楊有，張汝薈，許鵬程，康慷，翟浩

（1.重慶國(guó)家應(yīng)用數(shù)學(xué)中心（重慶師范大學(xué)），重慶 401331；2.重慶師范大學(xué) 計(jì)算機(jī)與信息科學(xué)學(xué)院，重慶 401331）

0 引言

民國(guó)檔案（Republican archives）的數(shù)字化和數(shù)據(jù)化具有重要意義。一方面，民國(guó)檔案是近代歷史活動(dòng)的客觀記錄，在國(guó)家檔案全宗中占有特殊地位，是極具價(jià)值的檔案；另一方面，數(shù)字化加工處理為人工智能的應(yīng)用提供了條件?；趦?nèi)容的圖像檢索和圖像語(yǔ)義標(biāo)注是檔案圖像處理的兩種典型應(yīng)用場(chǎng)景，而識(shí)別和分割圖像中的印章為這兩種應(yīng)用創(chuàng)造了條件。民國(guó)檔案的特殊性如下：1）時(shí)代局限性。劣質(zhì)的紙張質(zhì)量導(dǎo)致印侵問(wèn)題和過(guò)多的噪聲，而毛筆書寫導(dǎo)致字體多變、文字大小不一。2）版面的復(fù)雜結(jié)構(gòu)。民國(guó)檔案中存在僅包含印章的檔案頁(yè)，也存在印章甚至多印章與表格組成的檔案頁(yè)，還存在多印章重疊的檔案頁(yè)。不僅如此，文字豎排和從右至左的書寫順序也對(duì)版面分析與理解帶來(lái)挑戰(zhàn)［1］。3）印章的特殊性。印章的形狀多樣性和位置不固定性導(dǎo)致先驗(yàn)知識(shí)缺乏；黑白印章顏色導(dǎo)致顏色特征無(wú)法利用；檔案數(shù)據(jù)中印章分布不均導(dǎo)致正負(fù)樣本不均衡。因此民國(guó)檔案印章數(shù)據(jù)集的特殊性導(dǎo)致了印章分割的困難。

傳統(tǒng)的印章檢測(cè)主要針對(duì)圖像的顏色、紋理和形狀特征。基于顏色特征的方法利用印章為紅色的特點(diǎn)來(lái)確定印章的位置，實(shí)現(xiàn)印章檢測(cè)［2］。印章的紅色與紙張、文字的顏色有明顯區(qū)別，因此該方法在傳統(tǒng)方法中占據(jù)重要地位。而民國(guó)檔案均為毛筆字、黑色印章，無(wú)法采用該方法。基于紋理特征的方法使用像素鄰域的灰度空間分布規(guī)律［3］，但方法需要結(jié)合其他圖像特征，并不適合手寫文字檔案的處理?；谛螤钐卣鞯姆椒梢詼?zhǔn)確表達(dá)目標(biāo)的特性，但抗干擾能力偏弱。民國(guó)檔案印章數(shù)據(jù)集噪聲大并且印章邊框斷續(xù)問(wèn)題嚴(yán)重，使用該方法難以實(shí)現(xiàn)民國(guó)檔案印章分割。

