基于改進MaskR-CNN的金剛石磨盤表面形態分割與評價

1，2，1（1.，）（2.，）

關鍵詞磨盤檢測；深度學習；改進MaskR-CNN模型；分割評價 中圖分類號 TQ164;TG58;TG74 文獻標志碼A 文章編號 1006-852X(2025)03-0416-11 DOI碼 10.13394/j.cnki.jgszz.2024.0080 收稿日期 2024-05-05修回日期2024-07-24

隨著半導體、集成電路等產業的快速發展，人們對工業生產中材料的減薄化和平坦化提出了更高的要求。磨粒加工作為實現精密和超精密磨削的重要技術手段，已成為支撐國民經濟的重要加工方法[1-4]。金剛石磨盤因具有磨削速度快、加工精度高、應用范圍廣、自銳性好等顯著優勢，被廣泛應用于硬質合金、陶瓷、光學玻璃及半導體等各類硬脆難加工材料的磨削加工中[5]。在實際磨削過程中，金剛石磨盤存在盤面磨損嚴重、表面形態難以保持等問題，而其表面形態對工件的加工質量有著直接的影響，并且會影響磨盤的磨削性能。因此，深入了解并檢測磨盤表面形態能夠給金剛石磨盤的精密和超精密加工提供參考方案，進一步促進金剛石磨削加工技術的提升。

近年來，隨著計算機技術的發展，眾多海內外學者將圖像處理技術運用到磨具檢測中。FAN等提出一種非接觸式測量砂輪磨損的方法，采用CCD相機對砂輪進行拍攝，利用二值化技術對背景圖像和砂輪圖像進行分割，識別出砂輪邊緣；通過對比磨削前后砂輪刃口的位置偏差，實現對砂輪磨損的檢測。LACHANCE等[提出使用CCD相機對砂輪表面圖像進行采集，并搭建測量系統，通過采集的砂輪表面圖像實現砂輪磨損面積的自動化測量。楊棲鳳等結合CCD感光元件和自動砂輪驅動回轉技術對砂輪形貌進行非接觸全場測量；通過采集砂輪表面圖像并進行拼接處理，利用圖像處理技術進行去噪、填洞、標記等，并使用凸包算法獲取磨粒數目、粒徑及位置等參數。劉明宇等以電鍍金剛線為研究對象，研制出了一種基于機器視覺的金剛線離線表面質量檢測系統，使用工業相機獲取金剛線圖像并利用圖像處理技術實現金剛線表面質量的檢測。趙玉康等使用4臺CCD相機采集金剛石線鋸的表面圖像，對圖像進行高斯濾波預處理，并基于柱面模型將圖像展開，實現了對金剛石線鋸表面磨粒分布密度的檢測。YOU等[1針對砂輪磨損、堵塞等問題，使用相機對砂輪表面進行拍攝，對砂輪表面圖像進行灰度化處理，并利用灰度分布直方圖探究圖像中像素灰度值的分布，確定灰度閾值并對圖像進行二值化處理，進而實現砂輪堵塞面積和磨損面積的計算。李弘揚等[12]提出一種基于 K -Means聚類與凸包檢測的金剛石磨粒分割方法，對金剛石磨頭上的磨粒進行提取與分割，并對分割效果進行評價。胡偉棟等[13]利用深度學習網絡對固結磨料研磨墊表面的金剛石、孔隙及脫落坑進行了特征提取與分割。上述研究表明，雖然圖像處理方法在磨具檢測中得到了廣泛的應用，但針對金剛石磨盤這類背景復雜的磨具檢測研究較少，復雜背景下的磨盤表面磨粒、氣孔等特征的分割仍是難點問題。

近年來，基于深度學習的目標檢測方法被廣泛應用于各類圖像分割中。在眾多目標檢測與分割模型中，MaskR-CNN模型可以在識別檢測的同時對圖像進行高質量分割，具有小巧、靈活、通用的特性，被廣泛應用于遙感圖像、醫學圖像的分割中[14-17]。

基于上述研究現狀，針對磨盤檢測中背景復雜以及磨盤中磨粒、氣孔等特征的差異較大等問題，提出一種使用空洞卷積改進的MaskR-CNN分割網絡對磨盤表面圖像進行識別分割的方法，通過該方法實現磨盤表面磨粒、氣孔的分割，并對識別分割結果進行評價。

