Infrared Image Segmentation Method of Circuit Board Based on GAN-SUNet
-
摘要:
红外图像可以直观反映电路板温度及其变化情况。为了解决电路板红外图像上芯片定位困难的问题，本文提出了一种基于GAN-SUNet网络的电路板红外图像分割方法。SUNet网络是在UNet网络的基础上进行改进，通过引入空间金字塔池化模块（SPP）并修改网络损失函数，减少卷积核数量的方法提高网络检测精度和运行速度。首先，使用生成对抗网络（GAN）对采集到的电路板红外数据进行学习训练并生成仿真红外图像，扩充数据集；然后，使用生成的数据集对SUNet网络进行训练并通过调整模型参数提升其验证精度；最后，使用训练完毕的模型对电路板上的芯片进行识别检测与图像分割实现电路板红外图像芯片定位。实验结果表明：对于电路板红外图像分割，GAN-SUNet网络平均交并比达到93.77%，可以有效减轻人工定位芯片提取数据的压力，为之后芯片温度数据处理提供有力保障。
Abstract:Infrared images can directly reflect the temperature of a circuit board and its changes. To address the challenge of accurately locating chips on infrared images of circuit boards, this paper proposes a segmentation method based on the GAN-SUNet model. The SUNet model is improved from the UNet model by introducing a spatial pyramid pooling (SPP) module, modifying the loss function, and reducing the number of convolution cores to enhance detection accuracy and network speed. First, a GAN is used to learn and train on collected infrared circuit board data to generate simulated infrared images and expand the dataset. Then, the generated dataset is used to train the SUNet model, and model parameters are adjusted to improve verification accuracy. Finally, the trained model is used to identify, detect, and segment chips on circuit boards, thereby achieving chip localization in infrared images. Experimental results show that for infrared image segmentation of circuit boards, the GAN-SUNet model achieves an average intersection and merging ratio of 93.77%, effectively reducing the burden of manual chip localization and providing strong support for subsequent chip temperature data processing.
-
0. 引言
随着近年来电子技术的快速发展，整个电路板的发展呈现出小型化、集成化的趋势[1]。这对电路板上芯片等元器件数据提取、故障诊断提出了挑战。目前传统的接触式电路板数据采集方法面对越来越小型、密集的电路元器件表现出各种不足，难以准确地获取各个电路元器件的运行参数，且其获取过程容易造成电路板损伤使得获取的数据出现偏差。
