[发明专利]一种基于卷积神经网络的纺织材料CT图像分割方法和装置

权利要求书

1.一种基于卷积神经网络的纺织材料CT图像分割方法，其特征在于，包括：

构建分割模型，所述分割模型包括编码器和解码器，所述编码器和所述解码器的多个层级之间存在横向连接，所述解码器的中间层级和深层级之间存在连接；

获取待分割纺织材料CT图像，将所述待分割纺织材料CT图像输入至训练好的所述分割模型，使得所述编码器的多个层级串行对所述待分割纺织材料CT图像进行特征提取得到编码特征图，所述编码器将多个层级的编码特征图输入所述解码器的相应层级进行特征融合得到第一融合特征图，所述解码器对所述第一融合特征图进行解码处理得到解码特征图，所述解码器融合中间层级的所述解码特征图和深层级的所述解码特征图得到第二融合特征图，所述解码器对所述第二融合特征图进行卷积操作，得到所述待分割纺织材料CT图像的分割结果；

所述分割模型的训练过程包括：

获取待训练纺织材料CT图像，所述待训练纺织材料CT图像标注有分割标注结果；

将所述待训练纺织材料CT图像输入到构建的所述分割模型，输出所述待训练纺织材料CT图像的分割预测结果；

基于预置损失函数计算所述待训练纺织材料CT图像的分割预测结果与分割标注结果的损失值；

根据所述损失值，对所述分割模型的待训练参数进行更新，直至所述分割模型达到收敛条件，得到训练好的所述分割模型；

所述预置损失函数的公式为：

；

其中，y为分割预测结果，为分割标注结果，为常数，为常数。

2.根据权利要求1所述的基于卷积神经网络的纺织材料CT图像分割方法，其特征在于，所述将所述待训练纺织材料CT图像输入到构建的所述分割模型之前，还包括：

对所述待训练纺织材料CT图像进行归一化处理。

3.根据权利要求2所述的基于卷积神经网络的纺织材料CT图像分割方法，其特征在于，所述对所述待训练纺织材料CT图像进行归一化处理之后，所述将所述待训练纺织材料CT图像输入到构建的所述分割模型之前，还包括：

对归一化后的所述待训练纺织材料CT图像进行数据增强。

4.根据权利要求1所述的基于卷积神经网络的纺织材料CT图像分割方法，其特征在于，所述编码器由多个卷积层和多个下采样层构成，所述解码器由多个卷积层、多个批归一化层和多个上采样层构成。

5.一种基于卷积神经网络的纺织材料CT图像分割装置，其特征在于，包括：

构建单元，用于构建分割模型，所述分割模型包括编码器和解码器，所述编码器和所述解码器的多个层级之间存在横向连接，所述解码器的中间层级和深层级之间存在连接；

分割单元，用于获取待分割纺织材料CT图像，将所述待分割纺织材料CT图像输入至训练好的所述分割模型，使得所述编码器的多个层级串行对所述待分割纺织材料CT图像进行特征提取得到编码特征图，所述编码器将多个层级的编码特征图输入所述解码器的相应层级进行特征融合得到第一融合特征图，所述解码器对所述第一融合特征图进行解码处理得到解码特征图，所述解码器融合中间层级的所述解码特征图和深层级的所述解码特征图得到第二融合特征图，所述解码器对所述第二融合特征图进行卷积操作，得到所述待分割纺织材料CT图像的分割结果；

获取单元，用于获取待训练纺织材料CT图像，所述待训练纺织材料CT图像标注有分割标注结果；

输出单元，用于将所述待训练纺织材料CT图像输入到构建的所述分割模型，输出所述待训练纺织材料CT图像的分割预测结果；

计算单元，用于基于预置损失函数计算所述待训练纺织材料CT图像的分割预测结果与分割标注结果的损失值；

更新单元，用于根据所述损失值，对所述分割模型的待训练参数进行更新，直至所述分割模型达到收敛条件，得到训练好的所述分割模型；

所述预置损失函数的公式为：

；

其中，y为分割预测结果，为分割标注结果，为常数，为常数。

6.根据权利要求5所述的基于卷积神经网络的纺织材料CT图像分割装置，其特征在于，还包括：

归一化单元，用于对所述待训练纺织材料CT图像进行归一化处理。

7.根据权利要求6所述的基于卷积神经网络的纺织材料CT图像分割装置，其特征在于，还包括：

数据增强单元，用于对归一化后的所述待训练纺织材料CT图像进行数据增强。