文章编号：1002-2082(2023)01-0093-11基于MaskR-CNN结合边缘分割的颗粒物图像检测李轩，杨舟，陶新宇，王晓杰，莫绪涛，黄仙山（安徽工业大学数理科学与工程学院，安徽马鞍山243002）摘要：对颗粒物的尺寸检测是生产中重要的环节，使用相机采集图像并处理是常用的非接触检测方法。围绕颗粒物的识别与尺寸检测需求，选用沙粒为检测对象，提出了一种改进颗粒物边界掩膜的MaskR-CNN模型。该模型结合经典的边缘检测技术，并利用深度学习模型预测掩膜，根据边缘分割的结果来得到更高精度的掩膜。使用DenseNet作为检测网络的主干网络，使得整体网络参数量更少，并利用通道注意力机制加强网络的特征提取能力。实验结果表明，改进的网络可以提高检测的精度，且结合图像处理的方式能够改善掩膜尺寸检测的准确度，为颗粒物的工业检测提供了一种有意义的方法。关键词：颗粒物检测；深度学习；图像分割；机器视觉；尺寸分布中图分类号：TN911.73；TP391.4文献标志码：ADOI：10.5768/JAO202344.0102005ParticlesimagedetectionbasedonMaskR-CNNcombinedwithedgesegmentationLIXuan，YANGZhou，TAOXinyu，WANGXiaojie，MOXutao，HUANGXianshan（SchoolofMathematicsandPhysics,AnhuiUniversityofTechnology,Ma'anshan243002,China）Abstract：Particlessizedetectionisanimportantlinkinproduction,andtheuseofcamerastocaptureandprocessimagesisacommonly-usednon-contactdetectionmethod.Tomeettherequirementsofidentificationandsizedetectionofparticles,thesandparticleswereselectedasthedetectionobject,andaMaskR-CNNmodelwiththeimprovedboundarymaskofparticleswasproposed.Combinedwiththeclassicaledgedetectiontechnology,thedeeplearningmodelwasusedtopredictthemask,andthemaskwithhigherprecisionwasobtainedaccordingtotheresultsofedgesegmentation.TheDenseNetwasusedasthebackbonenetworkofthenetworkdetectiontoreducethenumberofnetworkparameters,andthechannelattentionmechanismwasusedtostrengthenthefeatureextractionabilityofthenetwork.Theexperimentsshowthattheimprovednetworkcanimprovethedetectionaccuracy,andthecombinationofimageprocessingcanimprovetheaccuracyofmasksizedetection,whichprovidesameaningfulmethodforindustrialdetectionofparticles.Keywords：particlesdetection；deeplearning；imagesegmentation...
