[发明专利]一种基于深度学习的粘连和堆叠颗粒图像分割方法

说明书

本发明涉及一种基于深度学习的粘连和堆叠颗粒图像分割方法，属于计算机图像分割领域。该方法包括：S1：对颗粒图像数据进行标注；S2：构建深度学习神经网络模型，使用颗粒图像及步骤S1得到的标注图作为训练集进行网络训练，即通过反向传播算法调整网络参数；S3：利用步骤S2构建的深度学习神经网络模型对颗粒图像进行实例分割；S4：对颗粒图像的实例分割结果进行统计分析。本发明能对粘连与堆叠颗粒图像进行实例分割，得到不同颗粒的标记图像，从而解决粘连与堆叠颗粒的计数问题。

技术领域

本发明属于计算机图像分割领域，涉及一种基于深度学习的粘连和堆叠颗粒图像分割方法。

背景技术

常见的图像识别方法有目标检测、语义分割和实例分割，但三种方法的实现困难程度不同：(1)目标检测是把图像中不同类别的物体用不同的矩形框圈出来，不需要精确确定物体的边界，因此在需要精细化检测物体的场景并不适用。(2)语义分割是把图像中不同类别的物体用不同的标签表示出来，对每个像素都赋予一个类别标签(比如汽车、建筑、人等)，可以实现像素级的边界分割，但不能区分不同的个体，因此该方法不能区分粘连、堆叠颗粒的计数。(3)实例分割是把图像中不同类别的物体用不同的标签表示出来，对每个像素都赋予一个类别标签(比如汽车、建筑、人等)，并且会对同类的不同个体进行区分判断。

显微图像中生物细胞个数、纳米材料的颗粒数、摄像头监控下的人群人数、农作物监测的农作物颗粒等任务，由于图像中颗粒的数量巨大，人工计数极为困难，因此开发自动检测颗粒的方法就极为重要。

目前图像颗粒识别常采用实例分割方法，主要有：基于灰度的分水岭算法、基于边缘检测的霍夫变换算法、水平集算法、特征空间分类等算法，但是这些传统算法只能用于简单情况，不适用以下情况：

(1)多种多样的颗粒类型及其不同的形状，面积。

(2)颗粒的边缘信息损失过多，边缘不清晰。

(3)颗粒之间的相互粘连与重叠。

基于深度学习的颗粒分割方法具有更强的识别能力、更好的鲁棒性。如公开号为CN111899274A的专利申请，公开了一种基于深度学习TEM图像分割的粒径分析方法，该方法通过使用人工标记的语义分割神经网络模型分割TEM纳米颗粒，其能分割不同形状的颗粒。但其只能实现语义分割，仍不能解决粘连与堆叠颗粒的计数问题，因此，颗粒图像分割需要一种可以解决粘连、堆叠颗粒的实例分割方法。

发明内容

有鉴于此，本发明的目的在于提供一种基于深度学习的粘连和堆叠颗粒图像分割方法，利用深度学习网络架构对粘连与堆叠颗粒图像进行实例分割，得到不同颗粒的标记图像，从而解决粘连与堆叠颗粒的计数问题。

为达到上述目的，本发明提供如下技术方案：

一种基于深度学习的粘连和堆叠颗粒图像分割方法，具体包括以下步骤：

S1：准备数据集：对颗粒图像数据进行人工标注；

S2：构建深度学习神经网络模型，使用颗粒图像及步骤S1得到的标注图作为训练集进行网络训练，即通过反向传播算法调整网络参数，以使训练集和验证集都能获得最好效果；

S3：利用步骤S2构建的深度学习神经网络模型对颗粒图像进行实例分割；

S4：对颗粒图像的实例分割结果进行统计分析，可采用不同颜色展示。

进一步，步骤S2中，构建的深度学习神经网络模型包括：基于注意力(Convolutional Block Attention Module，CBAM)模块的主干特征提取网络、锚框生成网络(Region Proposal Network，RPN)、ROI分类回归网络和Mask实例分割网络；。

进一步，步骤S2中，采用基于CBAM模块的主干特征提取网络进行主干特征的提取，具体包括以下步骤：