傳統(tǒng)方法不能有效地進(jìn)行民國(guó)檔案印章分割，而深度學(xué)習(xí)的出現(xiàn)為解決該問(wèn)題帶來(lái)了可能。Long等［4］將全卷積網(wǎng)絡(luò)（Fully Convolutional Network，F(xiàn)CN）用于圖像語(yǔ)義分割，在像素級(jí)水平上理解和識(shí)別圖像內(nèi)容，并根據(jù)語(yǔ)義信息實(shí)現(xiàn)分割。FCN 解決了重復(fù)存儲(chǔ)的問(wèn)題，帶來(lái)了語(yǔ)義分割的進(jìn)步。同年，Ronneberger等［5］提出基于自編碼器的U-Net。Paszke等［6］提出的輕量化網(wǎng)絡(luò)ENet（Efficient Neural Network）具有參數(shù)量小、處理速度快的優(yōu)點(diǎn)，為在移動(dòng)設(shè)備上實(shí)施分割帶來(lái)了可能。Badrinayanan等［7］提出基于先驗(yàn)概率對(duì)像素點(diǎn)進(jìn)行分類的SegNet。Zhou等［8］提出UNet++，通過(guò)疊加不同層次特征并對(duì)特征進(jìn)行再利用以提高網(wǎng)絡(luò)精度；此外，還引入深度監(jiān)督使它在提升精度的前提下有效降低參數(shù)量。Li等［9］提出深度特征聚合網(wǎng)絡(luò)（Deep Feature Aggregation Network，DFANet），在保證分割精度的前提下提升了處理速度。同年，Wang等［10］提出LEDNet（Lightweight Encoder-Decoder Network），使用非對(duì)稱編解碼器結(jié)構(gòu)來(lái)解決實(shí)時(shí)語(yǔ)義分割問(wèn)題。Zhou等［11］提出SEGAN（Speech Enhancement Generative Adversarial Network），更好地融合了多尺度特征?；诰幗獯a器方法的圖像分割網(wǎng)絡(luò)具有保留圖像空間維度和像素位置信息的優(yōu)點(diǎn)，避免了池化操作后特征圖分辨率降低的問(wèn)題［12］。上述圖像分割網(wǎng)絡(luò)具有較高的分割精度，但多用于醫(yī)學(xué)圖像分割與城市場(chǎng)景語(yǔ)義分割；而面對(duì)民國(guó)檔案時(shí)，它們的分割精度和邊緣分割的有效性都有待提高。

U-Net 及它的改進(jìn)網(wǎng)絡(luò)具有對(duì)稱的收縮擴(kuò)張路徑的結(jié)構(gòu)，有利于捕獲上下文信息并實(shí)現(xiàn)精確定位。本文提出了針對(duì)民國(guó)檔案圖像的印章分割U 型網(wǎng)絡(luò)UNet-S（U-Net for Seal）。首先設(shè)計(jì)了多尺度殘差模塊替代U-Net 原有的卷積層；在多尺度殘差模塊中將普通卷積替換為深度可分離卷積（Depthwise Separable Convolution，DSConv）［13］；為防止融合后的淺層信息被稀釋［14］，根據(jù)仿真實(shí)驗(yàn)結(jié)果確定恰當(dāng)?shù)木W(wǎng)絡(luò)層級(jí)，使用BCEDiceLoss（Binary Cross Entropy Dice Loss）損失函數(shù)，并根據(jù)仿真實(shí)驗(yàn)結(jié)果優(yōu)選權(quán)重因子。

1 U-Net結(jié)構(gòu)

U-Net 對(duì)稱的編解碼器結(jié)構(gòu)可以更好地提取和重建特征圖［15］，在圖像分割最前沿的網(wǎng)絡(luò)中，U-Net 仍占有一席之地。U-Net 由下采樣與上采樣結(jié)合的U 型結(jié)構(gòu)構(gòu)成，下采樣、上采樣、跳躍連接三個(gè)部分在網(wǎng)絡(luò)中起主要作用。在下采樣階段對(duì)輸入進(jìn)行卷積和池化操作的交替與堆疊以提取抽象的特征［16］；在上采樣階段將抽象的特征進(jìn)行反卷積；跳躍連接部分將深層的語(yǔ)義信息與淺層的位置信息按深度連接在一起，以恢復(fù)目標(biāo)對(duì)象的細(xì)粒度細(xì)節(jié)。

