[发明专利]一种基于深度学习的盐体语义分割方法及语义分割系统

权利要求书

1.一种基于深度学习的盐体语义分割方法，其特征在于：方法为：

构建基于深度学习的盐体语义分割模型，盐体语义分割模型包括：预处理模型、分类监督模块、特征重校正模块、特征融合模块、盐体分割分支模块、整体分割分支模块、边缘预测模块、上采样层，在盐体语义分割模型中：预处理模型对图像进行预处理得到不同尺度的特征图，不同尺度的特征图分别依次经过特征重校正模块，然后分别输入对应的上采样层，再输入特征融合模块将每级尺度对应上采样的特征图与上一级尺度对应上采样的特征图级联，最后再分别输入特征重校正模块，将得到结果中最末一级尺度的特征图分别输入盐体分割分支模块、整体分割分支模块、边缘预测模块，其中分类监督模块对整个过程中每个模块输出特征图进行监督预测是否有盐；

选择盐体图像的训练数据集，输入构建的盐体语义分割模型，并对盐体语义分割模型进行训练，模型训练过程中将盐体分割分支模块、整体分割分支模块、边缘预测模块和分类监督模块的损失进行混合作为总损失，根据总损失进行模型参数更新；

输入待分析盐体图像到训练好的盐体语义分割模型，输出预测的语义分割结果；

所述特征重校正模块为结合空间特征重校正模块与通道特征重校正模块的网络模块；

所述边缘预测模块包括拉普拉斯算子卷积层、tanh激活层以及ReLU激活层，输出为边缘预测特征图，公式为Δf＝relu(tanh(conv(f,K_laplace))),其中，Δf表示边缘预测特征图，f表示特征图，K_laplace表示拉普拉斯算子的卷积核，conv()表示拉普拉斯算子卷积层去卷积特征图，tanh()表示tanh激活层处理得到的特征图，relu()表示ReLU激活层处理得到的特征图；

对所述盐体语义分割模型进行模型训练的具体步骤为：

对训练数据集中的图像进行数据预处理，将图像剪裁为固定尺寸；

对预处理后的训练数据集数据通过上下翻转、缩放和旋转的方式进行扩增，并加载预训练好的ImageNet图像分类模型，对整个盐体语义分割模型进行初始化；

将扩增后的训练数据集输入盐体语义分割模型，记训练过程中模型整体分割分支预测的语义分割结果与标注图像的lovasz_hingeLoss为loss_final，盐体分割分支预测的语义分割结果与标注图像的lovasz_hingeLoss为loss_{no_empty}，分类监督模块预测的图片结果与图片标签的交叉熵损失为loss_class，边缘预测模块预测的边缘结果与标注图像提取的边缘的交叉熵损失为loss_B，则训练过程中的总损失误差记为loss_total＝loss_final+0.5*loss_{no_empty}+0.05*loss_class1+0.5*loss_B，根据总损失误差loss_total使用随机梯度下降算法进行误差反向传播，用循环学习率策略，更新模型参数，得到训练好的盐体语义分割模型。

2.根据权利要求1所述的一种基于深度学习的盐体语义分割方法，其特征在于：所述预处理模型为ResNet34，包括1个Convolution层、一个maxpool层、4个残差连接块，其中第一个残差连接块包含3个残差块，有6个3×3的卷积层，第二个残差连接块包含4个残差块，有8个3×3的卷积层，第三个残差连接块包含6个残差块，有12个3×3的卷积层，第四个残差连接块包含3个残差块，有6个3×3的卷积层，每个残差连接块都采用残差连接，预处理模型输出的特征图分别为特征图DN_1、特征图DN_2、特征图DN_3和特征图DN_4。

3.根据权利要求1所述的一种基于深度学习的盐体语义分割方法，其特征在于：所述分类监督模块包括：1个1×1的卷积、1个全局池化层和1个全连接层，分类监督模块对图片进行判别为有盐还是无盐。

4.根据权利要求1所述的一种基于深度学习的盐体语义分割方法，其特征在于：所述盐体分割分支模块包括1个3×3卷积层和一个1×1卷积层，输出为含盐的特征图。