为了解决目前电路板元器件定位以及获取数据困难的问题，越来越多的学者将研究的重点放在了红外成像、磁场成像等非接触式获取电路板数据的方法上[2]。其中红外成像技术由于有着检测速度快，检测成本低，检测人员易于培训等特点，得到学者们的广泛关注。曾佩佩等人[3]使用主动轮廓模型对电路板红外图像进行分割，但此方法的初始种子点较难选择，因此容易产生误判，准确率不高。吕昂等人[4]使用改进区域生长法对电路板红外图像进行分割，实现了初始种子点的自动选择，但无法对电路元件进行区分。Dong Z.等人[5]利用多种图片配准方法对电路板红外图像进行配准。此种方法仅实现了图像配准，对芯片进行定位仍需大量人工。郝建新等人[6]提出将脉冲耦合网络应用于电路板红外图像分割中并对其进行改进，但由于考虑图像类别不全面，仅适用于部分红外图像。综上所述，在电路板红外图像分割领域，现有的研究成果大多使用传统图像处理的方法对电路板红外图像进行分割，其精确度都不高[7]。
针对前人的工作与不足，本文提出使用GAN-SUNet网络对电路板红外图像进行分割。首先使用生成对抗网络（GAN）对采集到的电路板红外数据进行学习训练，生成仿真红外图像以扩充数据集。之后使用扩充完毕的数据集训练GAN-SUNet网络并通过调整模型参数提升其精确度。最后将需要分割定位的电路板红外图像输入到训练完毕的模型中实现电路板红外图像的分割与芯片定位。
1. 实验数据处理
使用红外热像仪采集到电路板红外数据后，为了便于数据的处理，统一将各像素点的温度数据转换成灰度值。常规的8位灰度图范围为0~255共256级，精度不够高，因此本文采用浮点型灰度图，取值范围从0.0~1.0，以确保数据的精准度。以一组红外数据为例，对其各个像素点温度数据进行遍历，获得最高温度与最低温度并将其输出保存，将各像素点温度转化为灰度值的公式为式(1)：
$$ G_{\mathrm{p}}=\frac{T_{\mathrm{p}}-T_{\min }}{T_{\max }-T_{\min }} $$ (1) 式中：Gp、Tp分别代表对应像素点的灰度值与温度值。Tmin、Tmax分别代表像素点温度最低值和温度最高值。图像处理完成之后将各像素点灰度值转化为温度的公式为式(2)：
$$T_{\mathrm{p}}=T_{\min }+G_{\mathrm{p}}\left(T_{\max }-T_{\min }\right)$$ (2) 根据上述两式便可实现红外数据温度值与灰度值之间的互相转换。以一张具体图片为例，图 1、2分别为其灰度图以及温度灰度对应曲线图。
示例图中温度最高值为42.23℃，温度最低值为22.86℃，将这两个值保存之后通过式(1)转换数据即可得到图 1。转换之后若欲得到某个特定像素点的温度值，可通过保存的最高温度值和最低温度值使用式(2)获得对应像素点的温度数据。
将红外数据转换为灰度图之后，把所有灰度图作为训练样本对GAN进行训练，训练完毕后挑选出一部分较好的仿真图片与实际测得的原始图像合并作为之后整个神经网络的数据来源。
获取到全部所需数据之后，使用Labelme标注软件对所有图片的芯片区域进行标注以供训练分析。图像标注完成后采用平移、旋转、镜像翻转等图像变换方法进行数据增强操作。数据增强可以有效避免过拟合，提高模型泛化能力[8]。
2. 基础算法与改进
2.1 生成对抗网络
生成对抗网络是由Ian Goodfellow[9]提出的一种生成建模方法。其主要由两部分组成：生成器和判断器。生成器负责制造仿真数据，而判断器负责判断数据是否为仿真数据。其基本训练过程可以看作两部分进行博弈的过程。GAN运行过程可见图 3。
其中生成器通过随机噪声制作仿真图像，将制造的仿真图像与真图一起输入判断器中进行判断，判断器会对每张图进行打分，如果生成器生成的仿真图像得到的分数很高，则说明生成器的生成能力很好，判断器仍有待训练。相反如果判断器给出的分数很低，则说明判断器可以有效分辨，而生成器仍有待训练。
两者通过如此持续博弈，最后会达到一个纳什均衡的局面，即判断器的准确率稳定在50%，此时生成器生成的仿真图与真图一致。GAN模型的目标函数为式(3)：