U-Net 由23 個(gè)卷積層、4 個(gè)反卷積層、4 個(gè)最大池化層組成。U-Net 使用兩個(gè)3×3 卷積進(jìn)行無(wú)填充卷積，每?jī)纱尉矸e之后進(jìn)行一次2×2 最大池化操作以及ReLU（Rectified Linear Unit）函數(shù)激活。編碼器階段使用多個(gè)2×2 的最大池化進(jìn)行下采樣，使圖像尺寸變?yōu)樵瓉?lái)的1/2，直至尺寸變?yōu)?2×32；解碼器階段用2×2 的反卷積層進(jìn)行上采樣，使圖像尺寸變?yōu)樵瓉?lái)的兩倍，直至尺寸變?yōu)?92×392。跳躍連接將編碼器階段對(duì)應(yīng)的高分辨率圖像裁剪后與解碼器階段對(duì)應(yīng)部分相連接，使輸出結(jié)果更為準(zhǔn)確［17］。為了更好地預(yù)測(cè)圖像邊界區(qū)域像素、推斷缺失的上下文信息，U-Net 使用鏡像策略使網(wǎng)絡(luò)輸入圖像的尺寸為572×572。這種策略可以減少邊緣像素點(diǎn)的損失，更好地處理大尺寸圖像并且降低內(nèi)存的占用。

2 UNet-S設(shè)計(jì)

2.1 UNet-S總體結(jié)構(gòu)

UNet-S 總體結(jié)構(gòu)如圖1 所示。

圖1 UNet-S結(jié)構(gòu)Fig.1 UNet-S structure

編碼器階段，將輸入圖像通過(guò)3×3 普通卷積（Conv）提取特征，得到的特征圖送入改進(jìn)的殘差模塊，進(jìn)行2×2 最大池化操作，使圖像尺寸變?yōu)樵瓉?lái)的1/2；之后交替進(jìn)行殘差學(xué)習(xí)和最大池化操作，直至特征圖下采樣至16×16；最后經(jīng)過(guò)1×1普通卷積進(jìn)入解碼器階段。解碼器階段，采用2 倍放大系數(shù)的雙線性插值作為上采樣方法，使圖像尺寸擴(kuò)大一倍；然后交替進(jìn)行殘差學(xué)習(xí)與雙線性插值，直到特征圖上采樣至512×512。在UNet-S 中，依然使用U-Net 的長(zhǎng)連接來(lái)融合編解碼器不同的特征圖。圖1 中，1×1 卷積的作用是升降通道數(shù)。循環(huán)使用跳躍連接、殘差連接、1×1 卷積和上采樣直至圖像尺寸變?yōu)?12×512。由于只需要印章類別，所以經(jīng)過(guò)一個(gè)3×3 的普通卷積、輸出通道數(shù)為1 后，輸出圖像尺寸為512×512。

UNet-S 使用了普通卷積和DSCnov，分別如式（1）、（2）所示：

其中：Foutj(x，y)為該層第j張?zhí)卣鲌D輸出結(jié)果；Fini為特征圖的值；W為卷積核；σ為激活函數(shù)；bj為第j張?zhí)卣鲌D的偏置。

2.2 深度可分離卷積

深度可分離卷積在圖像分割領(lǐng)域、計(jì)算機(jī)視覺(jué)領(lǐng)域的底層、中層和高層任務(wù)中都可使用，它能大幅減少網(wǎng)絡(luò)的參數(shù)量。由于卷積層通道間的相關(guān)性與空間相關(guān)性可解耦合，所以深度可分離卷積成為實(shí)現(xiàn)網(wǎng)絡(luò)輕量化的關(guān)鍵模塊。

