纸张、板材以及各类卡片烟标等薄片型产品的准确计数对相关企业的成本控制有着十分重要的意义,但由于这类薄片产品通常数量庞大、种类繁多,早期的人工计数和物理计数法由于效率低误差大而无法大规模使用,传统图像处理算法虽然提高了叠层薄片计数的自动化程度,但面对常见的薄片厚度不一、粘连、破损和低对比度等问题,这类算法由于只能利用叠层图像的单一特征,因而无法做到多种叠层薄片的兼容计数。针对这些检测难题,本文设计基于卷积神经网络的语义分割方法,通过对分割后的薄片叠层图像进行连通区域计数获得薄片数量。该方法通过获取更大的上下文信息来得到更加准确的分割结果,继而得到叠层薄片更加准确的数量,有效解决了困扰传统图像处理算法计数的诸多问题。本文具体内容如下:(1)针对传统图像处理的薄片叠层计数中存在的问题,结合相关理论和薄片叠层成像特点,提出并实现利用深度卷积神经网络的方法对薄片图像进行先分割后计数的方案。(2)结合薄片条纹分布的特征,用小图训练、全图测试的方法对薄片叠层端面图像进行分割,配合以多种数据增强方式,极大减小了需要标注的训练集数据规模,使得模型的训练和测试更加高效可行。(3)基于暂无相关数据集可用的现状,设计了专门的数据集,利用薄片中心线制作条状的标准标签,训练模型学习到中心线标签中的薄片特征信息,由此得到薄片叠层图像的语义分割图,用于最终的计数。(4)对经典的U-net网络进行调整和改进,通过更少的层数实现薄片图像的精确分割,通过对模型中间激活和卷积核的可视化,展示模型的自学习能力。最后通过对存在异常的多种厚度的薄片叠层图像进行对比实验,验证本文算法在薄片叠层计数上的优势。实验证明,本文算法对各类薄片叠层的综合计数准确率都在99%以上,较传统图像算法有更强的鲁棒性。