$$ \begin{array}{r} \mathop {\min }\limits_G \mathop {\max }\limits_D V(D, G) = {E_{x \sim {p_{{\rm{data}}}}\left( x \right)}}\left[ {\log D\left( x \right)} \right] + \\ {E_{z \sim {p_z}\left( z \right)}}\left[ {\log \left( {1 - D\left( {G\left( z \right)} \right)} \right)} \right] \end{array}$$ (3) 式中：D表示判断器；G表示生成器；Z表示噪声；x表示真实图片；pdata表示真实图片的分布；pz表示随机噪声分布；E()表示函数的期望值；D()表示概率值。整个目标函数描述的是一种系统正确分类样本的能力。
GAN被广泛应用于样本数据生成，图像生成等方向，可以有效解决红外电路板数据缺乏公用数据集，数据样本较少的困难。
2.2 SUNet网络
2.2.1 UNet网络
UNet网络是由O. Ronneberger[10]提出来的一种全卷积神经网络（FCN）的变体。其设计的初衷是为了解决生物医学的图像分割问题。由于分割效果很好，便被广泛应用在语义分割的各个方向。UNet网络相较于FCN网络，整个网络只有卷积层而没有全连接层。同时UNet网络共进行了四次上采样，通过多次上采样，UNet网络实现了多尺度特征的融合与识别。并且UNet采用了拼接的特征融合方式，通过将通道维度拼接在一起形成更厚的特征以提高特征的获取率。考虑到所使用的红外图像分辨率较低、数据量较少的特点，采用UNet网络这类轻量型网络能够在保证准确率的情况下有效提升模型的运算速度并减少过拟合的发生。
2.2.2 空间金字塔池化模块
尽管UNet网络通过多次上采样实现多尺度特征的融合与识别，但其最大感受野受到上采样次数的影响，以常用的4次上采样次数为例，该网络的最大感受野仅为16×16。由于现实中存在相对较大的电路板和芯片，同时在实际获取红外数据时，检测人员与电路板距离难以控制，由此可能会获取到局部电路板红外数据。此时网络的最大感受野若只有16×16就偏小了。因此为了增大网络感受野，提高网络全局信息提取能力，本文结合金字塔场景分析网络（PSPNet）[11]，将空间金字塔模块（SPP）引入到UNet网络中。整个SPP模块结构如图 4。
首先对输入特征图进行4种尺度的平均池化，分别生成4个尺寸大小不一的特征图，其尺寸分别为1×1、2×2、3×3、6×6，它们的通道数保持不变。其生成的4张特征图包含4个大小的全局信息分别为512×512、256×256、170×170和85×85。之后对这4张特征图分别进行一次卷积操作，卷积核大小为1×1，每组卷积核128个，使每组特征图的通道数变为原来的1/4。然后对这4张特征图进行上采样操作，使其尺寸大小恢复至原来输入特征图的大小。最后将这4张特征图与输入特征图拼接在一起，经过一次卷积操作压缩通道与输入特征图的通道数一致。
经过上述操作流程输出特征图相较于输入特征图多出了4种尺寸的全局信息，提高了网络的全局信息提取能力。
2.2.3 复合损失函数
UNet网络使用的损失函数为传统的交叉熵损失函数。在二分类问题中，交叉熵损失函数（CEloss）的表达式为式(4)：
$$ {\rm{C}}{{\rm{E}}_{{\rm{loss}}}} = - y\log \left( {\hat y} \right) - \left( {1 - y} \right)\log \left( {1 - \hat y} \right) $$ (4) 式中：$ \hat y $代表模型的输出；y代表真实值。整个交叉熵损失函数描述的是实际输出与期望输出的差值。
由于进行红外图像分割时，每一个像素点都将产生一个损失值，而神经网络的反向传播就是将所有损失值累加起来。针对电路板红外图像，大多数区域为背景像素，芯片所占区域较小。因此采用此种损失函数将会导致背景像素贡献的损失值较多，使得网络的训练被背景区域主导，将会影响到整个网络对芯片区域的识别。为解决这个问题本文引入一种新的损失函数：Dice损失函数（Diceloss）[12]，其表达公式见式(5)。
