基于改進(jìn)PSPNet的氬花圖像分割算法

張 達(dá)，熊 凌+

(1.武漢科技大學(xué) 冶金自動(dòng)化與檢測技術(shù)教育部工程研究中心，湖北 武漢 430081； 2.武漢科技大學(xué) 機(jī)器人與智能系統(tǒng)研究院，湖北 武漢 430081)

0 引 言

實(shí)時(shí)分割氬花圖像，指導(dǎo)鋼包底吹氬流量控制任務(wù)，可提高氬氣流量控制精度，提升鋼液質(zhì)量[1,2]。近年來，基于深度學(xué)習(xí)的圖像分割算法發(fā)展迅速[3]。Jonathan L等[4]提出的全卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了像素級分割，但分割小物體能力較弱。Olaf等[5]提出U-Net網(wǎng)絡(luò)，提高了小目標(biāo)分割精度，但在分割時(shí)給臨近分離邊界的像素分配權(quán)重較大，降低了分割相鄰樣本的準(zhǔn)確率。Zhao等[6]提出金字塔場景解析網(wǎng)絡(luò)(pyramid scene parsing network，PSPNet)，改善了類別混淆和小樣本誤判問題，但增加了網(wǎng)絡(luò)的計(jì)算量，導(dǎo)致實(shí)時(shí)性降低。因此，為縮短圖像處理時(shí)間，需要輕量化網(wǎng)絡(luò)結(jié)構(gòu)[7-10]。目前輕量化網(wǎng)絡(luò)結(jié)構(gòu)主要有MobileNet、Xception、ShuffleNet和SqueezeNet等，其中SqueezeNet[11]采用squeeze層對上層特征圖使用1×1卷積核進(jìn)行卷積，減少特征維數(shù)[11]。ShuffleNet[12]采用深度可分離卷積替代標(biāo)準(zhǔn)卷積以減少計(jì)算量[13]，但缺少通道間的聯(lián)系，導(dǎo)致特征復(fù)雜度降低。而MobileNet[13]在深度可分離卷積基礎(chǔ)上加入了逐點(diǎn)卷積，融合了不同通道在相同空間位置上的特征信息，解決了深度可分離卷積中信息流不通暢問題，較好地完成了輕量化網(wǎng)絡(luò)結(jié)構(gòu)任務(wù)。但在使用輕量化網(wǎng)絡(luò)提取特征時(shí)，會(huì)損失部分細(xì)節(jié)信息，使分割精度降低[14]。

為滿足實(shí)時(shí)性和精度的要求，本文提出融合MobileNet-V2網(wǎng)絡(luò)特點(diǎn)的輕量化PSPNet網(wǎng)絡(luò)。利用深度可分離卷積降低參數(shù)量和計(jì)算量，使用金字塔池化模塊聚合上下文信息，提高信息利用率。結(jié)合Dice損失函數(shù)和交叉熵?fù)p失函數(shù)特點(diǎn)提出融合損失函數(shù)，輔助優(yōu)化分割網(wǎng)絡(luò)。同時(shí)交替使用ReLU激活函數(shù)和線性連接層(Linear)，避免特征退化。實(shí)驗(yàn)結(jié)果表明，改進(jìn)的PSPNet網(wǎng)絡(luò)分割精度高，實(shí)時(shí)性表現(xiàn)良好，適用于鋼包底吹氬任務(wù)。

1 氬花圖像分割算法

為實(shí)現(xiàn)鋼包底吹氬流量智能控制，需要根據(jù)氬花區(qū)域覆蓋面積和氬氣流量之間的關(guān)系建立控制模型，其中獲取氬花區(qū)域面積是建立模型的首要問題，但鋼包底吹氬過程中產(chǎn)生的氬花形狀不規(guī)則且類間差異大，導(dǎo)致從鋼渣表面分割出氬花區(qū)域變得困難。PSPNet網(wǎng)絡(luò)利用金字塔池化模塊對復(fù)雜場景解析，高效利用全局上下文信息，在像素級預(yù)測中體現(xiàn)了良好的性能，可滿足氬花圖像分割任務(wù)對精度的需求。但應(yīng)用傳統(tǒng)PSPNet網(wǎng)絡(luò)分割氬花圖像時(shí)，會(huì)因?yàn)榫W(wǎng)絡(luò)中龐大的計(jì)算量和參數(shù)量降低圖像處理速度，導(dǎo)致氬氣流量控制產(chǎn)生滯后，影響鋼液質(zhì)量，造成成本損失。所以需要對PSPNet網(wǎng)絡(luò)進(jìn)行輕量化設(shè)計(jì)，在保證分割精度的同時(shí)提高圖像處理速度。

