基于改进U-Net网络的齿轮点蚀测量

针对U-Net存在的小目标分割精度低、计算复杂度高、收敛慢的问题,构建基于空洞卷积和重构采样单元的U-Net网络(DSU-Net).在DSU-Net中,为增大图像特征提取的感受野并融合多尺度信息,设计具有不同膨胀率的空洞卷积层;针对池化过程丢失大量语义信息的缺点,构建将池化与卷积相结合的采样单元,并运用深度可分离卷积进行特征提取,从而增强神经网络的特征提取能力并降低计算成本.两个公开医学图像数据集的实验结果表明,在IoU、Dice Coeff和F1 Score三个评价指标上, DSU-Net较U-Net、ResU-Net、R2U-Net和U-Net++有着更好的分割性能.最后,将DSU-Net应用于齿轮点蚀的视觉测量,结果表明所提出方法能够更加精确地计算出齿轮点蚀面积率,从而解决了齿轮接触疲劳试验中高效准确检测齿轮失效的难题.