《表3 3种分割方法测试结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于U型卷积神经网络的羊肋排图像分割》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

由测试结果可得出，FCN32s[图9(c）]与FCN8s[图9(d）]存在明显的欠分割和过分割现象，主要表现为将真实的羊肋排区域分割为背景，以及将背景误分割为羊肋排区域，并且分割出的羊肋排边缘细节模糊，与标记图像差异明显，造成生产中难以正确区分图像中羊肋排的实际位置。但是，FCN8s较FCN32s羊肋排边缘特征保存完整，欠分割现象得到优化。其主要原因为FCN网络多次下采样造成目标特征大量丢失，且数倍的上采样跳跃结构使得网络对边缘轮廓等细节信息敏感度下降，从而8倍上采样FCN网络对肋排区域边缘分割效果比32倍上采样FCN网络羊肋排更有效。SegNet[图9(e）]网络结构与FCN不同，由对称的编码、解码网络及像素级分类器组成，且在解码网络中引入了池化索引，保留了相对较多的语义信息，在此基础上，对称结构有利于处理多尺度的目标信息，试验中羊肋排尺寸特征变化并不突出，肋排的边缘细节信息可以得到充分保存，因此该网络对羊肋排区域分割效果较好，在一定程度上减弱了欠分割现象。由图9(e）可以看出，经SegNet分割得到的羊肋排边缘轮廓细节与标记图像相比效果明显。较上述的3种分割方法，基于试验U-Net[图9(f）]的肋排区域分割过分割与欠分割现象并不明显，分割效果最优。其原因可能是U-Net模型采用了类似于编解码结构的收缩与扩张路径，对多尺度目标检测能力增强，同时网络的侧边合并部分，融合收缩路径中经下采样损失细节信息的浅层特征与扩张路径中经反卷积的深层特征，尽可能保留了逐层运算造成的丢失信息，便于后期特征定位。除此之外，U-Net网络较深的网络结构使其不仅能够学习肋排区域的浅层局部特征，还能获取深层更为抽象的语义特征，有利于提高分割准确率。FCN32s、SegNet、FCN8s3种网络的精度PA、均像素精度MPA、平均交并比MIoU及处理224×224像素单幅图像耗时结果如表3所示。