1分割模型

1.1 MaskR-CNN模型

MaskR-CNN模型于2017年提出，其廣泛應用于目標識別檢測與分割中。MaskR-CNN模型結構如圖1所示，主要由主干網絡（backbone）、區域候選網絡（regionproposalnetwork，RPN）、RoIAlign、檢測與識別分支、掩碼預測分支5部分組成。

MaskR-CNN的主干網絡用于提取圖像的特征，通常以殘差網絡 + 特征金字塔網絡（ ResNet+FPN ）作為主干網絡，其中ResNet負責從輸入圖像中提取特征，FPN負責從ResNet提取的特征中生成不同尺度的特征金字塔，并將不同層級的特征進行融合，以便同時檢測不同尺度的目標。

RPN是一個輕量級的卷積神經網絡，用于生成一系列可能的物體區域（RoI）。其通常與卷積層和全連接層一起工作，從輸人的特征圖中提取高層次的特征，為后續精確識別和分割提供候選區域。

RoI Align是MaskR-CNN中為了解決RoI Pooling在實施過程中容易出現區域特征失真和不匹配的問題而提出的一種區域特征聚集方式，其利用雙線性插值計算獲得坐標為浮點數的像素點上的圖像數值，精確地對齊特征圖和RoI的位置，從而提高像素級預測的準確性。

檢測與識別分支并行于RPN工作，共享相同的特征提取網絡。該分支通常包括一系列卷積層和全連接層，用于對RoI特征進行特征的分類和回歸。這個分支與RPN分支一起，實現了目標檢測的任務。

掩碼預測分支是MaskR-CNN模型特有的部分，該分支將每個RoI的特征圖傳遞給一個小型的全卷積網絡（FCN），FCN逐像素地預測物體掩碼。每個像素被分配一個類別標簽，并輸出一個像素級的掩碼。

1.2模型改進

MaskR-CNN模型的識別分割效果受特征提取網絡的影響，特征提取網絡的能力直接決定了模型捕獲圖像特征的能力，對模型準確識別和分割目標至關重要。在神經網絡中增加卷積層可以在一定程度上提高模型的性能，但同時會造成更高的計算復雜度和更長的訓練時間。此外，過多的卷積層也可能導致過擬合的風險增加，使得模型在未見數據上的泛化能力下降。因此，選擇一個合適的特征提取網絡并對其進行優化，是提升MaskR-CNN識別分割效果的關鍵。

在金剛石磨盤表面圖像中，磨粒和氣孔目標特征的尺寸差異較大，且同一類別的目標尺寸大小不一，導致模型在分割過程中對多尺寸目標的檢測效果不理想，出現大目標樣本分割效果較好、小目標樣本分割效果較差的問題。針對該問題，綜合考慮磨盤表面檢測時需要在圖像中提取的特征與計算量，將ResNet50作為主干網絡的特征提取網絡，并將其分為5個階段：Inputstem與stagel\\~4。其中，Input stem負責從輸入圖像中提取初步特征，并為后續的網絡層提供適當的輸入；stage1負責對輸入圖像進行初步處理，包含卷積和池化等操作;stage2\\~4負責改變圖像特征向量的維度，以便實現目標的語義信息特征提取。各個階段按照輸入數據的空間尺寸和特征通道數的變化進行劃分，各 stage中包含多個殘差塊（BTNK），可以使模型逐步提取圖像的特征，提高模型性能，便于與主干網絡中的FPN結合使用。考慮到磨盤表面的磨粒和氣孔存在較大的形態尺度差異，其語義信息特征存在淺層和深層的不同，故需要同時關注淺層和深層的語義信息特征。在淺層語義信息方面，采用ResNet50網絡stage1\\~2的默認結構，保障磨盤表面具有較大尺度的磨粒和氣孔目標的淺層語義信息特征提取能力；在深層語義信息方面，在stage3引入空洞卷積，并將各殘差塊改進為使用空洞卷積的殘差塊，從而保障磨盤表面具有較小尺度的磨粒和氣孔目標的深層語義信息特征提取能力。同時，由于stage4是以stage3的輸出作為輸人，其目標感受野已擴大，進一步優化了深層語義信息提取。這種改進方式可以通過各階段協同工作，有效避免梯度消失，提升模型性能，模型改進示意圖如圖2所示。

