基于改进U-net的少样本煤岩界面图像分割方法

煤岩图像语义分割技术是煤岩界面识别的重要研究方向,现有的语义分割模型通常依赖于大样本数据集进行训练,然而目前已标注的煤岩图像数据样本难以获取,并且缺乏公开数据集。针对以上问题,提出了一种基于改进U-net模型的样本煤岩界面图像分割模型。将裁剪后具有更强特征提取能力且结构上更为简单的VGG16替换U-net的原始骨干特征提取网络,提升对图像信息的特征提取能力并获得更快的训练速度,在U-net网络的跳跃连接和解码器上采样部分引入注意力机制模块,对提取的特征层进行处理,提升模型对煤岩界面图像关键特征的提取能力,提高分割精度。使用迁移学习方法对改进的模型进行预训练,提高模型泛化能力同时避免过拟合,使模型更适用于小样本数据集训练。通过使用自制的煤岩界面数据集对所改进的网络模型性能进行验证,并将该模型与经典Unet、DeepLabv3+、PspNet、HrNet网络模型进行了对比。试验结果表明:在同样使用由125幅煤岩界面图片构建的小样本数据集进行训练的情况下,所提改进模型相较于经典U-net模型在分割精确度和检测效率方面都有显著提升,模型精确度提高了1.84%,平均交并比提高了5.34%,类别平均像素准确率提高了0.48%,检测速度增幅为5.3%。同时,与其他网络模型相比,所提改进模型在小样本煤岩界面图像的语义分割中优势显著,表明所提改进思路的有效性。

基于残差U-Net和自注意力Transformer编码器的磁场预测方法

利用有限元方法对几何结构复杂的电机和变压器进行磁场分析,存在仿真时间长且无法复用的问题。因此,该文提出一种基于残差U-Net和自注意力Transformer编码器的磁场预测方法。首先建立永磁同步电机(PMSM)和非晶合金变压器(AMT)有限元模型,得到深度学习训练所需的数据集;然后将Transformer模块与U-Net模型结合,并引入短残差机制建立ResUnet-Transformer模型,通过预测图像的像素实现磁场预测;最后通过Targeted Dropout算法和动态学习率调整策略对模型进行优化,解决拟合问题并提高预测精度。计算实例证明,ResUnet-Transformer模型在PMSM和AMT数据集上测试集的平均绝对百分比误差(MAPE)均小于1%,且仅需500组样本。该文提出的磁场预测方法能减少实际工况和多工况下精细模拟和拓扑优化的时间和资源消耗,亦是虚拟传感器乃至数字孪生的关键实现方法之一。

基于U-NET的双分支海上SAR溢油检测模型

为提高海上溢油SAR(Synthetic Aperture Radar)检测的准确率,本文提出一种基于U-NET和注意力门的海上溢油SAR检测模型(AW-net),该模型将U-NET中传统的单输入编码器替换为双分支编码器,分别输入纹理特征和SAR灰度特征,并进一步采用注意力门融合纹理信息和灰度信息。实验利用1景海丝一号(HISEA-1)SAR数据构建样本训练集进行AW-net模型训练,分别应用1景HISEA-1 SAR数据和1景Radarsat-2SAR数据开展模型测试,溢油检测准确率均优于U-NET、AttentionU-NET和FCN等语义分割模型,说明该模型具有较强的强鲁棒性和应用潜力。

面向青花瓷碎片图像的U-Net++拼接网络

针对现有图像拼接方法存在拼接处伪影以及非重叠区域内容失真,导致较低的准确性和鲁棒性的问题,提出一种基于U-Net++消除伪影的青花瓷碎片图像拼接方法.首先估计待拼接图像单应性矩阵;然后将单应性矩阵应用于结构拼接阶段,得到图像粗拼接结果;最后以图像粗拼接结果作为先验信息,在内容校正阶段改进现有的U-Net,利用U-Net++细化粗拼接结果,得到最终图像精确拼接.以青花瓷碎片图像数据集与相关经典方法进行实验的结果表明,在3个评价指标中,所提方法的峰值信噪比提高约13%,均方根误差降低约33%,均方误差降低57%左右;该方法具有较小的误差比,不仅能够提高图像拼接质量,而且表现出较好的鲁棒性.

