摘要：针对高度粘连和堆叠严重的生球影像噪声点多、边界模糊的问题，本文提出一种融入注意力机制的深度学习图像语义分割模型(CBAM-Unet)进行球团边缘检测和分割的方法。方法步骤：(1)样本数据集制备，采集30张包括深度分离、高度粘连到堆叠严重等不同状态的图片，通过数据增广形成900张图片的样本数据集；(2)模型建立，将卷积块状注意力模块(ConvolutionBlockAttentionModule,CBAM)融入到Unet网络模型，形成CBAM-Unet模型，对生球边缘进行检测和分割。研究结果表明：相比于Unet方法，CBAM-Unet方法的相似度系数(eDice)、类别平均像素准确率(emPA)、平均交并比(emIoU)分别提高9.8%、9.7%、14.7%。本文提出的识别模型可提高球团分割的准确性，为实际应用奠定基础。 关键词：球团；边缘分割；注意力机制；CBAM-Unet 下载高清全文——基于CBAM-Unet的铁矿球团边缘分割实验方法.pdf