公开(公告)号：CN106920243B

公开(公告)日：2019-12-17

申请号：CN201710141353.7

申请日：2017-03-09

申请人： 桂林电子科技大学

发明人： 温佩芝 ,  苗渊渊 ,  邵其林 ,  张文新 ,  黄文明 ,  邓珍荣

IPC分类号： G06T7/11 ,  G06T7/194

摘要： 本发明提出了一种改进的全卷积神经网络的陶瓷材质件序列图像分割方法，包括步骤：S10：对采集的原始图像进行手工标注，将目标和背景用不同的类别区分，得到训练标签，采用索引模式来表示训练样本的标签图；S20：构建改进的基于全卷积神经网络的网络模型，进行训练；S30：依据梯度下降算法计算损失函数和反向传播计算损失函数，对网络进行训练学习，学习速率在验证准确率停止增加时减小为原来的十分之一。全卷积神经网络是基于卷积神经网络的改进结构，在保持CNN良好的分类性能的基础上，更好的保持了像素矩阵之间的空间位置关系，更有利于全局的特征提取，能全面学习物体的视觉特征，抗干扰性好，可自动将目标物体从背景中分割开，实现智能分割。

公开(公告)号：CN107403183A

公开(公告)日：2017-11-28

申请号：CN201710598586.X

申请日：2017-07-21

申请人： 桂林电子科技大学

发明人： 温佩芝 ,  苗渊渊 ,  邵其林 ,  张文新

IPC分类号： G06K9/46 ,  G06K9/62

CPC分类号： G06K9/4671 ,  G06K9/6296

摘要： 本发明公开了一种整合目标检测和图像分割为一体的智能分割方法，该方法利用神经网络提取的高维度特征将目标提取出来，由于基于深度学习的目标检测网络Faster-RCNN具有高效性，能快速准确的将目标区域识别出来，因此可以利用该特性先将目标感兴趣区域提取出来，然后再有针对性的对该区域进行目标分割。本发明方法能够自动检测并提取感兴趣区域，能够减少GPU计算资源的占用，快速准确的将目标分割出来；在图像数量规模巨大的情况下，该方法具有高效的实施性，能够减少人工交互的过程。

公开(公告)号：CN106920243A

公开(公告)日：2017-07-04

申请号：CN201710141353.7

申请日：2017-03-09

申请人： 桂林电子科技大学

发明人： 温佩芝 ,  苗渊渊 ,  邵其林 ,  张文新 ,  黄文明 ,  邓珍荣

IPC分类号： G06T7/11 ,  G06T7/194

摘要： 本发明提出了一种改进的全卷积神经网络的陶瓷材质件序列图像分割方法，包括步骤：S10：对采集的原始图像进行手工标注，将目标和背景用不同的类别区分，得到训练标签，采用索引模式来表示训练样本的标签图；S20：构建改进的基于全卷积神经网络的网络模型，进行训练；S30：依据梯度下降算法计算损失函数和反向传播计算损失函数，对网络进行训练学习，学习速率在验证准确率停止增加时减小为原来的十分之一。全卷积神经网络是基于卷积神经网络的改进结构，在保持CNN 良好的分类性能的基础上，更好的保持了像素矩阵之间的空间位置关系，更有利于全局的特征提取，能全面学习物体的视觉特征，抗干扰性好，可自动将目标物体从背景中分割开，实现智能分割。