基于多尺度U-Net与Transformer特征融合的航空遥感图像飞机检测方法

航空遥感图像(ARSI)飞机检测一直是一个重要且具有挑战性的课题。针对现有ARSI飞机检测方法(ARSIAD)检测目标的边缘模糊、小目标的检测精度低、没有充分利用ARSI的全局上下文信息等问题,提出一种基于多尺度U-Net与Transformer(MSU-Trans)特征融合的ARSIAD方法。通过多尺度卷积模块Inception提取ARSI中多样性目标的分类特征,通过Transformer增强模型的全局语义检测性能,通过特征融合模块整合高层和低层特征,得到航空目标图像完整的边缘和纹理特征。该模型结合多尺度U-Net较强的局部特征提取能力和Transformer较强的全局上下文依存关系提取能力,进而提高MSU-Trans的整体检测性能。在ARSI集上的试验表明,与U-Net、多尺度U-Net、注意力U-Nets相比,MSU-Trans具有较高的检测精度,精度超过95%,该方法为ARSIAD提供一定的技术支撑。

基于改进U-Net的根系表型参数测量系统

为解决背景噪声干扰下,从微根管采集的原位根系图像中难以直接提取准确的表型参数问题,提出一种基于改进U-Net的微根管根系表型参数测量系统。在U-Net网络中引入优化后的空洞空间金字塔池化模块(Atrous Spatial Pyramid Pooling,ASPP)和高效通道注意力模块(Efficient Channel Attention,ECA),增大感受野,提升模型捕捉根系细节特征的能力,获取精确的根系分割图像。结果表明,改进的U-Net模型平均交并比和平均像素精度分别为87.07%和91.85%,相较原始U-Net分别提高了2.49%和2.3%。与WinRHIZO根系分析软件测量值相比,根长度和面积决定系数分别为0.951 8和0.984 9,Spearman相关系数分别为0.972 5和0.975 7,可以实现根系长度和面积的准确测量。

基于U-net神经网络的油浸式变压器绕组流-热耦合快速计算

该文针对采用传统数值方法进行大型油浸变压器绕组温升仿真时间较长的问题,提出一种基于U-net神经网络训练的快速计算方法,可以迅速地预测变压器绕组温升及热点。首先,根据流热耦合原理筛选输入变量,并运用流热耦合方法计算不同工况下的输出结果,并将之制作成训练集和测试集。同时,详细讨论3个对网络训练影响最显著的超参数;其次,将归一化后的训练集输入U-net神经网络进行训练,并设置超参数最佳组合;最后,将预测集输入训练好的模型进行预测计算及反归一化操作,预测绕组热点与Fluent仿真结果相差仅0.44 K,单次仿真时间从200 s缩短为0.07 s。预测结果与实验温度平均误差最大为2.31 K,最小为0.98 K,预测方差为0.31左右。结果表明:该方法可用于快速获得油浸式变压器绕组的温度及热点,可满足变压器温度热点数字孪生的实时性仿真要求。

应用自适应注意力机制U-net的地震数据高分辨处理

随着油气勘探开发的不断深入,薄储层与岩性油气藏逐渐成为重要的勘探目标,这也对地震资料的分辨率提出了更高的要求。文中提出了一种基于自适应注意力机制的U-net地震数据高分辨处理方法。该方法首先利用U-net结构学习地震数据的特征表示,通过下采样过程的编码器提取地震数据的抽象特征,然后通过上采样的解码器进行特征重建和细化。在上采样的过程中引入了注意力机制,用于自适应地调整网络对不同地震特征的关注程度,网络能够更加有效地捕捉到地震数据更多的细节和特征。Marmousi模型合成地震记录和实际数据实验结果表明,新网络比原U-net误差更小、更稳定,可有效提高预测精度,实现对地震数据的高分辨率处理。