2磨盤表面圖像的采集與分割

2.1圖像采集裝置

使用日本基恩士VHX-1000型超景深顯微鏡（圖3a）對研磨藍寶石后的氯氧鎂結合劑金剛石磨盤表面進行圖像采集。采集時為了充分考慮不同區域的樣本差異，提高樣本的有效性，在磨盤表面選取4個周向方向與6個徑向方向的交匯處劃定24個采集區域，在每個采集區域內拍攝不同研磨時間后的磨盤表面圖像，采集到的圖像如圖3b所示。

2.2圖像數據集制作

磨盤表面圖像如圖4所示，主要包含結合劑與附著在結合劑上的金剛石磨粒和氣孔。對磨盤表面圖像中的磨粒、氣孔進行分析，其中磨粒呈深黑色且具有折線輪廓，與結合劑對比較為明顯；氣孔邊緣顏色與結合劑相近，中心呈淺灰色，且具有圓弧輪廓。

為豐富模型訓練數據、提高模型魯棒性，使用OpenCV + Python3對圖像進行旋轉、縮放、調節亮度等操作以擴充數據，再利用labelme標注工具對擴充后的圖像進行磨粒、氣孔標注，并將標注好的磨盤表面圖像制作成數據集用于模型訓練。數據集共包含1500張磨盤表面圖像，其中訓練集1200張、驗證集200張、測試集100張，標注后的圖像包含各目標名稱、掩碼及位置信息，如圖5所示。

2.3分割模型訓練

利用深度學習框架Pytorch搭建改進的MaskR-

CNN模型并進行訓練，模型訓練中部分超參數如下：學習率為0.004（在35、48、82次迭代時降為原學習率的0.1倍），動量為0.9，批量大小為4，共進行150次迭代訓練。

在深度學習模型訓練過程中，主要通過損失函數的收斂情況來判斷模型的訓練情況。MaskR-CNN模型的損失函數由分類損失、檢測損失和分割損失3部分組成，訓練過程中模型的初始損失函數值為2.19，隨著訓練迭代次數的增加，模型損失函數值快速下降，隨后逐漸變緩，在訓練迭代60次后，模型的損失函數值趨于穩定，表明模型收斂。訓練損失收斂與學習率變化情況如圖6所示。

使用該模型對氯氧鎂結合劑金剛石磨盤表面圖像數據集進行分割，分別計算不同類別特征下模型分割的準確率與召回率，進而計算出模型的平均準確率（meanaverageprecision，mAP）。mAP能夠綜合反映模型的性能，mAP數值越大，表示模型的綜合性能越好，反之則越差。如圖7所示，模型在驗證集上的mAP為 78.2% ，相較于目前主流目標檢測算法的mAP水平（約 70% ）[18-19]有一定的提升。

測試集中的圖像經過模型識別分割后生成的識別分割圖像如圖8b所示。與磨盤表面圖像（圖8a）相比，模型在磨盤表面圖像上生成了識別分割信息，主要包括各類目標的類別、位置框、置信度以及掩碼。

2.4分割效果評價指標

為了直觀評價模型對磨盤表面形態識別分割的準確性，隨機選取磨盤表面圖像，利用labelme標注工具對其進行人工標注，再使用改進的MaskR-CNN模型對其進行識別分割，并將識別分割結果與人工標注結果進行對比。人工標注圖像與識別分割圖像如圖9所示。根據人工標注圖像與識別分割圖像中提取的信息，提出使用目標數量識別準確率 X_N 、目標分割面積準確率X_S 、目標位置誤差 X_P3 個參數來評價模型對磨盤表面形態識別分割的準確性。

2.4.1目標數量識別準確率

在磨盤表面圖像中，目標數量較多且部分目標與結合劑區分度不高，使用深度學習方法對圖像中目標進行識別分割時，容易出現目標遺漏或錯標的情況。為了評價模型的識別性能，對目標數量識別準確率 X_N 進行計算。目標數量識別準確率 X_N 計算公式為：

式中： N_M 為人工標注所得目標數量， N_D 為使用模型識別分割所得目標數量。

2.4.2 目標分割面積準確率

磨盤表面圖像中的目標邊緣不規則，在使用深度學習模型進行識別分割時，容易出現分割結果與實際目標大小存在偏差的情況。為了評價模型識別分割結果的準確性，對目標分割面積準確率 X_S 進行計算。目標分割面積準確率 X_S 計算公式為：

