原创力文档- 1、本文档共10页，其中可免费阅读9页，需付费10金币后方可阅读剩余内容。
- 2、本文档内容版权归属内容提供方，所产生的收益全部归内容提供方所有。如果您对本文有版权争议，可选择认领，认领后既往收益都归您。
- 3、本文档由用户上传，本站不保证质量和数量令人满意，可能有诸多瑕疵，付费之前，请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形，可联系本站下载客服投诉处理。
- 4、文档侵权举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
本发明请求保护一种基于全卷积神经网络的涡轮叶片CT图像分割方法，其包括以下步骤：S1、采集图像数据；S2、数据预处理：S3、图像标注：S4、数据增强：采用在线增强和离线增强相结合的方式扩充训练数据集；S5、构建分割网络模型，主要包括编码器、解码器和跳跃连接；S6、设计损失函数：使用一种FocalLoss损失函数在训练期间来进行优化，该函数平衡正负样本比例，还加强对叶片边缘难分割的像素进行学习；S7、模型训练和测试：将训练集和验证集进行归一化后输入到S5中构建的分割网络中，将测试集中的图像进行相
(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 CN 113129321 A
(43)申请公布日 2021.07.16
(21)申请号 202110425152.6
(22)申请日 2021.04.20
(71)申请人 重庆
文档评论（0）