$$ {\rm{Dic}}{{\rm{e}}_{{\rm{loss}}}} = 1 - \frac{{2\left| {X \cap Y} \right|}}{{\left| X \right| + \left| Y \right|}} $$ (5) 式中：X表示模型的输出点集；Y表示真实点集；$ \left| X \right| $表示模型输出点集的数量。Diceloss的取值范围为0~1，其值越大说明预测的越准确。该损失函数可以有效解决背景区域过大的问题。
为了提升模型的准确率，本文采用了复合损失函数（Mloss），其表达式为：
$$M_{\text {loss }}=\mathrm{CE}_{\text {loss }}+\text { Dice }_{\text {loss }}$$ (6) 2.2.4 SUNet网络整体设计
本文所使用的GAN-SUNet和SUNet网络结构相同，仅训练数据不同，其网络结构主要由两个部分组成：特征提取部分和上采样部分，主要结构见图 5。
考虑到本文的分割目标为电路板红外图像上的芯片区域，相对于UNet广泛应用的生物医学图像分割领域所需关注的信息较少，而过多的卷积核会提取过多的冗余信息，对提高模型的检测精度帮助不大，只会降低模型的运行速度，增加模型的复杂度。因此本文在UNet原始网络的基础上对其进行改进，将其卷积核的数量减半，减少网络参数量，以提高网络训练和运行速度。
图 5中未做标记的实线箭头均表示进行一组卷积操作，其中所有的卷积核大小均为3×3，所有的方框均表示一个特征图（feature map），方框旁的数字代表图像的宽和高，方框上方的数字代表通道数。可以从图 5中看出整个UNet网络结构是对称的。所有输入图像都经历了四次池化操作以此来降低维度，提高计算速度，增强所提取特征的鲁棒性。除空间金字塔池化模块外，其余所有池化核的大小均为2×2，池化运算为最大池化。而每次池化操作之间都会经过两次卷积操作，用于提取特征。在特征提取部分的最后加入了一个空间金字塔池化模块用来增大网络感受野获取更多的全局信息。之后又经过四次上采样以此来恢复维度，上采样操作均采用双线性插值算法。每次上采样后获得的feature map都会与对应维度的feature map进行特征融合，并再次使用两组3×3大小的卷积核提取特征。最后利用一组1×1的卷积输出结果。
由于电路板红外图像并没有通用数据集，因此数据集需要单独采集制作，其数据量必然较小。而数据量较小往往会导致训练过程中出现过拟合现象。使用改进过的轻量SUNet网络则能较大可能避免出现过拟合的现象同时加快网络运行速度。而针对红外电路板图像中，背景像素占比过多的问题，本文采用复合损失函数来对背景像素贡献的损失值进行调整，减少其对于网络训练的影响。同时为了增大感受野获取更多全局信息，本文引入SPP模块使得整个网络多出四种尺寸的全局信息。算法的流程图如图 6所示：
步骤1 使用红外热像仪采集温度数据；
步骤2 根据式(1)将温度数据转换为灰度图；
步骤3 使用灰度图像训练GAN，挑选一部分仿真图像补充原始数据；
步骤4 对所有图像进行标注，同时使用多种数据增强的方法扩充数据集；
步骤5 确定SUNet网络的训练参数；
步骤6 训练SUNet网络；
步骤7 使用验证集验证训练结果，调整参数，进行优化；
步骤8 使用训练好的模型分割红外图像，确定芯片位置。
3. 实验结果与分析
3.1 数据来源与实验细节
文中使用的电路板红外图像均来自于InfraTec公司生产的ImageIR系列红外热像仪于实验室拍摄的多组可调直流稳压电源电路板正常工作数据。该热像仪的热灵敏度小于0.02℃，可以精确测量出电路板各区域温度，确保数据准确性。
文中所有提及的模型均在指定的实验训练集上进行100轮次（epoch）训练，训练过程中批处理大小（batch-size）为8，初始学习率为0.001，学习率衰减采用指数衰减：每10个epoch学习率衰减一半。
3.2 实验数据集