1.1 改進(jìn)的PSPNet網(wǎng)絡(luò)結(jié)構(gòu)

本文以PSPNet網(wǎng)絡(luò)框架為主體，對分割網(wǎng)絡(luò)進(jìn)行了輕量化設(shè)計(jì)，改進(jìn)后的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

如圖1所示，改進(jìn)的PSPNet網(wǎng)絡(luò)沿用了傳統(tǒng)PSPNet網(wǎng)絡(luò)架構(gòu)，在分割氬花圖像時(shí)，首先采用MobileNet提取圖像數(shù)據(jù)特征，將得到的特征圖劃分成不同大小的區(qū)域，在各區(qū)域內(nèi)部進(jìn)行全局自適應(yīng)平均池化，再使用1×1卷積進(jìn)行降維。然后利用雙線性插值還原輸出特征圖大小，并與輸入特征圖并聯(lián)連接。最后使用3×3卷積整合特征，1×1卷積調(diào)整通道，上采樣還原圖像尺寸，就可得到網(wǎng)絡(luò)對原圖中每個(gè)像素類別的預(yù)測結(jié)果。改進(jìn)后網(wǎng)絡(luò)通過金字塔池化模塊增大感受野，采用并聯(lián)特征融合的方式將低級特征與高級特征拼接，加強(qiáng)網(wǎng)絡(luò)信息間交流，提高網(wǎng)絡(luò)對圖像細(xì)節(jié)的處理能力，可較好地完成語義分割任務(wù)。該網(wǎng)絡(luò)主要特點(diǎn)體現(xiàn)在以下幾個(gè)方面：

(1)使用MobileNet網(wǎng)絡(luò)替代ResNet網(wǎng)絡(luò)作為特征提取主干網(wǎng)絡(luò)，降低卷積運(yùn)算參數(shù)量。在提取特征網(wǎng)絡(luò)的首末端使用步長為1的深度可分離卷積，中間層連續(xù)使用3次步長為2的深度可分離卷積，同時(shí)應(yīng)用倒殘差模塊和瓶頸層結(jié)構(gòu)解決低維信息映射到高維過程中信息丟失的問題，提高特征利用率，在不損失精度的同時(shí)盡量減少計(jì)算量；

(2)結(jié)合交叉熵?fù)p失(cross entropy，CE)函數(shù)和Dice相似系數(shù)(Dice similarity coefficient，DSC)損失函數(shù)特點(diǎn)，對DSC損失函數(shù)進(jìn)行拉普拉斯平滑，最終將兩種損失函數(shù)相加得到融合損失函數(shù)。采用融合損失函數(shù)輔助模型訓(xùn)練，解決氬花圖像中正負(fù)樣本不平衡問題和零概率問題，提高語義分割結(jié)果的邊緣精細(xì)度；

(3)根據(jù)模型結(jié)構(gòu)的數(shù)據(jù)特點(diǎn)，選擇性使用ReLU激活函數(shù)或Linear，在通道數(shù)較多的位置使用非線性ReLU函數(shù)作為激活函數(shù)，在通道數(shù)少的位置使用線性Linear，避免低維映射過程中ReLU激活函數(shù)過濾掉負(fù)值信息造成激活空間坍塌，導(dǎo)致特征退化的問題；

(4)采用Adam和Momentum兩種優(yōu)化器優(yōu)化網(wǎng)絡(luò)參數(shù)，避免出現(xiàn)病態(tài)曲率減緩訓(xùn)練速度，加速網(wǎng)絡(luò)訓(xùn)練過程。