式中： S_M 為人工標注所得目標面積， S_D 為使用模型識別分割所得目標面積。

2.4.3 目標位置誤差

使用深度學習模型對磨盤表面目標進行識別分割時，通常會出現分割位置與實際位置存在偏差的問題，無法實現完全精確的分割。因此，通過對比模型識別分割結果與人工標注結果，提出使用計算目標位置誤差的方法來衡量模型對磨盤表面目標識別分割的位置準確性。

首先計算模型識別分割結果與人工標注結果的形心，并計算出2個形心間的距離；然后根據人工標注結果計算出目標的當量直徑；最后使用形心間的距離與目標當量直徑之比，求出識別分割結果的位置誤差。

根據識別分割結果與人工標注結果分別求得目標形心，形心計算公式為：

式中： 分別表示形心的橫、縱坐標， C₀ 表示磨粒形心， n 表示該分割區域內像素點的數量， A 表示該分割區域內所有像素點坐標的集合。

根據形心計算公式，可以求得人工標注目標形心C_m(x_m，y_m) 與模型識別分割目標形心 C_d(x_d，y_d) 。根據2個形心的坐標可計算出形心間的距離為：

根據人工標注結果計算目標當量直徑：

最后可以求得識別分割結果的位置誤差 X_P 為：

3結果與分析

使用改進的MaskR-CNN模型對磨盤表面磨粒、氣孔進行識別與分割，并與人工標注結果進行對比，結果如圖10所示。由圖10可知：2種方法識別及分割的磨粒、氣孔的數量、形狀、位置等差異較小。為了定量評估改進的MaskR-CNN模型識別分割方法的準確率，隨機選取部分圖像分別使用2種方法進行識別與分割，對3個評價指標進行計算并分析結果。

3.1目標數量識別準確率

磨粒和氣孔作為磨盤表面重要的組成要素，在研磨加工中具有至關重要的作用。在磨盤表面檢測中，主要檢測目標為磨粒與氣孔。為了驗證使用改進的MaskR-CNN模型對磨粒、氣孔識別的準確性，隨機選取10張磨盤表面圖像，利用改進的MaskR-CNN模型分別對圖像中磨粒、氣孔進行識別及分割，計算磨粒、氣孔數量并與人工標記所得的磨粒、氣孔數量進行對比。

圖11a所示為使用人工標注方法與改進的MaskRCNN模型識別及分割方法統計的磨粒數量。由圖11可知：在大部分圖像中，使用人工標注方法與改進的MaskR-CNN模型識別分割方法得到的磨粒數量差異不大，但由于磨盤表面圖像存在背景復雜、磨粒與結合劑對比度低等問題，使用模型對磨盤表面形態進行檢測時，存在著一定的漏檢或錯檢情況。圖11b所示為以人工標注方法得到的磨粒數量為參考，計算使用改進的MaskR-CNN模型識別與分割方法所得的磨粒數量識別準確率。結果表明：使用改進的MaskR-CNN模型檢測的磨粒數平均準確率達到了 82.1% ○

與磨粒數量計算方式相同，分別統計了2種方法計算得到的氣孔數，如圖12a所示；計算了使用改進的MaskR-CNN模型識別與分割方法的氣孔數量識別準確率，如圖12b所示。結果表明：2種方法識別的氣孔數量差異較小，與人工標注結果相比，使用改進的MaskR-CNN模型識別分割方法的氣孔數量識別準確率最高為 100% ，平均準確率達到了 93.4% 。

3.2 目標分割面積準確率

使用圖像處理方法對磨盤表面磨粒、氣孔進行識別與分割時，不可避免地會出現分割的磨粒、氣孔與實際磨粒、氣孔不完全吻合的情況，導致分割磨粒、氣孔的面積與磨粒、氣孔的實際面積之間存在誤差。為了評估使用改進的MaskR-CNN模型識別分割目標面積的準確性，對磨粒、氣孔分割面積準確率進行了計算與分析。

隨機選取圖8磨盤表面圖像中的15顆磨粒，分別使用人工標注方法、改進的MaskR-CNN模型識別與分割方法對磨粒進行分割，并計算磨粒的面積，統計結果如圖13a所示。為了定量表示使用改進的MaskR-CNN模型分割磨粒所得面積與實際磨粒面積間的誤差，計算了磨粒分割面積準確率，結果如圖13b所示。結果表明，使用改進的MaskR-CNN模型識別與分割方法的磨粒分割面積準確率最高為 97.9% ，平均準確率為89.9% ○

