基于MSR-UNet的煤岩显微组分分割与定量分析算法

【目的】煤岩的质量决定着煤岩的利用率,其组分的分析是判断煤炭质量的重要依据。本文针对煤岩显微组分的分割问题,提出一种改进的UNet网络,旨在提高对煤岩显微组分分割的准确度,以此实现对煤岩显微组分的自动化分析。【方法】首先,提出一种多尺度上下文注意模块。通过捕获具有空间上下文信息的高层特征来提高网络提取关键特征的能力。其次,在跳跃连接层中引入挤压激励模块,提高网络对低层特征重要信息的捕获能力。最后,选用骰子损失函数和焦点损失函数训练网络,以提高网络对小目标组分的敏感度和对相似组分的区分能力。【结果】实验结果表明,所提方法在分割煤岩显微组分图像时,PA指标、IoU指标和Dice指标分别为91.24%、83.01%和84.70%,各组分分割的平均绝对误差分别为2.95%、5.43%和6.19%。【结论】本文算法在实现利用计算机辅助自动化分析煤岩质量方面具有巨大潜力。     

基于UNet++的煤岩显微图像组分分析

针对解决煤岩显微图像组分分析过程中,利用图像分割方法遇到的精度较低问题。论文提出了一种基于UNet++模型的图像分割方法。该方法首先将已标记的煤岩显微图像与基于Lovász-Softmax的分割损失相结合,实现对UNet++模型进行训练。再利用训练后的模型对煤岩显微图像按照组分类别进行分割标记。最后,对标记区域进行占比计算,完成煤岩显微图像组分的分析过程。实验结果表明,与K-means算法以及使用交叉熵训练的UNet++模型相比,论文所提算法更关注于各组分的纹理信息差异,且受图像中组分占比不均问题影响较小,对煤岩显微图像组分分割更准确。