ComputerEngineeringandApplications计算机工程与应用2023，59（7）工厂在智能化升级过程中，有很多应用场景需要用到语义分割算法。而在工业应用场景中，摄像机采集到的图像通常具有对比度低、亮度不均等特点。因此，如何对工业图像进行准确的语义分割，成为了近年来的研究热点。传统图像处理算法难以对低对比度图像进行有效的语义分割，而深度学习技术的出现有效的解决了这一问题。Shelhamer等人[1]使用卷积层取代神经网络中的全连接层，提出全卷积网络（fullyconvolutionalnetwork，FCN），该网络可以接受任意尺寸图像作为网络输入，以全监督训练的方式实现了语义分割。Ronneberger等人[2]提出了编码与解码阶段相互对称的U-Net网络，并在两阶段对应层级之间引入跨层连接进行特征融合，在医学影像语义分割领域取得了良好的效果。Chen等多尺度特征融合与新型判别器的无监督分割韩宗桓1，刘名果1，李珅2，陈立家1，田敏1，兰天翔1，梁倩11.河南大学物理与电子学院，河南开封4750042.开封平煤新型炭材料科技有限公司，河南开封475004摘要：工厂在智能化升级过程中，有很多应用场景需要用到语义分割。然而使用全监督语义分割方法需要耗费大量人力成本进行样本标注，所以研究无监督语义分割方法很有必要。针对本地某碳素厂石墨电极压印字符的语义分割问题，提出了一种无监督语义分割方法CycleGAN-Seg。结合跨层连接和空洞空间池化金字塔（ASPP）的思想，构建了新型多尺度特征融合生成器，加入了改进的注意力模块以提升网络性能。同时提出一种新的U形判别器对重构图像进行判别。在石墨电极表面压印字符数据集语义分割实验中，MIoU值可达70.81%，分割效果基本满足识别需要，有望在该工业场景中替代全监督学习方法，以节省人工标注成本，达到快速训练和部署的目的。关键词：多尺度特征融合；注意力模块；无监督分割；表面压印字符文献标志码：A中图分类号：TP391.41doi：10.3778/j.issn.1002-8331.2111-0459UnsupervisedSegmentationAlgorithmBasedonMulti-ScaleFeatureFusionandNovelDiscriminatorHANZonghuan1,LIUMingguo1,LIShen2,CHENLijia1,TIANMin1,LANTianxiang1,LIANGQian11.SchoolofPhysicsandElectronics,HenanUniversity,Kaifeng,Henan475004,China2.KaifengPingmeiNewCarbonMaterialsTechnologyCo.,Ltd.,Kaifeng,Henan475004,ChinaAbstract：Intheprocessofintelligentupgradingoffactories,therearemanyapplicationscenariosthatneedtousesem...