對圖8中11個氣孔分別使用2種方法進行分割，對分割所得氣孔面積進行統計，結果如圖14a所示；對使用改進的MaskR-CNN模型識別與分割方法的氣孔分割面積準確率進行計算，結果如圖14b所示。由圖14可知：使用改進的MaskR-CNN模型識別與分割方法的氣孔分割面積準確率最高為 99.5% ，平均準確率為95.3% ，表明其分割的氣孔面積與實際面積差異較小，

吻合度較高。

3.3 目標位置誤差

在磨盤表面形態檢測中，磨粒、氣孔的位置分布可以反映磨盤表面均勻性，但使用深度學習模型進行分割時，不可避免會產生一定的誤差。圖15為使用人工標注方法獲得的磨粒、氣孔形心與使用模型分割獲得的磨粒、氣孔形心對比圖。由圖15可知，使用人工標注方法與模型分割方法獲得的磨粒、氣孔位置差異不大。為了定量表示2種方法獲得的形心的差異，根據目標位置誤差計算方法，對圖15中磨粒形心位置誤差與氣孔形心位置誤差進行計算。

在圖15中隨機選取15顆磨粒分別進行磨粒形心位置誤差計算，結果如圖16所示。由圖16可知：與人工標注磨粒形心相比，使用模型分割的磨粒形心位置誤差最低為 0.79% ，平均位置誤差為 3.80% 。

對圖15中11個氣孔分別進行氣孔形心位置誤差計算，結果如圖17所示。由圖17可知：與人工標注的氣孔形心相比，使用模型分割的氣孔形心位置誤差最低為 0.66% ，平均位置誤差為 2.80% ○

綜上所述，根據目標數量識別準確率、目標分割面積準確率、目標位置誤差3個參數的計算結果可以得出，本研究提出的改進的MaskR-CNN模型在磨盤表面磨粒、氣孔的識別分割中表現優良，能夠滿足磨盤

表面形態的檢測要求。

4結論

（1）提出一種使用空洞卷積改進的MaskR-CNN模型，并利用該模型對磨盤表面磨粒、氣孔進行識別與分割。使用研磨藍寶石后的氯氧鎂結合劑金剛石研磨盤表面圖像數據集對模型進行訓練與驗證，其平均準確率達到了 78.2% ○

（2）提出目標數量識別準確率、目標分割面積準確率、目標位置誤差3個參數來評價分割效果，并將該方法的分割結果與人工標注結果進行對比。結果表明：經過3個評價參數的計算，該方法對磨盤表面磨粒、氣孔的分割具有較好的效果。

參考文獻：

[1] 鄧朝暉，伍俏平，張高峰，等.新型砂輪研究進展及其展望[J].中國機械 工程，2010，21(21):2632-2638，2645. DENG Zhaohui，WUQiaoping，ZHANG Gaofeng，etal.Recentadvances and future perspectives in new type grinding wheels [J].China Mechanical Engineering，2010，21(21):2632-2638，2645.

[2] HADADM，SHARBATIA.Thermal aspects of environmentally friendlyMQL grinding process[J].Procedia CIRP，2016，40:509-515. [M].London: Springer，2013.

[4]徐西鵬，黃輝，胡中偉，等.磨粒工具的研究現狀及發展趨勢[J].機械 工程學報，2022，58(15):2-20. XU Xipeng，HUANGHui， HU Zhongwei， et al.Development of abrasive tools:State-of-the-artand prospectives [J].Journal of Mechanical Engineering，2022，58(15): 2-20.

［5］陳光軍，韓松鑫，潘佳琦，等.切削加工表面粗糙度影響因素及預測建 模綜述[J].機床與液壓，2020，48(13):185-188. CHENGuangjun，HAN Songxin，PAN Jiaqi，et al.Review onthe influence factors and predictive modeling of surface roughness in machining [J].Machine Tool Hydraulics，2020，48(13): 185-188.

[6]FAN K C，LEE M Z， MOU JI. On-line non-contact system for grinding wheel wear measurement [J].The International Journal of Advanced Manufacturing Technology，2002，19(1):14-22.