深度可分離卷積分為逐通道卷積（DepthWise Convolution，DWConv）和逐點(diǎn)卷積（PointWise Convolution，PWConv）兩個(gè)步驟。假設(shè)輸入一張通道數(shù)為C的特征圖，在普通卷積中經(jīng)過(guò)N個(gè)通道數(shù)為C的H×H卷積核后，生成N張?zhí)卣鲌D。因此普通卷積參數(shù)量為N×C×H×H；在深度可分離卷積中首先經(jīng)過(guò)C個(gè)通道數(shù)為1的H×H的逐通道卷積，生成C張?zhí)卣鲌D，逐通道卷積的參數(shù)量為C×H×H，再將C張?zhí)卣鲌D經(jīng)過(guò)1×1×N的逐點(diǎn)卷積在深度方向上加權(quán)組合生成N張?zhí)卣鲌D，逐點(diǎn)卷積參數(shù)量為1×1×C×N。深度可分離卷積總參數(shù)量為C(H×H+N)。深度可分離卷積總參數(shù)量與普通卷積的參數(shù)量比值如式（3）所示：

其中：PDSConv為深度可分離卷積；PConv為普通卷積。在一層卷積中采用深度可分離卷積與傳統(tǒng)卷積壓縮效果相同，壓縮幅度僅與輸出通道數(shù)和卷積核的尺寸有關(guān)［18］。

2.3 多尺度殘差模塊

為解決網(wǎng)絡(luò)退化問(wèn)題，He等［19］提出了殘差網(wǎng)絡(luò)（Residual Network，ResNet）。殘差連接之間的函數(shù)為F(x)=x+H(x)。當(dāng)殘差為0 時(shí)，模塊不學(xué)習(xí)新的特征，僅執(zhí)行恒等映射；當(dāng)殘差不為0 時(shí)，在輸入特征的基礎(chǔ)上模塊學(xué)習(xí)新的特征，即在不改變目標(biāo)函數(shù)的情況下，將網(wǎng)絡(luò)結(jié)構(gòu)分成殘差映射和恒等映射兩部分，使學(xué)習(xí)恒等映射變得更加容易，可以緩解梯度消失等問(wèn)題。

在殘差模塊中加入多尺度特征提取塊，使它能夠有效提取圖像的多尺度特征，提升網(wǎng)絡(luò)性能；同時(shí)，模塊中的卷積層被替換為DSConv，減少網(wǎng)絡(luò)的參數(shù)量。多尺度殘差模塊結(jié)構(gòu)如圖2 所示。

圖2 多尺度殘差塊結(jié)構(gòu)Fig.2 Multi-scale residual block structure

在每一個(gè)多尺度殘差模塊中，首先對(duì)輸入特征圖進(jìn)行3× 3 深度可 分離卷 積+批歸一 化（Batch Normalization，BN）+ReLU，獲得感受野為3×3 的特征圖；再將它與輸入特征圖沿通道維度級(jí)聯(lián)（concat）；然后將級(jí)聯(lián)后的特征圖進(jìn)行一次3×3 的深度可分離卷積+BN+ReLU。由于兩個(gè)3×3 卷積的感受野與一個(gè)5×5 卷積相同［20］，而級(jí)聯(lián)后的特征圖中包含感受野為3×3 與感受野為1×1 的特征圖，因此對(duì)它執(zhí)行3×3 卷積后即可獲得感受野為5×5 與3×3 的特征圖，實(shí)現(xiàn)多尺度特征提取。為了使輸入、輸出通道數(shù)相同，在跳躍層加入1×1卷積。模塊按照如下公式執(zhí)行：

其中：Fn-1表示輸入為第i個(gè)卷積層中尺寸為3×3 的卷積核；bi表示第i個(gè)卷積層的偏置；F'和Fn'表示模塊的中間輸出；Fn表示輸出結(jié)果；?為卷積操作；σ表示ReLU 激活函數(shù)。將Fn-1代入式（4）獲得中間輸出F'；式（5）將Fn-1與F'沿通道維度級(jí)聯(lián)后更新F'；將F'代入式（6）獲得多尺度特征圖Fn'，通過(guò)式（7）對(duì)Fn-1執(zhí)行升降維操作，使它的通道數(shù)與F'n一致后將二者相加得到最終的輸出Fn。