基于改进Faster R-CNN与U-Net算法的桥梁病害识别与量化方法

为实现桥梁病害检测的自动化,对基于图像处理技术的混凝土桥梁表观病害的智能识别和尺寸确定方法展开研究.提出基于改进Faster R-CNN算法的病害识别方法,利用K均值聚类和遗传算法对区域候选网络锚框进行优化设计;以裂缝预测区域为基础,提出ResNet34结合U-Net的裂缝形态提取方法,并结合裂缝形态学研究了裂缝像素宽度和长度的确定方法.结果表明:锚框优化设计可改进Faster R-CNN算法的表观病害识别效果,5类常见病害的预测准确率、召回率、平均精确率分别由68.40%、69.87%、74.64%提升到85.40%、83.59%、83.72%;利用病害预测框,结合改进U-Net算法的裂缝像素尺寸计算,可实现裂缝病害尺寸的自动测量;基于改进Faster R-CNN和改进U-Net的方法可实现混凝土桥梁常见病害的智能识别和尺寸量化,从而提高桥梁病害检测效率并促进桥梁技术状况评定的智能化.

一种改进U-Net网络的心电图分类算法研究

基于CPSC-2018十二导联数据,提出了一种U-Net网络和注意力机制结合的心电图分类算法。首先,针对数据集数据长度长短不一的问题,对数据进行等长处理和归一化处理。然后,利用U-Net网络中跳层连接和编码解码方式,对预处理后较长的数据进行处理。在U-Net网络解码的最后一层加入注意力机制对抗噪声,提升模型的有效信息关注度和准确性。最后,利用CPSC-2018数据集进行验证。实验结果表明:所提模型能够取得较好的分类效果,识别房颤(AF)和右束支传导阻滞(RBBB)心律失常的精准率、召回率、F1值都可以达到90%以上,平均F1值可以达到82.5%。

基于改进U-Net的轻量级眼底病变分割算法设计

精准的糖尿病视网膜病变的分割是实现视网膜病变自动诊断的前提条件和关键步骤,然而现有大部分的分割模型存在着参数量大、模型训练效果不理想、甚至是无法正常处理数据集等局限性。为此,在原U-Net网络中加入改进的Ghost卷积模块与多尺度特征融合模块,提出一种改进U-Net眼底病变分割图像的算法。该模型能以少量的参数量、较低的计算复杂度获得良好的分割结果。利用GhostModel替换原始卷积,设计出Ghost卷积与Ghost下采样卷积模块,在保证准确度的同时降低参数量;设计出一种轻量级的Half-UNet多尺度特征融合模块来获取多尺度信息,针对不同尺度病变目标,引入CBAM注意力机制以改善其适应性,从而更好的提取细小的病变信息。改进后的模型在e_optha与IDRiD两个公开数据集上的mIoU分别为61.42%、61.84%,F1-Score分别为70.59%、69.41%。模型参数量、FLOPs分别仅为5.48M、35.46GMac,较U-Net、Att-UNet等模型更加精简,分割精度更高。

基于MSCAU-Net的视网膜眼底图像的硬渗出液分割

硬渗出液是早期糖尿病性视网膜病变(diabetic retinopathy,DR)的主要病症之一,在眼底图像中占据的像素点较少,其检测容易受视盘、软渗出液的干扰。针对这些问题,在U型网络(U-Net)结构的基础上,通过在编码器和解码器中融入残差模块和残差通道注意力模块学习硬渗出液的细微特征,在跳跃连接中加入一种新的多尺度通道注意力(multi-scale channel attention,MSCA)模块提升网络对稀疏小病灶的分割能力,提出了MSCA U-Net。基于超广角眼底图像数据集和印度糖尿病性视网膜病变图像数据集的实验结果表明,与其他基于卷积神经网络的图像分割方法相比,所提方法具有更高的硬渗出液分割精度。