[7]LACHANCE S， WARKENTIN A， BAUER R. Development of an automated system for measuring grinding wheel wear flats [J]. Journal of Manufacturing Systems，2003，22(2):130-135.

[8］楊棲鳳，崔長彩，黃國欽.金剛石砂輪表面二維形貌全場測量和分 析[J].華僑大學學報(自然科學版)，2018，39(4):479-484. YANGQifeng， CUI Changcai，HUANG Guoqin.Measurement and analysis of two-dimensional surface topography of whole grinding wheel [J].Journal of Huaqiao University(Natural Science)，2018，39(4):479- 484.

[9] 劉明宇，佃松宜.基于機器視覺的金剛線表面質量檢測[J].四川大學 學報（自然科學版)，2020，57(5):920-926. LIU Mingyu， DIAN Songyi. Surface quality detection of diamond wire based on machine vision [J].Journal of Sichuan University(Natural Science Edition)，2020，57(5): 920-926.

[10］趙玉康，畢文波，葛培琪.電鍍金剛石線鋸表面磨粒分布密度的多相機 視覺檢測[J].金剛石與磨料磨具工程，2021，41(2):64-68. ZHAO Yukang，BI Wenbo， GE Peiqi. Multi-camera visual inspection of abrasives distribution density on electroplated diamond wire saw surface [J].Diamond Abrasives Engineering，2021，41(2): 64-68.

[11]YOU F Y， ZHOU W，WANG X， et al. Systematic monitoring and evaluating the wear of alumina wheel when grinding the workpiece of Crl2[J]. Complexity，2021(1): 6665043.

［12］李弘揚，方從富.基于K-Means聚類與凸包檢測的金剛石磨粒分割與 評價[J].金剛石與磨料磨具工程，2023，43(2):188-195. LI Hongyang，FANG Congfu. Segmentation and evaluation of diamond abrasive grains based on K-Means clustering and convex hull detection [J].Diamond Abrasives Engineering，2023，43(2): 188-195.

[13］胡偉棟，王占奎，董彥輝，等.基于深度學習的固結磨料研磨墊表面形 態表征[J].金剛石與磨料磨具工程，2022，42(2):186-192. HU Weidong，WANG Zhankui，DONG Yanhui，et al.Surface morphology characterization of fixed abrasive lapping pad based on deep learning[J].Diamond Abrasives Engineering，2022，42(2): 186-192.

[14］謝運鴻，孫釗，丁志丹，等.基于MaskR-CNN和遷移學習的無人機遙 感影像杉木單木樹冠提取[J].北京林業大學學報，2024，46(3):153- 166. XIE Yunhong， SUN Zhao， DING Zhidan， et al. UAV remote sensing imageextraction ofsingle tree crown of Chinese fir based onMask RCNNand transfer learning[J]. Journal of Beijing Forestry University， 2024，46(3):153-166.

[15］張麗媛，趙海蓉，何巍，等.融合全局-局部注意模塊的MaskR-CNN膝 關節囊腫檢測方法[J].圖學學報，2023，44(6):1183-1190. ZHANGLiyuan，ZHAO Hairong，HE Wei， etal.Knee cystsdetection algorithm based on Mask R-CNN integrating global-local attention module [J].Journal ofGraphics，2023，44(6):1183-1190.

[16］楊智宏，賀石中，馮偉，等.基于MaskR-CNN網絡的磨損顆粒智能識 別與應用[J].摩擦學學報，2021，41(1):105-114. YANGZhihong，HE Shizhong，FENGWei， etal.Intelligentidentification of wear particles based on Mask R-CNN network and application [J]. Tribology，2021，41(1): 105-114.

[17］肖瀟.基于深度學習的遙感圖像處理系統的設計與實現[D].北京：北 京郵電大學，2019. XIAO Xiao. Design and implementation of remote semsing image processing system based on deep learning [D]. Beijing:Beijing University of Posts and Telecommunications， 2019.

[18]AMIRGAN B， ERENER A. Semantic segmentation of satelite images withdifferent building typesusing deep learning methods[J].Remote Sensing Applications: Society and Environment，2024，34: 101176.

[19]JIA PY， CHEN C， ZHANG D L， et al. Semantic segmentation of deep learning remote sensing images based on band combination principle: Application in urbanplanningandlanduse[J].Computer Communications，2024，217: 97-106.