綜上所述，多尺度殘差模塊在緩解梯度消失、網(wǎng)絡(luò)退化等問(wèn)題的同時(shí)可以提取多尺度特征，提升性能；此外還引入了DSConv，大幅度降低網(wǎng)絡(luò)參數(shù)量，易于部署與應(yīng)用。

2.4 損失函數(shù)

UNet-S 使用的損失函數(shù)為BCEDiceLoss，并根據(jù)實(shí)驗(yàn)結(jié)果確定合適的權(quán)重因子。BCELoss（Binary Cross Entropy Loss）和BCEWithLogitsLoss（Binary Cross Entropy WithLogits Loss）作為常用的二元交叉熵?fù)p失函數(shù)，常用于解決二分類問(wèn)題。BCEWithLogitsLoss 為BCELoss 與Sigmoid 函數(shù)相融合的損失函數(shù)。式（8）為BCELoss 在二分類問(wèn)題上的計(jì)算公式［21］，即只考慮僅有一個(gè)類別時(shí)的情況。t為樣本的標(biāo)簽值，p為網(wǎng)絡(luò)對(duì)該類別標(biāo)簽預(yù)測(cè)的概率。式（9）為Sigmoid 函數(shù)。

BCEDiceLoss 由BCELoss 和DiceLoss組成。DiceLoss 如式（10）所示，其中：TP（True Positive）表示真陽(yáng)性；TN（True Negative）表示真陰性；FP（False Positive）表示假陽(yáng)性；FN（False Negative）表示假陰性。BCEDiceLoss 如式（11）所示，λ為損失函數(shù)權(quán)重因子，通過(guò)消融實(shí)驗(yàn)確定λ=0.9。

民國(guó)檔案數(shù)據(jù)集中，一半為無(wú)印章圖片，而另一半有印章的圖片中，印章像素占總像素比例不大，存在正負(fù)樣本不均衡的問(wèn)題。DiceLoss 同時(shí)考慮局部和全局的損失信息［22］，在數(shù)據(jù)集不平衡的情況下，使用BCEDiceLoss 效果更優(yōu)。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 數(shù)據(jù)集

實(shí)驗(yàn)采用自建民國(guó)檔案數(shù)據(jù)集，共11 855 張圖像，有印章與無(wú)印章圖像分別有6 636、5 219 張。將9 484 張圖像作為訓(xùn)練集，2 371 張圖像作為測(cè)試集。自建的民國(guó)檔案數(shù)據(jù)集中的圖像尺寸并不統(tǒng)一，為了方便網(wǎng)絡(luò)的運(yùn)算，預(yù)處理部分使用OpenCV 庫(kù)中的resize 函數(shù)將輸入圖像尺寸統(tǒng)一為512×512。圖3 為民國(guó)檔案印章數(shù)據(jù)集中的圖像和生成的掩碼圖像。印章區(qū)閾值為1，對(duì)應(yīng)圖3（b）中白色部分；背景區(qū)閾值為0，對(duì)應(yīng)圖3（b）中黑色部分。

圖3 民國(guó)檔案印章和掩膜圖Fig.3 Seal and mask diagrams of Republican archives

3.2 實(shí)驗(yàn)參數(shù)與評(píng)價(jià)指標(biāo)

仿真實(shí)驗(yàn)的軟硬件環(huán)境為：操作系統(tǒng)Windows 10；內(nèi)存32 GB；Nvidia Tesla M40 顯卡，24 GB 顯存；CPU Intel Core i7-10700KF；Python 版本3.8.5；Cuda 版本11.1；Pytorch 版本1.8.0。實(shí)驗(yàn)設(shè)置初始學(xué)習(xí)率為0.001，學(xué)習(xí)率衰減策略采用余弦退火算法，在最后一輪時(shí)衰減到0.000 01；優(yōu)化器為Adam；總訓(xùn)練輪數(shù)為100；輸入圖像尺寸為512×512；下采樣方法為雙三次插值；每次迭代傳入8 張圖像。

