基于U-Net深度学习网络的粒度检测分析方法与流程

技术特征：

1.一种基于U-Net深度学习网络的粒度检测分析方法，包括如下步骤：

A、收集待检测物的大量粒块图像；

B、对粒块图像进行预处理，得到标准化图像；

C、对标准化图像进行人工标定，绘制出粒块的边缘得到人工标定图像，将人工标定图像作为标签图像；

D、搭建基于U-Net的深度学习网络，将步骤B中的标准化图像作为输入图像、步骤C中的标签图像作为输出图像载入至深度学习网络，开始训练，得到训练好的粒度模型。

2.根据权利要求1所述的基于U-Net深度学习网络的粒度检测分析方法，其特征在于：所述的步骤D后还包括如下步骤：

E、重新拍摄得到新的粒块图像，并进行预处理得到标准化图像，将标准化图像输入至步骤D中的粒度模型进行粒块边缘检测；

F、将步骤E中的粒度边缘检测结果输出进行图像处理，使用形态学运算增强图像边缘，使用分水岭算法分割出粒块区域；

G、对步骤E中分割好的粒块区域进行二值图像统计，得到粒块半径、面积、数量等统计参数，最后绘制粒块的粒度分布直方图曲线。

3.根据权利要求1所述的基于U-Net深度学习网络的粒度检测分析方法，其特征在于：所述的步骤A包括如下步骤：

A1、将待检测物均匀摊铺在水平面上；

A2、确定拍摄位置、固定相机，调整相机方向及镜头焦距，使待检测物的粒块在相机上清晰成像；

A3、切换相机位置及角度对待检测物进行拍摄收集大量粒块图像。

4.根据权利要求1所述的基于U-Net深度学习网络的粒度检测分析方法，其特征在于：所述的步骤B中对粒块图像进行如下预处理：使用均值滤波降低图像噪声，使用自适应直方图均衡化提升图像对比度，使用白化处理最终得到标准化图像。

5.根据权利要求1所述的基于U-Net深度学习网络的粒度检测分析方法，其特征在于：所述的步骤D中包括如下步骤：

D1、将步骤B中的标准化图像与步骤C中的标签图像对应进行小区域随机分割，在深度学习网络中根据相互对应的小区域标准化图像和小区域标签图像进行训练，得到粒度模型；

D2、得出粒度模型后，深度学习网络自动将步骤B中的标准化图像输入至粒度模型中，得出检测图像；

D3、将与步骤B中标准化图像对应的标签图像与检测图像进行对比，查看相似度是否达到98％，是，则粒度模型为最终的检测粒度模型；否，则继续进行深度学习网络训练。