本文采集到的电路板红外图像数量较少，仅600张。将其作为训练样本对GAN进行训练，总共训练300个轮次。之后挑选出GAN生成的较为优良的仿真图像1400张。全部数据一共只有2000张，考虑到之后的验证集与测试集的图像需求，使用数据增强技术是十分有必要的。针对采集到的电路板红外图像数据集采用平移、旋转、镜像翻转等图像变换方法进行数据增强，每张图片和对应的标签通过上述图像变换方法随机组合变换2次，最终样本总数为6000张，将其按照3:1:1的比例划分为训练集、验证集和测试集。其中为了验证模型的有效性，测试模型的泛化能力以及使用GAN生成图像扩充数据集的可靠性，测试集中不含有仿真图像。
本文同时还设立了3组对照实验，一组为只使用真实图像作为数据集进行训练的SUNet网络，第二组为使用全部数据集进行训练的UNet网络，第三组为使用全部数据集进行训练的PSPNet网络。
3.3 评价指标
在实验中使用平均交并比（mean intersection over union，MIoU）与平均像素精准度（mean pixel accuracy, MPA）作为分割结果的评价指标。交并比（intersection over union, IoU）是指模型对每一类预测的结果和真实值的交集与并集的比值。MIoU是对各类别的交并比求和再平均的结果，其计算公式见式(7)：
$$ {\rm{MIoU}} = \frac{1}{{k + 1}}\sum\limits_{i = 0}^k {\frac{{{\rm{TP}}}}{{{\rm{FN}} + {\rm{FP}} + {\rm{TP}}}}} $$ (7) 像素精准度（pixel accuracy, PA）是指计算各个类别被正确分类的像素数的比例，MPA评价指标是分别计算每类的像素精准度然后求平均。其计算见式(8)：
$$ {\rm{MPA}} = \frac{1}{{k + 1}}\sum\limits_{i = 0}^k {\frac{{{\rm{TP}}}}{{{\rm{FN}} + {\rm{FP}} + {\rm{TN}} + {\rm{TP}}}}} $$ (8) 其上两个公式中TP表示预测正确，预测结果是正，真实值是正。TN表示预测正确，预测结果是负，真实值是负。FP表示预测错误，预测结果是正，真实值是负。FN表示预测错误，预测结果是负，真实值是正。k的值为分类数目减1。
3.4 实验结果及其分析
表 1是SUNet、PSPNet和GAN-SUNet网络的模型训练完毕后在1200张测试数据集上测试得到的结果。
表 1 多种模型测试数据Table 1. Test data table of various modelsModel Type IoU/(%) PA/(%) MIoU/(%) MPA/(%) SUNet Chip 55.20 57.07 77.23 78.15 Background 99.26 99.23 PSPNet Chip 74.07 82.58 86.69 90.99 Background 99.31 99.40 GAN-SUNet Chip 87.79 92.96 93.77 96.42 Background 99.75 99.88 各个模型的测试结果如图 7所示，其中(a)表示测试图，(b)表示原图标签图，(c)表示SUNet模型的预测图，(d)表示PSPNet模型的预测图，(e)表示GAN-SUNet模型的预测图。
从实际的测试结果可以看出，这3种模型都能够从相对复杂的背景中预测电路板上芯片的空间位置和部分轮廓。但是依然会出现部分像素的误分类情况。其中SUNet模型虽然在分割未经数据增强的原图时表现优良，但在分割经过数据增强的图像时表现不佳，甚至出现漏检的情况。PSPNet模型虽然大部分情况都能有效分割出3个芯片的大致轮廓，但仍有小部分情况会出现两个芯片分割图像黏连的情况。而相较于前两种模型，GAN-SUNet模型误分割和漏分割程度更小，很大程度上接近原标签图像，只有部分边缘像素出现了分割错误的情况。
对比实验结果可以看出使用原始数据训练的SUNet模型明显出现了过拟合现象，相比于GAN-SUNet模型的实验结果其缺乏泛化性，两者所使用的训练网络均为SUNet网络，只有训练集不同，通过实验结果证明了使用GAN和数据增强扩充数据集的必要性。而GAN-SUNet模型与PSPNet模型相比能够在低分辨率情况下更好地提取信息特征，对于后期的像素分类和结果分割能够保留更多的细节。同时由于本文使用的训练图像数量较少，因此合适的网络结构和训练参数是训练的关键，使用较为大型的网络将会更容易遇到过拟合现象。