1.2 深度可分離卷積

為降低模型參數(shù)量和計(jì)算量，使PSPNet網(wǎng)絡(luò)輕量化，使用深度可分離卷積替代標(biāo)準(zhǔn)卷積。深度可分離卷積與標(biāo)準(zhǔn)卷積具有相似的卷積效果，但花費(fèi)的計(jì)算量僅為標(biāo)準(zhǔn)卷積的12%左右。深度可分離卷積運(yùn)算過程可分為逐通道卷積(depthwise convoluteion，DW)和逐點(diǎn)卷積(pointwise convolution，PW)，DW中一個(gè)卷積核負(fù)責(zé)一個(gè)通道，一個(gè)通道只被一個(gè)卷積核卷積，DW運(yùn)算后再進(jìn)行PW運(yùn)算，使輸出的每個(gè)特征圖包含輸入層所有特征圖的信息。深度可分離卷積和標(biāo)準(zhǔn)卷積運(yùn)算過程如圖2所示。

由圖2可知，深度可分離卷積在block構(gòu)成上有所不同，深度可分離卷積含有逐通道卷積、逐點(diǎn)卷積和Linear結(jié)構(gòu)，運(yùn)算過程可分為步長為1或2兩種情況，步長為1時(shí)，輸入與特征圖維度匹配，可采用shortcut，步長為2時(shí)，輸入與特征圖維度不匹配，則不采用shortcut。并且深度可分離卷積采用Inverted Residuals結(jié)構(gòu)，運(yùn)算時(shí)先利用1×1卷積升維，然后進(jìn)行3×3卷積，再利用1×1卷積降維，先進(jìn)行擴(kuò)張，再進(jìn)行壓縮，相比直接使用3×3網(wǎng)絡(luò)卷積效率更高，盡可能在不降低精度的同時(shí)減少模型參數(shù)量和計(jì)算量。

同時(shí)標(biāo)準(zhǔn)卷積運(yùn)算后結(jié)果直接通過非線性激活函數(shù)ReLU，這會(huì)使原本為負(fù)值的激活值變?yōu)榱?，?dǎo)致深度網(wǎng)絡(luò)僅在輸出域的非零部分具有線性分類器的功能，這將不可避免地造成通道中的信息損失，所以在通道數(shù)較少處可采用Linear，避免損失有效信息，提高模型分割精度。

假設(shè)卷積核大小為KW×Kh， 輸入通道數(shù)為Cin， 輸出通道數(shù)為Cout， 輸出特征圖的寬和高分別為W和H， 則標(biāo)準(zhǔn)卷積的參數(shù)量(Params)和計(jì)算量(FLOPs)如下式所示

Pb=KW×Kh×Cin×Cout

(1)

Fb=Kw×Kh×Cin×Cout×W×H

(2)

其中，Pb表示標(biāo)準(zhǔn)卷積參數(shù)量，F(xiàn)b表示標(biāo)準(zhǔn)卷積計(jì)算量。深度可分離卷積的參數(shù)量和計(jì)算量公式如下所示

Pd=Kw×Kh×Cin+Cin×Cout

(3)

Fd=KW×Kh×Cin×W×H+Cin×Cout×W×H

(4)

其中Pd表示深度可分離卷積參數(shù)量，F(xiàn)d表示計(jì)算量。與標(biāo)準(zhǔn)卷積相比得式(5)

(5)

通過分析上式可知，采用深度可分離卷積運(yùn)算可以成倍地減少模型的參數(shù)量和計(jì)算量，降低網(wǎng)絡(luò)模型的時(shí)間復(fù)雜度和空間復(fù)雜度，大幅度縮短卷積運(yùn)算時(shí)間，因此可以采用此方法節(jié)約計(jì)算成本，對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行輕量化。

1.3 融合損失函數(shù)

