산업용 컴퓨터 단층 촬영 기술(Computed Tomography, CT)은 적층 전지의 극판을 CT 이미지에서 분할하는 핵심 단계입니다. 그러나 적층 전지 극판의 구조가 복잡하고 길이와 너비 비율이 크기 때문에 기존 분할 방법은 대규모 생산 검사에서 요구하는 속도와 정확도를 충족하기 어렵습니다. 이를 해결하기 위해 스트립 주의 메커니즘을 융합한 전지 극판 CT 이미지 분할 네트워크가 제안되었습니다. 이 네트워크는 주로 백본 네트워크, 스트립 Atrous 공간 피라미드 풀링 모듈(Strip Atrous Spatial Pyramid Pooling, S-ASPP) 및 디코더 모듈로 구성됩니다. 백본 네트워크는 경량형 네트워크 MobilenetV2로 설계되어 네트워크 매개변수를 줄이고 분할 속도를 향상시킵니다; S-ASPP 모듈은 글로벌 풀링을 스트립 풀링으로 설계하여 스트립 특성 정보 손실을 줄이고 언더세그멘테이션 문제를 효과적으로 해결합니다; 디코더 모듈의 스트립 주의 메커니즘은 이미지 내의 가장자리와 세부 정보를 집중하여 가장자리 흐림 문제를 개선합니다. 전지 극판 CT 데이터셋에서 학습 및 검증을 수행한 결과, 평균 픽셀 분류 정확도(mAcc), 평균 교차 비율(mIoU), 파라미터 수 및 분할 속도는 각각 98.62%, 89.97%, 5.814M, 56.94 frame/s에 도달했습니다. DANet, DeepLabV3+, U-Net, HRNet, Segnext 네트워크와 비교할 때, 본 네트워크는 가장 높은 분할 정확도를 보였고, DANet, DeepLabV3+, U-Net 및 HRNet보다 우수한 분할 속도를 보였으며 Segnext보다 약간 낮았습니다. 평가 지표 mIoU, mAcc, FPS, Parameters(M)를 종합적으로 고려할 때, 본 방법은 낮은 계산 비용을 유지하면서 극판 분할의 정확도와 효율성을 크게 향상시켰으며, 현재 주류 분할 네트워크보다 우수합니다.

X선 영상;컴퓨터 단층 촬영;딥러닝;영상 분할;적층 전지