融合条形注意力机制的电芯极片计算机断层图像分割

作     者：刘泽芳 龙超 刘学栓 韩艳 谭川东 谭辉 段黎明 LIU Zefang;LONG Chao;LIU Xueshuan;HAN Yan;TAN Chuandong;TAN Hui;DUAN Liming

作者机构：重庆大学光电技术及系统教育部重点实验室ICT研究中心重庆400044 重庆大学光电工程学院重庆400044 火箭军装备部装备项目管理中心北京100085 

基　　金：国家重点研发计划资助项目(No.2022YFF0706400) 重庆市英才计划资助项目(No.CQYC20210510579) 

出 版 物：《光学精密工程》 (Optics and Precision Engineering)

年 卷 期：2024年第32卷第23期

页      码：3525-3535页

摘      要：工业计算机断层扫描成像技术(Computed Tomography,CT)检测叠片电芯极片时,在CT图像中分割出极片是关键步骤。然而,由于叠片电芯的极片结构复杂、长宽比大,现有分割方法在速度与精度上难以满足大规模生产检测的需求。为解决这个问题,提出一种融合条形注意力机制的电芯极片CT图像分割网络。该网络主要由主干网络、条形空洞金字塔池化模块(Strip Atrous Spatial Pyramid Pooling,S-ASPP)和解码器模块组成。其中,主干网络设计为轻量型网络MobilenetV2,用于减少网络参数量并提高分割速度;S-ASPP模块中将全局池化设计为条形池化,用于减少条形特征信息的丢失,有效解决欠分割的问题;解码器模块的条形注意力机制用于关注图像中的边缘和细节信息,从而改善边缘模糊的问题。在电芯极片CT数据集上进行学习验证,实验结果表明,本文网络对电芯极片的平均像素分类准确率(mAcc)、平均交互比(mIoU)、参数量和分割速度分别达到了98.62%,89.97%,5.814M,56.94 frame/s。相比DANet,DeepLabV3+,U-Net,HRNet和Segnext网络,本文网络的分割精度最高,分割速度优于DANet,DeepLabV3+,U-Net和HRNet网络,略逊色Segnext网络。综合考虑评价指标mIoU,mAcc,FPS,Parameters(M),本文方法在保持较低计算成本的同时,显著提升了极片分割的精度和效率,优于目前主流的分割网络。

主 题 词：X射线成像 计算机断层成像 深度学习 图像分割 叠片电芯 

学科分类：08[工学] 080203[080203] 0802[工学-机械学] 

核心收录：

D　O　I：10.37188/OPE.20243223.3525

馆 藏 号：203157305...