1.一种基于深度卷积神经网络的工业CT图像分割方法，其特征在于，包括以下步骤：

步骤1、构建工业CT图像数据集，得到训练集、验证集和测试集；

步骤2、制作标注样本，对步骤1中到的训练集和验证集进行图像标注；

步骤3、设计基于深度卷积神经网络的工业CT图像分割的网络结构，网络总体结构是编码器‑解码器的结构，编码器用来从原始输入图像中自动提取特征并学习，而解码器负责将编码特征上采样到和输入图像具有相同分辨率的特征图以实现像素级的分类，最终实现工业CT图像的分割；

步骤4，设计损失函数：使用一种改进的基于Dice系数和二分类交叉熵的损失函数作为的新的目标函数在训练期间来进行优化；

步骤5，训练模型，采用tensorflow深度学习框架进行模型训练，模型训练预先采用Adam优化器不断优化步骤4中的自定义损失函数；

步骤6，后处理步骤：采用全连接条件随机场对神经网络的分割结果进一步细化处理，不断优化分割结果；

所述步骤3基于深度卷积神经网络的工业CT图像分割的网络结构具体为：

1)编码器部分是以改进的深度残差网络ResNet‑101作为backbone进行特征提取，第一组卷积，卷积核的大小为7*7，卷积核的个数是64个，在卷积层后添加一个批量归一化层和非线性激活函数Leaky‑Relu，紧接着是平均池化层，核的尺寸为3*3,步长为2；第二组卷积包括3个残差块，每个残差块由3个卷积组成，三个卷积核尺寸分别为1*1、3*3和1*1，对应的卷积核个数分别为64、64和256；第三组卷积包括4个残差块，每个残差块由3个卷积组成，三个卷积核尺寸分别为1*1、3*3和1*1，对应的卷积核个数分别为128、128和512；第四组卷积包括23个残差块，每个残差块由3个卷积组成，三个卷积核尺寸分别为1*1、3*3和1*1，对应的卷积核个数分别为256、256和1024；第五组卷积包括3个残差块，每个残差块由3个卷积组成，三个卷积核尺寸分别为1*1、3*3和1*1，对应的卷积核个数分别为512、512和2048；

2)在解码阶段，将底层信息和深层次的信息进行高度融合，然后通过转置卷积不断学习进行上采样操作将特征图恢复到原始图像大小进而对每一个像素进行分类，解码器的最后一层为sigmoid层，sigmoid函数为 它将神经网络的输出归一化到0到1，当输出大于0.5时为前景，当输出小于0.5时，则为背景；

所述步骤4的设计损失函数具体包括：设计一种基于Dice系数和二分类交叉熵损失函数相结合作为的新的目标函数在训练期间来不断进行优化，Dice系数函数表达式为二分类交叉熵损失函数表达式为新的目标函数为：

式中，Yi和 分别代表第i张图像展平后的真实标签和展平后神经网络预测的概率标签，N代表批量大小，X是预测结果张量，Y是真实分割结果张量。

2.根据权利要求1所述的一种基于深度卷积神经网络的工业CT图像分割方法，其特征在于，所述步骤1构建工业CT图像数据集，步骤包括：

1)采集图像，对图像进行预处理操作；所述预处理操作包括图像灰度化、图像滤波、图像锐化、图像数据归一化；

2)数据增强步骤；

3)数据集划分，将步骤2)中通过数据增强后所得到的数据集进行shuffle操作后，按训练集、验证集和测试集8:1:1的比例进行划分。

3.根据权利要求2所述的一种基于深度卷积神经网络的工业CT图像分割方法，其特征在于，所述数据增强步骤具体包括：为了扩充数据集以实现模型充分学习和模型泛化，通过生成对抗网络GAN对工业CT图像数据集进行扩充；此外，通过Imgaug库对训练样本数据集进行扩充，包括平移、镜像、旋转、高斯模糊和弹性变换，为了后续卷积神经网络能够进行充分的特征提取，对数据集进行随机缩放以便神经网络可以学习到不同尺度的特征。

4.根据权利要求1‑3之一所述的一种基于深度卷积神经网络的工业CT图像分割方法，其特征在于，所述步骤2具体包括：对步骤1得到的训练集和验证集进行图像标注，使用标注工具Labelme或者Photoshop对图像进行逐像素标注，对标签进行二值化操作，将图像中的对象对应的标签像素值置1，将图像中的背景部分对应的标签像素置0。

5.根据权利要求1所述的一种基于深度卷积神经网络的工业CT图像分割方法，其特征在于，所述步骤5具体包括：训练模型，采用tensorflow深度学习框架进行模型训练，模型训练预先采用Adam优化器不断优化步骤4中的自定义损失函数，初始学习率为0.001，然后再使用SGD优化器不断优化步骤4中的自定义损失函数，采用动态学习率机制进行训练，在验证集上指定10个epoch损失函数没有下降时，自动降低学习率使目标值达到最优；此外，设定early stopping监督机制，当5个epoch后，模型在验证集上的精度没有得到改善时，自动停止训练。

6.根据权利要求5所述的一种基于深度卷积神经网络的工业CT图像分割方法，其特征在于，所述步骤6采用全连接条件随机场对神经网络的分割结果进一步细化处理，不断优化分割结果，具体包括：构建如下能量函数：

式中，x代表像素的标签，Ψi(xi)是一元势能函数，它的函数表达式为Ψi(xi)＝‑logP(xi)，其中P(xi)是深度卷积神经网络输出的第i个像素类别对应的标签预测概率，Ψij(xi，xj)是双边势能函数，函数表达式如下：式中当xi＝xj时，μ(xi，xj)＝1，否则为0，第一个核函数依赖于像素的位置和像素的颜色强度，第二个核函数只依赖于像素的位置，σα、σβ、σγ是控制两个高斯核的尺度，ω1和ω2是两个高斯核的权重；pi、pj分别表示第i个、第j个像素的位置信息，Ii、Ij分别表示第i个、第j个像素的光谱信息；

通过迭代推理，条件随机场模型能够将位置相邻和颜色特征相似的像素归为一类从而优化对象边缘的分割效果，最终完成工业CT图像的进一步细化分割。