基于AttentionR2U-net的岩石(体)关键节理智能识别与参数提取

针对岩石(体)表面复杂节理网中关键节理的智能识别与参数提取问题,提出一种基于AttentionR2U-net网络与节理几何特征模型耦合识别的方法.在R2U-net网络的基础上引入注意门(attentiongate)改进网络,通过定性与定量的方法对边坡节理图像和混凝土、龟裂土、常见脆性岩石裂隙图像的识别结果分别作准确性及泛化能力检验;利用AttentionR2U-net网络耦合节理几何特征的方法识别关键节理,提取原始节理和关键节理的几何参数并对其迹长、面积及倾角作差异性分析.研究结果表明:针对岩石(体)节理识别,本文算法的Dice相似系数从U-net网络的0.965提升至0.990,且明显优于传统算法,故本文算法在岩石(体)节理识别上具有更强的可靠性与优越性;针对混凝土、龟裂土和大理岩、花岗岩、砂岩等脆性岩石裂隙的识别,本文算法的Dice相似系数均在0.953以上,故本文算法具有较强的泛化能力.与原始节理网络相比,关键节理网络优势迹长由0.732m显著增大至1.835m,节理倾角分布形式和优势倾角组均不变,优势迹长和倾角的节理占比均显著增大.

基于选择性自校正卷积U-Net的肺部X射线图像肺实质分割

针对U-Net分割算法无法提取多尺度特征、易受到伪影和噪声干扰而导致在肺部X射线图像中肺实质分割不精确的问题,提出一种基于选择性自校正卷积的U-Net改进算法。改进后的U-Net算法将普通卷积模块替换为选择性自校正卷积模块,该模块采用多分支结构提取多尺度特征信息,使用Sigmoid函数和Softmax函数对多尺度特征信息进行选择性校正,使校正后的特征信息聚焦于肺实质区域,输出特征更加具有针对性。实验表明,该方法对骰子系数、交并比、F_(1)评分结果以及对肺实质分割结果都有一定程度的提升。

基于U-net和胶囊网络的图像语义分割结构研究

目的 针对苹果病害中比较常见的症状——花叶病,尤其在昼夜温差大的条件下发病迅速,落叶率提高,造成苹果大面积减产,产生巨大的经济损失;对于花叶病病斑数量太多,尺度不一的影响,从而造成病害识别准确率较低等问题,提出了一种引入迁移学习和胶囊网络的方法,以提高病害识别率。方法 首先对获得的花叶病数据集进行扩充、数据增强等处理,并利用Labelme工具对图像进行标注,分别标记出病斑区域和叶片区域;其次将训练好的VGG16模型权重通过迁移学习技术移至U-net中编码部分,并引入胶囊网络,使得整个网络具有更强的特征提取能力;然后对VGG16模型、胶囊网络部分进行训练,最后将训练好的网络模型进行语义分割并输出测试的结果。结果 实验结果表明,原始数据集的准确率为87.51%,引入迁移学习后的准确率提升至91.78%,提升了4.88%;引入胶囊网络的准确率提升至90.04%,提升了2.89%;而引入迁移学习和胶囊网络之后,准确率提升至93.42%,提升了6.75%。并且模型每一轮的训练时间也在引入了迁移学习后提升了2 s。结论 据实验结果可以证明模型方法引入迁移学习和胶囊网络后,相较于传统模型在识别准确率方面有了一定的提升,其次也减少了每一轮的模型训练时间,总体分割性能较好。

基于双重注意力U-Net的砌体结构震害裂缝检测

【目的】砌体结构震害裂缝严重影响结构安全。在震后应急响应阶段,对结构各部位进行裂缝检测是结构安全鉴定的重要依据。为提高检测效率,提出一种改进的多目标语义分割算法,即双重注意力UNet(dual attention U-Net,DA U-Net)。【方法】首先,为支持模型的训练,创建一个手工标记的数据集,并采用数据增强策略保证网络学习到更多的裂缝细节特征;其次,使用VGG16(visual geometry group 16-layer)网络替换U-Net主干特征提取网络,并且在跳层连接处嵌入卷积块状注意力模块和非局部注意力机制,有利于改善裂缝边缘分割不完整和全局特征信息利用不充分的问题,以及有效利用浅层特征信息来加强特征表示;最后,用亚像素卷积取代原上采样操作,补充低分辨率像素缺失的语义信息。【结果】改进DA U-Net网络在分类准确率和分割精度上均达到最佳表现。精度评价指标F_(1)分数(F_(1) score)指标E_(F_(1))、平均像素精度(mean pixel accuracy,MPA)指标E_(MPA)和平均交并比(mean intersection over union,MIOU)指标E_(MIOU)达到84.66%、91.57%和81.50%,相比U-Net网络的分割精度均提高5.00%以上。选择合适的主干网络能更好地捕捉和表征数据的复杂特征,同时对全局空间位置信息关注度也更高。【结论】改进算法可显著提升对裂缝识别和定位的准确性,以及对裂缝的整体形态、走向和交融情况的分割完整性,增强多组合裂缝分割精度,为震后砌体结构房屋安全鉴定提供一种有效的检测方法。

