改进的基于Mask R-CNN的碳纤维图像分割方法

为提高碳纤维增强复合材料(carbon fiber reinforced composite, CFRC)的扫描电子显微镜(scanning electron microscope, SEM)图像精度,实现纤维图像的自动化分割,提出一种改进的Mask R-CNN(Soft-Mask R-CNN),将压缩和激励网络与残差网络相结合获得一种改进的残差网络(squeeze and excitation residua network, SE-ResNet),以提高特征提取效果;采用群组归一化(group normalization, GN)替代批量归一化(batch normalization, BN),提升小批量网络的性能;利用改进的软化非极大抑制(soft non-maximum suppression, Soft-NMS)进行筛选,提高对粘连目标的检测效果。实验结果表明,与Mask R-CNN相比,Soft-Mask R-CNN能有效提高对碳纤维SEM图像的分割准确率和碳纤维区域边界的分割精度,图像分割的平均精确度、交并比分别为87.2%、90.6%,具有较好的泛化能力和较高的精确度,可为CFRC的性能参数研究提供可靠指导。