語義分割任務(wù)中常使用交叉熵?fù)p失函數(shù)來反映預(yù)測結(jié)果與真實(shí)值之間的差距，輔助模型訓(xùn)練，對分割網(wǎng)絡(luò)進(jìn)行優(yōu)化，CE損失函數(shù)公式如下

(6)

式中：Gi為像素點(diǎn)i的真實(shí)類別，Pi為語義分割網(wǎng)絡(luò)對像素點(diǎn)i的預(yù)測結(jié)果。鋼包底吹氬過程中產(chǎn)生的氬花圖像，通常存在鋼渣覆蓋區(qū)域遠(yuǎn)大于氬花覆蓋區(qū)域的情況，存在類別不平衡現(xiàn)象。而使用交叉熵?fù)p失函數(shù)分割僅有前景與背景的圖片時(shí)，如果前景像素的數(shù)量遠(yuǎn)遠(yuǎn)小于背景像素的數(shù)量，損失函數(shù)中背景的成分就會(huì)占據(jù)主導(dǎo)，導(dǎo)致模型嚴(yán)重偏向背景，影響語義分割效果。

DSC損失函數(shù)也常用于優(yōu)化語義分割網(wǎng)絡(luò)，結(jié)果取值范圍在[0,1]之間，取值越大表示與真實(shí)值越相似，公式如下

(7)

式中：Gi·Pi代表兩像素矩陣點(diǎn)乘。當(dāng)語義分割目標(biāo)正負(fù)樣本強(qiáng)烈不平衡時(shí)，DSC損失函數(shù)效果更佳。但在正樣本為小目標(biāo)時(shí)DSC易產(chǎn)生嚴(yán)重的震蕩，因?yàn)樵趦H有前景和背景的情況下，小目標(biāo)一旦有部分像素預(yù)測錯(cuò)誤，就會(huì)導(dǎo)致Loss值大幅度的變動(dòng)，從而使梯度變化劇烈。因此，可對DSC進(jìn)行改進(jìn)，加入拉普拉斯平滑得到LSSC(laplace smoothing similarity coefficient)損失函數(shù)，這樣可避免當(dāng)預(yù)測值和真實(shí)值都為零時(shí)，分子被零除，解決零概率問題，同時(shí)可以有效減少過擬合現(xiàn)象，公式如下

(8)

本文結(jié)合以上各損失函數(shù)特點(diǎn)，針對氬花圖像特性，設(shè)計(jì)了一種善于挖掘正樣本為小目標(biāo)的融合損失函數(shù)LD，公式如下

LD=LCE+LLSSC

(9)

在網(wǎng)絡(luò)訓(xùn)練時(shí)使用融合損失函數(shù)輔助優(yōu)化分割模型，可以避免分割結(jié)果中出現(xiàn)類別混淆現(xiàn)象，提高網(wǎng)絡(luò)對小目標(biāo)的分割能力和分割結(jié)果的邊沿精細(xì)度。

2 實(shí)驗(yàn)與結(jié)果分析

本文模型基于Tensorflow和Keras框架實(shí)現(xiàn)，硬件環(huán)境為：CPU為Intel Core i7-10750H，GPU為NVIDIA GTX 1660Ti。軟件環(huán)境為：Window10、Tensorflow 1.14、Keras2.2.4、Python3.6.2。

2.1 評價(jià)指標(biāo)

為驗(yàn)證網(wǎng)絡(luò)有效性，使用精確率(Precision)、召回率(Recall)、F-score、類別平均像素準(zhǔn)確率(mean intersection over union，MIoU)和平均交并比(mean pixel accuracy，MPA)作為模型評價(jià)指標(biāo)。采用Labelme軟件對氬花圖像標(biāo)注標(biāo)簽，用于訓(xùn)練網(wǎng)絡(luò)模型，標(biāo)簽圖像如圖3所示。

驗(yàn)證時(shí)將氬花圖像像素預(yù)測結(jié)果分為4個(gè)部分，即真陽性(true positive，TP)、假陽性(false positive，F(xiàn)P)、真陰性(true negative，TN)、假陰性(false negative，F(xiàn)N)，結(jié)果中TP表示預(yù)測為氬花實(shí)為氬花的部分，F(xiàn)P表示預(yù)測為氬花但不是氬花的部分，TN表示預(yù)測為背景實(shí)為背景部分，F(xiàn)N表示預(yù)測為背景但不是背景的部分，可得召回率公式為

