皮肤病变分割是皮肤病诊断的必要步骤。受病变区域形状不规则、颜色不均匀,以及边界模糊等因素的影响,皮肤病变分割面临诸多困难。针对上述问题,本文提出DSLK-UNet(Dilation Stage Large Kernel UNet)的皮肤病变分割方法。为充分利用多...皮肤病变分割是皮肤病诊断的必要步骤。受病变区域形状不规则、颜色不均匀,以及边界模糊等因素的影响,皮肤病变分割面临诸多困难。针对上述问题,本文提出DSLK-UNet(Dilation Stage Large Kernel UNet)的皮肤病变分割方法。为充分利用多尺度信息,设计了空洞阶梯连接模块,并将其嵌入到编码器和解码器,实现上下文信息的有效捕获;综合考虑效率和性能,基于深度和空间可分离卷积提出一种大核卷积融合模块,优化小目标细节信息的提取;最后,基于Laplace算法构建边缘损失函数,提高模型对弱边界的检测能力。为验证本文算法有效性,在ISIC 2018数据集上进行测试,实验结果表明,该方法可以有效分割皮肤病变,分割结果的相似系数(Dice)、平均交并比(MIoU)、准确率(ACC)和F1-Score分别达到了92.86%、89.10%、97.00%和89.28%,分割性能高于现有的皮肤病变分割算法,且相较于其他方法,该方法对于受毛发干扰、边界模糊的皮肤病变具有分割优势。展开更多
[目的/意义]根系是植物组成的重要部分,其生长发育至关重要。根系图像分割是根系表型分析的重要方法,受限于图像质量、复杂土壤环境、低效传统方法,根系图像分割存在一定挑战。[方法]为提高根系图像分割的准确性和鲁棒性,本研究以UNet...[目的/意义]根系是植物组成的重要部分,其生长发育至关重要。根系图像分割是根系表型分析的重要方法,受限于图像质量、复杂土壤环境、低效传统方法,根系图像分割存在一定挑战。[方法]为提高根系图像分割的准确性和鲁棒性,本研究以UNet模型为基础,提出了一种多尺度特征提取根系分割算法,并结合数据增强和迁移学习进一步提高改进UNet模型的泛化性和通用性。首先,获取棉花根系单一数据集和开源多作物混合数据集,基于单一数据集的消融试验测试多尺度特征提取模块(Conv_2+Add)的有效性,与UNet、PSPNet、SegNet、DeeplabV3Plus算法对比验证其优势。基于混合数据集验证改进算法(UNet+Conv_2+Add)在迁移学习的优势。[结果和讨论] UNet+Conv_2+Add相比其他算法(UNet、PSPNet、SegNet、DeeplabV3Plus),mIoU、mRecall和根系F_1调和平均值分别为81.62%、86.90%和78.39%。UNet+Conv_2+Add算法的迁移学习相比于普通训练在根系的交并比(Intersection over Union,IoU)值提升1.25%,根系的Recall值提升1.79%,F_1调和平均值提升0.92%,且模型的整体收敛速度快。[结论]本研究采用的多尺度特征提取策略能准确、高效地分割根系,为作物根系表型研究提供重要的研究基础。展开更多
文摘[目的/意义]根系是植物组成的重要部分,其生长发育至关重要。根系图像分割是根系表型分析的重要方法,受限于图像质量、复杂土壤环境、低效传统方法,根系图像分割存在一定挑战。[方法]为提高根系图像分割的准确性和鲁棒性,本研究以UNet模型为基础,提出了一种多尺度特征提取根系分割算法,并结合数据增强和迁移学习进一步提高改进UNet模型的泛化性和通用性。首先,获取棉花根系单一数据集和开源多作物混合数据集,基于单一数据集的消融试验测试多尺度特征提取模块(Conv_2+Add)的有效性,与UNet、PSPNet、SegNet、DeeplabV3Plus算法对比验证其优势。基于混合数据集验证改进算法(UNet+Conv_2+Add)在迁移学习的优势。[结果和讨论] UNet+Conv_2+Add相比其他算法(UNet、PSPNet、SegNet、DeeplabV3Plus),mIoU、mRecall和根系F_1调和平均值分别为81.62%、86.90%和78.39%。UNet+Conv_2+Add算法的迁移学习相比于普通训练在根系的交并比(Intersection over Union,IoU)值提升1.25%,根系的Recall值提升1.79%,F_1调和平均值提升0.92%,且模型的整体收敛速度快。[结论]本研究采用的多尺度特征提取策略能准确、高效地分割根系,为作物根系表型研究提供重要的研究基础。
