PyTorch深度学习项目教程课件：工业检测图像分割.pptx

PyTorch深度学习项目教程工业检测图像分割IMAGESEGMENTATION要点：UNet、数据标注、第三方框架的使用

项目背景ProjectBackground问题：图像分割是计算机视觉的基本任务之一。图像分割旨在将图像分成若干个互不重叠的区域或像素集合，使得每个区域内的像素具有相似的特征。在工业检测中，图像分割主要用于将感兴趣的目标（如产品、物体或缺陷）与背景进行分离。解决：在传统数字图像处理中，一般采用阈值分割、区域生长、边缘检测、图割等方法，自从深度学习技术普及以来，基于UNet结构的分割模型迅速得到了推广，通过大量的标记数据进行训练，深度学习分割模型的准确性大大超越了传统算法。知识目标KnowledgeObjectives理解图像分割的基本概念及其在工业检测中的应用学习分割数据标注的方法和技巧掌握图像分割检测算法的开发流程和关键步骤学习并深入理解UNet网络结构及其在图像分割中的应用能力目标AbilityGoals能够熟练使用LabelMe等工具完成分割数据的标注工作能够掌握将LabelMe生成的数据格式转换为分割模型所支持的数据格式的方法能够运用UNet网络结构开发图像分割算法，并对其进行优化和调整具备独立解决实际项目中图像分割问题的能力素养目标ProfessionalAttainments具备从实际项目出发，理解项目需求和应用场景的能力能够根据项目需求，独立选取合适的开发工具和算法框架具备良好的创新意识和团队协作能力，能够在项目中发挥积极作用注重核心价值观的培养，将技术应用于产业发展之中

目录任务1了解图像分割需求任务2数据集构建任务3图像分割网络训练任务4网络推理及结果评价

01任务1了解图像分割需求

1.1工业检测的流程实际应用中，需要分离不规则的图像区域，方便进行下一步操作。为了实现硅钢片料的测量，首先需要对图像进行分割处理，然后再进行具体的测量

1.2图像分割图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中最困难的问题之一。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分为若干个互不相交的区域，使得这些特征在同一个区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单地说就是在一幅图像中，把目标从背景中分离出来。本质来讲，图像分割是一种将像素分类的过程，分类的依据包括像素间的相似性、非连续性等。图像分割包括语义分割和实例分割两种类型。在语义分割中，所有物体都是同一类型的，所有相同类型的物体都使用一个类标签进行标记，而在实例分割中，相似的物体可以有自己独立的标签，类似于目标检测与语义分割的结合体。原始图像语义分割实例分割

02任务2数据集构建

2.1数据标注提供的数据集位于：图像本身存在阴影、图像背景存在明暗变化等，传统的图像分割，例如阈值、分水岭算法等，在本图像上分割效果较差难点：

2.1数据标注打开文件目录创建标注多边形框“CTRL+”组合键放大图像“EditPolygons”调整多边形贴合待分割目标LabelMe多边形标注

2.2数据格式转换及数据集划分一般标注后的数据需要转为PNG格式的图像，见源代码文件夹下的“labelme2voc.py”文件：

2.2数据格式转换及数据集划分还需要进一步将索引格式的PNG转为标签值为[0,1,2,…]的PNG：ann_dir=rF:\sinline-data\voc\SegmentationClass

ann_dest_dir=rF:\sinline-data\voc\ann’

defgen_ann():

ann_files=os.listdir(ann_dir)

forann_fileinann_files:

file_ext=os.path.splitext(ann_file)

iffile_ext[1]==.png:

#判断是否为png文件

imgfile=ann_dir+\\+ann_file

destfile=ann_dest_dir+\\+ann_file

img=cv2.imread(imgfile,0)

newann=np.where(img!=0,1,img)

#print(np.max(new_matrix))

cv2.imwrite(destfile,newann)

jpg_dir=rF:\sinline-data\voc\JPE