(10)

精確率公式為

(11)

其中，| |運(yùn)算符表示相關(guān)區(qū)域中的像素?cái)?shù)。同時(shí)選用F-score作為綜合評價(jià)指標(biāo)，其公式如下

(12)

MPA公式為

(13)

式中：c代表類別數(shù)，pii表示類i被預(yù)測為類i的像素，pij表示類i被預(yù)測為類j的像素。MIoU為真實(shí)值和預(yù)測值的交集和并集之比，公式如下

(14)

2.2 建立氬花圖像數(shù)據(jù)集

實(shí)驗(yàn)采用工業(yè)相機(jī)獲取鋼包底吹氬圖像制作數(shù)據(jù)集，共采集260張氬花圖片用作模型訓(xùn)練，圖像分辨率為473×473，使用Labelme軟件對圖像進(jìn)行手工標(biāo)注。同時(shí)為提高模型精度和增加模型魯棒性，對原始數(shù)據(jù)集采用了基于幾何變換、顏色空間變換和像素點(diǎn)操作3類數(shù)據(jù)擴(kuò)充方案，具體方法包括水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)、平移、隨機(jī)旋轉(zhuǎn)、加入噪聲、對比度增強(qiáng)這6種擴(kuò)充方式，結(jié)果如圖4所示。

擴(kuò)充后數(shù)據(jù)集總數(shù)達(dá)到1300張，其中訓(xùn)練集、驗(yàn)證集和測試集圖像數(shù)量分配情況見表1。

2.3 網(wǎng)絡(luò)訓(xùn)練與消融實(shí)驗(yàn)

將擴(kuò)充數(shù)據(jù)集的70%劃分為訓(xùn)練集，30%劃分為驗(yàn)證集，訓(xùn)練次數(shù)設(shè)置50個(gè)Epoch，Batchsize設(shè)置為4，Dropout設(shè)置為0.1，采用Adam和Momentum優(yōu)化器共同優(yōu)化網(wǎng)絡(luò)參數(shù)，提升訓(xùn)練速度。改進(jìn)后的PSPNet網(wǎng)絡(luò)在訓(xùn)練集和驗(yàn)證集上的損失函數(shù)隨迭代次數(shù)的變化曲線如圖5所示，準(zhǔn)確率變化曲線如圖6所示。

表1 數(shù)據(jù)集劃分情況

通過分析上圖可知，訓(xùn)練50個(gè)Epoch后準(zhǔn)確率和損失函數(shù)都已經(jīng)收斂，語義分割模型狀態(tài)穩(wěn)定，模型大小為9.58 M，可用于氬花圖像分割。

同時(shí)為驗(yàn)證網(wǎng)絡(luò)結(jié)構(gòu)中各模塊的有效性，對模型進(jìn)行消融實(shí)驗(yàn)。采用控制變量法，分別使用MobileNet和ResNet作為模型的主干網(wǎng)絡(luò)，驗(yàn)證模型的輕量化效果。選擇不同尺度和層數(shù)的池化層，判斷特征融合對網(wǎng)絡(luò)精度的影響。分別使用交叉熵?fù)p失函數(shù)和融合損失函數(shù)輔助網(wǎng)絡(luò)訓(xùn)練，觀察融合損失函數(shù)對分割結(jié)果的優(yōu)化效果。檢測同時(shí)使用兩種激活函數(shù)和僅使用ReLU激活函數(shù)時(shí)，分割結(jié)果的精度變化。使用上述不同策略構(gòu)建分割網(wǎng)絡(luò)，具體精度指標(biāo)見表2。

