[发明专利]改进深度学习算法的PDC钻头条件下岩屑图像分割方法

权利要求书

1.一种改进深度学习算法的PDC钻头条件下岩屑图像分割方法，其特征在于包括以下步骤：

步骤一：将岩屑原图像分割成若干子块，每个子块尺寸为256×256×3；

步骤二：建立U-Net++神经网络模型；

步骤三：搭建多任务学习的MTLU-Net++实例分割网络模型；

MTLU-Net++实例分割网络模型增加跳跃连接的次数，将每一深度的特征与其他所有深度的特征融合；把图像分割任务分为边缘提取和前背景分割两个学习子任务，其中边缘提取为主任务，前背景分割为次要任务，前背景分割任务，指导边缘提取任务，两个学习子任务相互联系，参数共享，同时训练相互影响；

步骤四：用TensorFlow框架对MTLU-Net++实例分割网络模型进行训练；

步骤五：对训练好的MTLU-Net++实例分割网络模型进进行测试；

步骤六: 将步骤一得到的岩屑图像若干子块用MTLU-Net++实例分割网络模型分割得到图像前景和边缘特征，将图像前景和边缘特征与超像素算法分割结果再进行多特征融合；

步骤七:输出岩屑图像分割结果。

2.根据权利要求1所述的改进深度学习算法的PDC钻头条件下岩屑图像分割方法，其特征在于：所述步骤六具体为：用超像素分割结果对MTLU-Net++实例分割网络模型分割结果进行优化，得到最终实例分割结果；首先对岩屑图像进行超像素分割，得到若干超像素子区域块；其次通过MTLU-Net++实例分割网络模型得到前背景信息和边缘信息，以此得到初始连通域；接着对MTLU-Net++实例分割网络得到的前背景信息和边缘信息进行形态学腐蚀去除噪声点；最后设置背景阈值为T，对每个超像素子区域块进行判定，若超像素子块中的背景像素点占比大于等于T，则该超像素子块为背景，其具体公式如下：

式中，p为背景像素在整个超像素块中的占比；T为背景阈值；B为背景判别变量，如果B为1，则该超像素子块为岩屑图像背景；反之，该超像素子块属于岩屑块前景；最后对其进行划分，将每个属于岩屑块前景的超像素子区域块划分到最大占比的连通域内。