Dice 相似系數(shù)（Dice Similarity Coefficient，DSC）是圖像分割領(lǐng)域常用的評(píng)價(jià)指標(biāo)，用于測(cè)量類分割任務(wù)中真實(shí)值和預(yù)測(cè)值之間的重疊部分［22-23］。本文采用DSC、平均交并比（mean Intersection over Union，mIoU）、平均像素準(zhǔn)確率（Mean Pixel Accuracy，MPA）、參數(shù)量、乘加運(yùn)算（Multiplication and ACcumulation，MAC）和測(cè)試集中每張圖片的平均測(cè)試時(shí)間（Time）對(duì)各網(wǎng)絡(luò)性能進(jìn)行評(píng)價(jià)。

3.3 實(shí)驗(yàn)結(jié)果與分析

3.3.1 對(duì)比實(shí)驗(yàn)

在民國(guó)檔案印章數(shù)據(jù)集上訓(xùn)練UNet-S 與U-Net［5］、DeepLab v2［24］網(wǎng)絡(luò)、UNet++［8］、DFANet［9］、DDRNet（Deep Dual-Resolution Network）［25］并進(jìn)行對(duì)比，不同網(wǎng)絡(luò)的實(shí)驗(yàn)結(jié)果如表1 所示。由于該數(shù)據(jù)集為二分類問(wèn)題，所以均采用BCEWithLogits 損失函數(shù)。實(shí)驗(yàn)中其余參數(shù)設(shè)置均采用原始論文中的參數(shù)。

從表1 可以看出，UNet-S 的DSC、mIoU 和MPA 取得了最優(yōu)結(jié)果，最多提高了17.38%、32.68%和0.6%，參數(shù)量最多下降了76.64%。相較于次優(yōu)的編解碼器結(jié)構(gòu)UNet++，UNet-S 的DSC 提升了3.2%。

表1 不同網(wǎng)絡(luò)的實(shí)驗(yàn)結(jié)果對(duì)比Tab.1 Comparison of experimental results of different networks

表2 為網(wǎng)絡(luò)復(fù)雜度對(duì)比，可以看出UNet-S 的參數(shù)量、MAC、時(shí)間大幅度降低。雖然輕量化網(wǎng)絡(luò)DFANet 的參數(shù)量和MAC 更小，但是它的DSC、mIoU 和MPA 均不如UNet-S。而實(shí)際應(yīng)用中使用的都是訓(xùn)練后的網(wǎng)絡(luò)，所以時(shí)間并不是最重要的因素，測(cè)試速度和實(shí)驗(yàn)精度更重要。

表2 不同網(wǎng)絡(luò)的復(fù)雜度對(duì)比Tab.2 Complexity comparison of different networks

各網(wǎng)絡(luò)的分割結(jié)果如圖4 所示，其中，Ground Truth 為人工標(biāo)注圖像。圖4（c）中U-Net 存在印章邊上表格誤判、分割不全等問(wèn)題；圖4（d）中DeepLab v2 網(wǎng)絡(luò)存在部分印章無(wú)法識(shí)別、印章邊界分割模糊等問(wèn)題；圖4（e）中UNet++存在部分印章無(wú)法準(zhǔn)確識(shí)別與背景誤判等問(wèn)題；圖4（f）中DFANet 存在部分印章無(wú)法準(zhǔn)確識(shí)別等問(wèn)題，印章四周邊緣存在參差不齊的毛刺，平滑性不如UNet-S；圖4（g）中DDRNet 存在印章邊界分割模糊等問(wèn)題；圖4（h）為UNet-S 分割效果?？梢钥闯鯱Net-S 平衡了精度、訓(xùn)練速度、測(cè)試速度、參數(shù)量等各項(xiàng)指標(biāo)，針對(duì)印章數(shù)據(jù)集的效果最佳。

圖4 測(cè)試集分割結(jié)果示例Fig.4 Example of test set segmentation results

3.3.2 消融實(shí)驗(yàn)