分析實(shí)驗(yàn)結(jié)果可知，使用MobileNet或ResNet作為主干網(wǎng)絡(luò)提取模型特征時(shí)，二者的特征提取效果相近，但MobileNet網(wǎng)絡(luò)縮短了5倍的時(shí)間，體現(xiàn)了更好的實(shí)時(shí)性，實(shí)現(xiàn)了輕量化網(wǎng)絡(luò)的目的。同時(shí)發(fā)現(xiàn)隨著特征融合程度加深，在分割效果顯著提升的同時(shí)損耗時(shí)間也在逐漸增加，不過與降低的時(shí)間相比可以接受這部分的時(shí)間損耗而選擇保留精度的大幅度提升。對低高維區(qū)域合理分配不同的激活函數(shù)可使分割結(jié)果提高約4%的MPA，減輕了低維映射時(shí)信息損失帶來的影響。應(yīng)用融合損失函數(shù)輔助模型訓(xùn)練，在同等條件下使模型的MIoU提升了約10%，提高了模型分割小氬花的能力，表現(xiàn)出較好的優(yōu)化效果。

2.4 氬花分割結(jié)果對比分析

使用擴(kuò)充后的氬花圖像數(shù)據(jù)集訓(xùn)練分割網(wǎng)絡(luò)，然后將該網(wǎng)絡(luò)與其它經(jīng)典分割網(wǎng)絡(luò)進(jìn)行對比實(shí)驗(yàn)。實(shí)驗(yàn)選取3張不同場景、不同狀態(tài)下的氬花圖像，圖片大小為473×473，實(shí)驗(yàn)結(jié)果如圖7所示。

分析圖7可知，改進(jìn)的PSPNet網(wǎng)絡(luò)與FCN和U-Net網(wǎng)絡(luò)相比，在使用FCN網(wǎng)絡(luò)分割時(shí)，F(xiàn)CN僅將氬花的光圈范圍分割出來，分割結(jié)果邊沿粗糙，表現(xiàn)較差。使用U-Net網(wǎng)絡(luò)分割時(shí)，結(jié)果表現(xiàn)優(yōu)于FCN，可以識(shí)別出氬花的輪廓，但仍存在著一定的誤差，不利于指導(dǎo)高精度的氬氣流量控制任務(wù)。而改進(jìn)的PSPNet網(wǎng)絡(luò)分割結(jié)果與真實(shí)標(biāo)簽圖像相近，分割結(jié)果表現(xiàn)良好，可以較好地將緊密相鄰的氬花和較小的氬花都分割出來，同時(shí)分割結(jié)果的邊沿精細(xì)，分割誤差小，更適合鋼包底吹氬流量控制任務(wù)。而且，改進(jìn)的網(wǎng)絡(luò)模型在保證分割精度的同時(shí)，對PSPNet網(wǎng)絡(luò)進(jìn)行了輕量化設(shè)計(jì)，減少了模型的參數(shù)量和計(jì)算量，加快了網(wǎng)絡(luò)運(yùn)行速度，滿足工業(yè)應(yīng)用對實(shí)時(shí)性的要求。傳統(tǒng)PSPNet網(wǎng)絡(luò)在CPU運(yùn)行條件下分割一張圖片需要2.24 s，在GPU運(yùn)行條件下分割一張圖片需要0.21 s，圖像處理速度較慢，易導(dǎo)致氬氣流量控制產(chǎn)生滯后，影響鋼液質(zhì)量。而輕量化后的PSPNet網(wǎng)絡(luò)在CPU運(yùn)行條件下分割一張圖片需要0.46 s，在GPU運(yùn)行條件下分割一張圖片僅需0.04 s，大大地提升了模型的圖像處理速度。

將輕量化PSPNet網(wǎng)絡(luò)與其它基于編碼解碼類的分割網(wǎng)絡(luò)進(jìn)行對比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果量化指標(biāo)見表3。