同时为了体现对UNet网络改进的有效性，本文将GAN-SUNet模型与UNet模型对芯片区域较大的图像分割的结果进行了对比。两个模型的训练集完全一致，区别只在于网络结构部分。对比结果如图 8所示。
通过对实验结果的对比，可以发现使用相同的数据集训练UNet模型对于芯片占比较大的图片分割表现不佳。这是由其损失函数易受背景像素的影响以及其网络最大感受野不够大共同导致的。而反观GAN-SUNet模型，由于其使用了SUNet网络，引入SPP模块扩大了网络感受野；修改损失函数，减少背景像素的影响。由此GAN-SUNet模型在面对芯片像素占比较大的图像时表现依旧良好。
本文同时对比了利用全部数据集训练的3种模型的运行时间和效果，其结果显示在图 9。
其中GAN-SUNet具有最快的运算速度和最高的准确率。GAN-SUNet处理速度达到了13帧/s，相比于PSPNet和UNet速度提升了44.4%和85.7%。GAN-SUNet模型的检测精度达到了93.77%，相比于PSPNet和UNet模型的检测精度提升了7.08%和0.54%，相比于仅使用真实数据的SUNet网络检测精度提升了16.54%。GAN-SUNet在速度和准确率上都是这3种模型中最优的。
同时为了检验GAN-SUNet模型的普适性，本文引入一组不在数据集中且其工作参数与数据集的工作参数完全不同的电路板红外图像。使用GAN-SUNet模型对其进行图像分割，其实验结果如图 10所示。
根据式(7)计算GAN-SUNet模型对数据集外的红外图像进行图像分割时的检测精度，其MIoU依然达到了91.28%，虽然精确度比使用测试集时有所下降，但仍在可接受范围之内。由此可得出GAN-SUNet模型对这类问题具有一定的普适性。
本文通过上述的多组实验证明了GAN-SUNet模型在小样本条件下训练的语义分割模型能够有效地对红外电路板图像进行分割并确定其上各个芯片的空间位置。
4. 结语
本文针对电路板红外图像分割问题，提出了一种基于GAN和UNet网络的模型：GAN-SUNet模型。面对红外图像具有数据集较少，背景像素过多，图像元素较简单等特点，本文采取了3种措施对算法进行改进：
① 使用GAN算法扩充数据集，并采用实验的方式证明扩充数据的有效性。
② 改进原始UNet网络的损失函数，减少背景像素对于训练的影响。
③ 缩减原始网络卷积核数量达到加快网络运行速度的目的。
本文通过引入SPP模块加大原始UNet网络感受野大小，提升其性能。通过实验表明使用GAN-SUNet模型训练的语义分割模型可以较好地从电路板红外图像中分割出芯片位置。最终在测试集上的MIoU与MPA分别达到了93.77%与96.42%，检测速度达到13帧/s，有效提高分割精度与检测速度，最终实现了电路板上芯片像素与背景像素的分类。本文仅研究了深度学习方法用于红外图像场景下电路板图像芯片分割的问题，在后续的工作当中，应当逐步实现各个电路元器件区域的分割，如电容、电阻等，最终实现整个电路板元器件的图像分割。
-
表 1 多种模型测试数据
Table 1 Test data table of various models
Model Type IoU/(%) PA/(%) MIoU/(%) MPA/(%) SUNet Chip 55.20 57.07 77.23 78.15 Background 99.26 99.23 PSPNet Chip 74.07 82.58 86.69 90.99 Background 99.31 99.40 GAN-SUNet Chip 87.79 92.96 93.77 96.42 Background 99.75 99.88 
下载: 导出CSV
-
[1] SHI L, ZHOU Z, JIA H, et al. Fault diagnosis of functional circuit in avionics system based on BPNN[C]//2019 Prognostics and System Health Management Conference (PHM-Qingdao) of IEEE, 2019: 1-5.
