷积和逐点卷积相结合进一步降低模型的参数量,并提高模型的泛化能力。在公共腐蚀数据集的实验结果表明,该方法以19.57 MB的参数量,取得了79.39%的平均交并比和87.91%的平均像素准确率,显著提高了腐蚀图像分割的精度。