分析表3可知，在對氬花圖像進(jìn)行分割時(shí)，F(xiàn)CN網(wǎng)絡(luò)的MIoU為0.77，MPA為0.81，分割精度較低，不滿足氬花圖像分割任務(wù)對精度的要求。U-Net網(wǎng)絡(luò)雖然在分割精度方面有一定的提升，但是網(wǎng)絡(luò)的參數(shù)量和計(jì)算量較大，分別為267 M和234.8 GFlops，提高了模型對硬件設(shè)備要求，使網(wǎng)絡(luò)分割速度降低，在GPU運(yùn)行條件下處理一張圖片需要0.18 s，不能滿足實(shí)時(shí)性的要求。在使用傳統(tǒng)PSPNet網(wǎng)絡(luò)分割時(shí)，氬花圖像分割精度最高，但模型的參數(shù)量和計(jì)算量也最大，圖像處理速度緩慢，在CPU條件下為2.24 s，在GPU條件下為0.21 s，網(wǎng)絡(luò)實(shí)時(shí)性表現(xiàn)較差，會(huì)產(chǎn)生嚴(yán)重的氬氣流量控制滯后的問題。而采用改進(jìn)的PSPNet網(wǎng)絡(luò)分割氬花圖像時(shí)，網(wǎng)絡(luò)分割精度遠(yuǎn)高于FCN網(wǎng)絡(luò)，與U-Net網(wǎng)絡(luò)相比，輕量化的PSPNet網(wǎng)絡(luò)MIoU也提高了6%，MPA提高了5%，高質(zhì)量地完成了語義分割任務(wù)。同時(shí)，分析模型的時(shí)間復(fù)雜度和空間復(fù)雜度可知，輕量化后的PSPNet網(wǎng)絡(luò)參數(shù)量僅為9.58 M，相比傳統(tǒng)PSPNet網(wǎng)絡(luò)縮小了45倍，計(jì)算量為21.4 GFlops，縮小了12倍，模型的圖片處理速度提升了5倍，在GPU運(yùn)行條件下處理單張圖像僅需40 ms，滿足了底吹氬圖像分割任務(wù)對實(shí)時(shí)性的要求。分析可知應(yīng)用深度可分離卷積替代傳統(tǒng)卷積大幅度提高了網(wǎng)絡(luò)運(yùn)算速度，降低了模型對硬件的需求。相比其它基于編碼解碼類的語義分割網(wǎng)絡(luò)，改進(jìn)的PSPNet網(wǎng)絡(luò)在保持良好的精確性的前提下，減少了模型的參數(shù)量和計(jì)算量，滿足了氬花圖像分割時(shí)對精度和速度的要求。實(shí)驗(yàn)結(jié)果表明輕量化的PSPNet網(wǎng)絡(luò)適用于鋼包底吹氬任務(wù)。

3 結(jié)束語

為實(shí)現(xiàn)鋼包底吹氬過程中氬氣流量智能控制，首先需要完成氬花圖像分割的任務(wù)，這對分割模型的準(zhǔn)確性和實(shí)時(shí)性都提出了較高的要求。本文融合MobileNet-V2網(wǎng)絡(luò)輕量化特點(diǎn)對PSPNet進(jìn)行改進(jìn)，使用MobileNet中的倒殘差模塊和瓶頸層結(jié)構(gòu)保留特征多樣性，并提高網(wǎng)絡(luò)特征利用率。沿用金字塔池化模塊增加圖像感受野，提高復(fù)雜場景解析能力。使用融合損失函數(shù)輔助模型訓(xùn)練，解決正負(fù)樣本不平衡問題和零概率問題對分割結(jié)果的影響，提高對正樣本的挖掘率和分割結(jié)果邊緣精細(xì)程度。對高維信息使用ReLU激活函數(shù)，對低維信息使用Linear，避免低維映射過程中ReLU函數(shù)過濾掉負(fù)值信息而造成激活空間坍塌，導(dǎo)致分割精度降低。實(shí)驗(yàn)結(jié)果表明，改進(jìn)的PSPNet網(wǎng)絡(luò)具有語義分割精度高和處理速度快的特點(diǎn)。其中MPA為0.97，MIoU為0.94，圖片平均處理速度為40 ms，在保障精度的同時(shí)盡可能地提升了圖像處理速度，使網(wǎng)絡(luò)滿足了鋼包底吹氬過程對實(shí)時(shí)性和精度的要求。