[2] ZHENG T, WANG Z, TAN C, et al. Research on fault prediction and diagnosis method of PCB circuit[C]//2020 International Conference on Artificial Intelligence and Computer Engineering (ICAICE) of IEEE, 2020: 387-390.
[3] 曾佩佩. 基于主动轮廓模型的PCB红外图像分割[D]. 天津: 中国民航大学, 2014. ZENG Peipei. PCB Infrared Image Segmentation Based on Active Contour[D]. Tianjin: Civil Aviation University of China, 2014.
[4] 吕昂, 陈怡, 方晋甬, 等. 基于红外热成像的电路板载器件故障检测[J]. 激光与红外, 2018, 48(5): 579-584. DOI: 10.3969/j.issn.1001-5078.2018.05.008 LV Ang, CHEN Yi, FANG Jinyong, et al. Defect detection for circuit-board-mounted devices based on infrared imaging[J]. Laser & Infrared, 2018, 48(5): 579-584. DOI: 10.3969/j.issn.1001-5078.2018.05.008
[5] DONG Z, CHEN L. Image registration in PCB fault detection based on infrared thermal imaging[C]//2019 Chinese Control Conference (CCC) of IEEE, 2019: 4819-4823.
[6] 郝建新, 王力. 基于改进脉冲耦合神经网络的电路板红外图像分割[J]. 激光与红外, 2020, 50(11): 1410-1416. DOI: 10.3969/j.issn.1001-5078.2020.11.020 HAO Jianxin, WANG Li. Infrared image segmentation of circuit board based on improved PCNN[J]. Laser & Infrared, 2020, 50(11): 1410-1416. DOI: 10.3969/j.issn.1001-5078.2020.11.020
[7] 徐奇伟, 黄宏, 张雪锋, 等. 基于改进区域全卷积网络的高压引线接头红外图像特征分析的在线故障诊断方法[J]. 电工技术学报, 2021, 36(7): 1380-1388. XU Qiwei, HUANG Hong, ZHANG Xuefeng, et al. Online fault diagnosis method for infrared image feature analysis of high-voltage lead connectors based on improved R-FCN[J]. Transactions of China Electrotechnical Society, 2021, 36(7): 1380-1388.
[8] 袁刚, 许志浩, 康兵, 等. 基于DeepLabv3+网络的电流互感器红外图像分割方法[J]. 红外技术, 2021, 43(11): 1127-1134. http://hwjs.nvir.cn/article/id/b9df2f53-2244-471b-b0ec-42159cfaa654 YUAN Gang, XU Zhihao, KANG Bing, et al. DeepLabv3+ network-based infrared image segmentation method for current transformer[J]. Infrared Technology, 2021, 43(11): 1127-1134. http://hwjs.nvir.cn/article/id/b9df2f53-2244-471b-b0ec-42159cfaa654
[9] Goodfellow I, Pouget-Abadie J, Mirza M, et al. Generative Adversarial Nets[M]. MIT Press, 2014.
[10] Ronneberger O, Fischer P, Brox T. U-Net: Convolutional networks for biomedical image segmentation[C]//International Conference on Medical Image Computing and Computer-Assisted Intervention, Springer International Publishing, 2015, DOI: 10.1007/978-3-319-24574-4_28.
[11] ZHAO H, SHI J, QI X, et al. Pyramid scene parsing network[C]//IEEE International Conference on Computer Vision and Pattern Recognition (CVPR), 2017: 6230-6239.
[12] 胡智翔, 鲍胜利, 徐传淇, 等. 基于DeepLabv3+的遥感建筑物语义分割算法[J]. 计算机应用, 2021, 41(S2): 71-75. HU Zhixiang, BAO Shengli, XU Chuanqi, et al. Semantic segmentation algorithm for remote sensing buildings based on DeepLabv3+[J]. Journal of Computer Applications, 2021, 41(S2): 71-75
计量
- 文章访问数: 28
- HTML全文浏览量: 4
- PDF下载量: 11
