一种利用生成式人工智能的小样本焦炭光学显微组织分割方法

摘要

目前，焦炭光学显微组织的分割与识别方法主要以深度学习支持的语义分割模型为主，现有模型分割的准确度受到了数据样本的数量和质量的影响，导致准确度不高。针对该问题，提出了一种利用生成式人工智能（AIGC）来分割小样本焦炭光学显微组织的方法。首先，利用AIGC将12张基础图像扩充至3 000张数据集；其次，为了提高焦炭光学显微组织分割的准确度，以MoCov3为主体建立了局部特征对比学习部分，并在各自的骨干网络中融入语义控制模块强化有用特征提取能力，以此构建了MoCov3-CD语义分割模型；最后，对所提出的MoCov3-CD模型在构建的数据集上进行了对比实验和消融实验并对其进行分析。实验结果表明：在通过AIGC扩充的焦炭光学组织图像样本数据集中，MoCov3-CD语义分割模型在测试集上的像素准确率（PA）和平均交并比（mIoU）分别为88.03%和68.59%。与其他先进语义分割模型相比，MoCov3-CD语义分割模型与全监督分割模型结果接近，PA和mIoU较自监督分割模型分别高出2.68%和3.72%、较半监督分割模型分别高出1.8%和2.42%。

关键词

焦炭光学显微组织 / MoCov3 / 局部特征对比学习 / 生成式人工智能(AIGC)

基金资助

人工智能促进科研范式改革、赋能学科跃迁计划项目（2024AI011）