作者簡介

林燕芬，女，1982年出生，碩士，教授。主要研究方向：智能圖像處理與模式識別。

E-mail:linyanfen@xit.edu.cn

通信作者：方從富，男，1980年出生，博士、教授、博士生導師。主要研究方向：智能制造與精密加工、超硬工具設計與制備技術、工具狀態數字化測量與表征。

E-mail:cffang@hqu.edu.cn

（編輯：李利娟）

Surface morphology segmentation and evaluation of diamond lapping pad based on improved Mask R-CNN

SUO Wenlong1， LIN Yanfen2， FANG Congfu1 (1.Collegeofechanical EngineeringandAutomation，Huaqiao UniversityXiamen361o1，Fujian，China） (2.School ofData and Computer Science，Xiamen InstituteofTechnology，Xiamen 361021，Fujian，China）

AbstractObjectives: The surface morphology of diamond lapping pads has a direct impact on the lapping quality of hard and britle materials such assapphire and silicon carbide.Detecting and controllng the surface morphologyof diamond lapping pads is a crucial step in improving the lappng quality. Colecting surface images of diamond lapping pads， which contain numerous tiny abrasive particles，pores，and complex background textures， makes it challenging to conduct quantitative detection of their surface morphology. An improved Mask R-CNN model and three parameter evaluation indicators，namelythe target numberrecognitionaccuracy，target segmentationarea accuracy，and targetposition error，are utilized to explore the segmentation performance and effect of the proposed model.Methods: Based on the Mask R-CNN model， te dilated convolution method is adopted to improve the feature extraction network in the model's backboe.TheResNet5O，whichservesasthefeatureextractionnetwork inthebackbone，isdividedinto fivestages: Input stemand stages 1 to4.The network structuresofthe Input stem，stages1，2，and4are kept unchanged.Dilated convolution is introduced instage 3，andeach residual block in stage 3 is improved into aresidual block using dilated convolutionto expandthereceptive field，enhance the model's abiltytoextractdeepsemantic features of abrasive particles and pore targets of smaler scales on the surface of the lapping pad，and improve segmentation performance for abrasive grain and pore targets of different scales.The lossfunction and mean average precision (mAP)ofMask R-CNN are used to comprehensivelyreflect the performanceof the model.For evaluation of the segmentation efect， threeparameters， namely target number recognition accuracy， target segmentation area accuracy，and target position error，are proposed. These are mainly calculated based on the number， area， and center of abrasive particles and pores，and evaluating diamond abrasive particles and pores separately to assess the overall surface morphology of the lapping pad. Results: Through training and verification of the improved Mask R-CNN model，results show that this methodcan realize the recognition and segmentation of diamond abrasive particles and pores in the surface images of the lapping pad， achieving an mAP of 78.2% . By comparing the surface images of the lapping pad with the model segmentation images， there is no significant diference between the numberof diamondabrasive particles and pores obtained bythe improved Mask R-CNN model and theactual numbers，indicating thatthis method effectively recognizes and segments diamond abrasive particles and pores. Comparing the model's segmentation results with manually annotated results and calculating the thre evaluation indicators，therecognition accuracies for the number ofdiamond abrasiveparticlesand pores are 82.1% and 93.4% ， respectively. This is due to the complex background of the lapping pad's surface images and unclear contrast between abrasive particles，pores，and binders，which can cause some missed or 1 detections whenusing this method.For successfully identified diamond abrasive grain and pore targets，the segmentation area accuracies are 89.9% and 95.3% ， respectively，indicating small differences between segmented abrasive areas and actual areas， with a high degree of agreement， and good clasification and segmentation performance by the model. By comparing the contours of diamond abrasive particles and pores obtained by model segmentation with the actual contours，the position errors are 3.80% and 2.80% ，respectively， indicating small differences between the segmented and actual contours， and demonstrating good segmentation accuracy.Conclusions:The dilated convolution method can efectively expand the receptive field and improve theability to extract deepsemantic featuresof targetsatdiferent scales.Therefore，based on the comparison between the segmentation images of the improved Mask R-CNN model and manually annotated images and the evaluation of the three indicators，the improved Mask R-CNN model demonstrates good segmentation performance for diamond abrasive particles and pores of different scales on the lapping pad surface，proving the effectiveness of the segmentation method.

Key Wordslapping pad detection; deep learning; improved Mask R-CNN model; segmentation evaluation