基于Pyramid-Attention-U-Net深度学习模型的实时拓扑优化设计

拓扑优化设计可为现代工程提供具有卓越热学、力学及声学等多学科性能的创新型结构,移动变形组件法(Moving Morphable Components,MMC)以其独特的显示拓扑优化方法备受青睐,MMC法通过一系列可移动变形的显示组件间的移动、变形、重叠实现边界演化以完成结构优化的目的。该文利用椭圆形初始组件替代原有直线型骨架厚度二次变化组件进行拓扑优化。在减少设计变量次数的同时,可缩短一定的计算时间,但在实际计算中,随着初始组件单元数增加,中间迭代计算过程时间依旧相对较多,为精确实时获取拓扑优化构型,该文引入Pyramid-Attention-U-Net(PA-U-Net)深度学习模型加速优化设计,避免中间迭代计算过程。研究结果表明:该方法不仅在可忽略的计算时间内准确实时获取不同参数下的初始组件拓扑构型,而且准确率可达90.89%,高于其他深度学习网络模型。同时这种将深度学习与拓扑优化方法有机结合的形式在大型工程结构优化设计中具有广阔的应用前景。

基于改进U-Net模型的遥感影像道路提取方法研究

针对高分辨率遥感影像背景信息复杂,道路提取难度大,自动化程度低等问题,论文提出了一种改进的U-Net的道路提取方法。首先,编码器使用VGG16网络结构替代原始U-Net编码器结构;然后,在每个编码器和解码器块后加入特征压缩激活模块(SENet)增强网络特征学习能力;最后,使用Dice损失函数和二分类交叉熵损失函数复合的损失函数进行训练,减轻了道路提取任务中的样本不平衡问题。在Massachusetts Road数据集上的结果表明,改进后的算法对道路提取结果得到了有效的提升。所提方法在测试集上的精确度、召回率、F1-score和mIoU评价指标分别达到82.5%、77.8%、80.0%及82.1%,在测试影像中对错综交叉的道路具有更好的识别效果。

基于改进3D U-Net模型的肺结节分割方法研究

由于肺部CT图像的特征信息复杂度较高,经典3D U-Net网络在肺结节分割方面准确率较低,存在误分割等问题。基于此,提出一种基于改进3D U-Net的网络模型。通过将加入了密集块的3D U-Net网络和双向特征网络(Bi-FPN)融合,提高了模型分割精度。同时采用深度监督训练机制,进一步提高了网络性能。在公开数据集LUNA-16上对模型进行比较实验和评估,结果显示,改进后的3D U-Net网络,Dice相似系数较原模型提高4%,分割精度为93.9%,敏感度为94.3%,证明该模型在肺结节分割精度及准确率方面具有一定的应用价值。

DU-Net:基于改进型U-Net的视网膜血管分割模型

使用视网膜血管的图像可以识别各种疾病,很多眼部疾病需要通过眼球的毛细血管状况来进行判别,因此视网膜血管的准确分割对一些疾病的早期诊断非常重要。医疗影像数据量与U-Net模型在体量上相匹配,有效避免了过拟合。但U-Net网络通常包含大量的层和参数,特别是在处理大型图像数据集时训练和推理的时间较长。为更好地分割视网膜血管,提供一个基于改进U-Net的视网膜血管图像分割方式,用Do卷积代替U-Net路径上的卷积运算,在不增加网络推理运算的情况下加快收敛速度并改善网络性能。在DRIVE数据集上的实验结果表明,与原始U-Net相比,IoU提升了1.2%,Dice提升了1.7%,Global correct提升了0.1%。