使用改进的CycleGANAN,半监督对金属工艺品污染的工业CT图像进行细分

科学领域:

• 工业成像产业的成像技术
• 医学成像分析分析 医学成像分析
• 计算机视觉 计算机视觉 计算机视觉

背景情况:

• 工业CT图像细分对于质量检查和缺陷分析至关重要.
• 在CT图像中的金属工件阻碍了传统的细分精度.
• 获取用于监督学习的配对数据具有挑战性.

研究的目的:

• 开发一种半监督的方法,用金属文物对工业CT图像进行细分.
• 克服传统细分方法和数据采集的局限性.

主要方法:

• 改进的CycleGAN方法被用于半监督细分.
• 该方法直接将被文物污染的图像转换为细分图像.
• 不需要移除金属文物或配对数据.

主要成果:

• 实现了0.96645的子相似系数 (子) 和0.93718.18的联盟交叉点 (IoU).
• 在定量指标和视觉质量方面表现出与传统方法相比的显著改善.
• 成功分段工业CT图像,尽管存在金属文物.

结论:

• 改进的CycleGAN提供了一个有效的解决方案,用于工业CT图像的半监督细分.
• 该方法消除了对文物预处理和配对训练数据的需求.
• 这项研究为工业CT图像分析和细分提供了宝贵的见解.