為了選取更適合民國(guó)檔案印章數(shù)據(jù)集的網(wǎng)絡(luò)層數(shù)，分別針對(duì)1～6 層網(wǎng)絡(luò)進(jìn)行了實(shí)驗(yàn)，結(jié)果如表3 所示。6 層網(wǎng)絡(luò)的DSC 不如5 層網(wǎng)絡(luò)，參數(shù)量卻為5 層網(wǎng)絡(luò)的4 倍，所以最終選擇5 層網(wǎng)絡(luò)作為UNet-S 的網(wǎng)絡(luò)結(jié)構(gòu)。

表3 不同層數(shù)的實(shí)驗(yàn)結(jié)果對(duì)比Tab.3 Comparison of experimental results with different layers

如表4 所示，為了更好地?cái)M合民國(guó)檔案印章數(shù)據(jù)集，進(jìn)行了一系列對(duì)比以確定損失函數(shù)的權(quán)重因子的取值。當(dāng)λ=0.9 時(shí)，mIoU 和DSC 最優(yōu)，因此使用λ=0.9 進(jìn)行仿真實(shí)驗(yàn)。

表4 不同權(quán)重因子的結(jié)果對(duì)比Tab.4 Comparison of results with different weighting factors

為了驗(yàn)證不同模塊的有效性，針對(duì)不同模塊進(jìn)行了消融實(shí)驗(yàn)，結(jié)果如表5 所示。可以看出：1）DSConv 的使用和網(wǎng)絡(luò)通道數(shù)的降低，使網(wǎng)絡(luò)參數(shù)量降低了76.6%；2）加入多尺度殘差模塊后，DSC、mIoU 提高4.2%和8.1%，表明多尺度殘差模塊可以有效提高網(wǎng)絡(luò)的準(zhǔn)確率；3）相較于BCEWithLogitsLoss，使用BCEDiceLoss 后DSC、mIoU 提高了3.9%、7.2%，表明BCEDiceLoss 能較好地解決民國(guó)檔案印章數(shù)據(jù)集中數(shù)據(jù)不均衡所帶來(lái)的問(wèn)題；4）相較于原始網(wǎng)絡(luò)，UNet-S 的通道數(shù)減半并且使用了DSConv，參數(shù)量?jī)H為原始網(wǎng)絡(luò)的23.4%，但是結(jié)合其他模塊后DSC 提升了6.8%。

表5 不同模塊實(shí)驗(yàn)結(jié)果對(duì)比Tab.5 Comparison of experimental results of different modules

圖5 為UNet-S 與U-Net 的DSC、mIoU 和MPA 在不同Epoch 的曲線，可以看出，相較于U-Net，UNet-S 收斂更快、曲線更平滑。

圖5 不同Epoch下的結(jié)果Fig.5 Results in different Epoch

4 結(jié)語(yǔ)

針對(duì)傳統(tǒng)印章檢測(cè)方法不適合民國(guó)檔案印章數(shù)據(jù)集，而U-Net 分割精度不高、邊緣細(xì)節(jié)分割不夠細(xì)膩等問(wèn)題，本文提出基于U-Net 的改進(jìn)網(wǎng)絡(luò)UNet-S。UNet-S 使用深度可分離卷積降低網(wǎng)絡(luò)參數(shù)量；使用改進(jìn)后的多尺度殘差模塊、損失函數(shù)和5 層網(wǎng)絡(luò)結(jié)構(gòu)提高網(wǎng)絡(luò)準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明，UNet-S取得了更好的性能。雖然作出了如上改進(jìn)，但是在實(shí)驗(yàn)過(guò)程中，依然存在著數(shù)據(jù)集的噪聲干擾過(guò)大等問(wèn)題，下一步將解決以上問(wèn)題并在民國(guó)檔案印章數(shù)據(jù)集上進(jìn)行印章文字檢測(cè)。