基于CLAHE与U-Net模型的无人机桥梁裂缝检测方法

文章提出一种基于无人机与深度学习结合的桥梁表面裂缝分割方法。该方法采用无人机遍历桥梁各区域采集图像,通过网络传输到桥梁裂缝检测系统进行图像分析;采用U-Net深度学习网络对桥梁图像进行训练与特征提取,以提高系统准确率;针对图像存在光照不均匀、低对比度问题,采用对比度受限自适应直方图均衡化对数据进行处理以提高图像的边缘对比度,获得更细腻的裂缝特征。通过验证实验表明,该方法相比于原始的U-Net和YOLOv8-seg网络,其mAP分别提高了1.63%、2.01%。

基于U-Net模型的城建施工扬尘源识别与分类

城建施工不同环节均不可避免地存在各类施工扬尘,其中拆迁未建区与建设初期、中期和后期的建筑工地是城市施工产生扬尘的4类重要源头。以宁波市辖区的平原地区为研究区,选择2019年3—8月的谷歌地球高分遥感影像,基于U-Net模型的遥感影像语义分割的方法,并采用基于人工与空间关系的混合校正策略,开展施工扬尘源的识别与分类方法研究,结果显示:模型可以实现4类扬尘源的识别与分类;针对部分扬尘源识别与分类效果较差的局部地区,采用基于人工与空间关系的混合校正策略可以有效校正模型分类的结果;共识别到4类扬尘源940处,面积4430.23 hm2,主要集中在中心城区的中部地区,且拆迁未建区和建设初期工地的扬尘源较多,建设中期和后期工地的扬尘源相对略少。

改进U-Net模型在心包积液超声心动图图像分割中的应用

心包积液是由多种因素引起的心包腔内液体积聚,超声心动图是其常用的诊断工具,但由于图像噪声、回声变化和分割区域形状不规则等问题,常导致定位困难。本文提出了一种改进U-Net模型,并探讨其自动分割心包积液超声心动图图像的应用价值。本文纳入公开数据集Pericardial-Effusion-experimental-data中2541组(共5082张图片)数据,以7∶3的比例分为训练集(1779组,3558张图片)和公开测试集(762组,1524张图片),另纳入山东第二医科大学附属医院的心包积液患者超声心动图图像38张作为外部测试集。基于训练集对U-Net模型进行改进,具体方法包括引入多尺度特征提取模块和Dropout2d机制,以增强模型的泛化能力和分割精度;在下采样过程中应用LeakyReLU激活函数,提高模型的非线性表达能力;在卷积层中采用反射填充,优化积液区边界的轮廓。比较改进前后U-Net模型在公开测试集和外部测试集上的准确率、召回率、精确度和F1分数,结果显示,改进后U-Net模型在公开测试集和外部测试集中的准确率分别为96.97%和98.00%,召回率分别为91.47%和80.03%,精确度分别为69.84%和52.20%,F1分数分别为77.34%和60.86%。上述结果表明,改进U-Net模型具有较好的泛化能力,为心包积液超声心动图图像的自动分割提供了一种有效的解决方案,能够在提高诊断效率的同时,确保较高的准确率。

改进U-Net模型在遥感影像建筑物提取中的应用

针对传统遥感影像建筑物方法提取背景复杂影像时存在的精度低、图像边缘预测效果差等问题,本文在U-Net模型的基础上提出一种改进模型。首先,为防止过拟合现象产生,向U-Net收缩路径中加入随机失活(Dropout)函数;其次,为提升模型训练速度,向扩张路径中加入批量归一化层;最后,为提升模型的图像边缘预测效果,选择联合损失函数为模型损失函数。通过武汉大学(WHU)建筑物数据集进行实验,结果表明本文模型在建筑物提取完整度、边界分割精度等方面都有不错的表现,尤其是针对较小建筑物的提取效果更好,其中精度指标UIo、AO、Kappa系数分别达到了76.876%、91.413%、81.225%,相比对比模型的精度指标更优,从而验证了本文方法的可靠性。

基于改进U-Net模型的地震波初至到时拾取分析

为了提高地震波的拾取精度,在分析U-Net工作机制的基础上设计一种优化后的U-Net模型。该模型由桥接、编码、解码共同构成。用卷积神经网络进行分类,利用池化操作提取低层次特征参数,由于选择池化操作模式时会引起拾取精度的明显降低,故选步长为4的卷积方式。根据评价指标判断STA/LTA、U-Net与改进U-Net 3种方法的处理性能。研究结果表明:利用Tensorflow与Keras对网络实施训练,改进U-Net模型达到了99%的精度。epcho由10提高至50,P波参数识别准确率从72%提高至94%,S波识别准确率从63%提高至94%。最初损失为10.25,经过训练后100个epcho减小至0.15。改进U-Net相对传统地震信号处理方法达到了更优的查准率、查全率与F_(1)分值指标,采用卷积神经网络进行处理时则可以利用卷积操作提取地震波形特征产数,具备更强的适应性。

基于U-Net模型的建筑结构裂缝分割数字化处理方法研究

混凝土结构裂缝是一种常见的病害问题,由于引起结构开裂的因素较多,且建筑结构物开裂形态各异。因此,针对上述问题,文章提出一种基于U-Net模型的建筑结构裂缝识别方法,实现裂缝识别的数字化与智能化。以U-Net网络为基础,建立了离散性相对较强的训练集与验证集。在下采样和上采样过程中,进行最大池化与反卷积操作,进行架构调整,并通过Dice系数对模型进行评价。结果表明,利用该方法能够高效且较为准确地进行建筑结构裂缝数字化识别,提高结构病害检测效率。

改进U-Net模型支持下的高密度激光点云在沥青道路病害识别中的应用

现有的神经网络模型能在一定程度上实现自动识别路面病害,但在实际应用中,检测准确率无法满足道路安全运维的需求,容易出现病害的漏检和误检。针对上述问题,本文提出了一种融合灰度图像和深度图像的U-Net改进模型。首先利用深度图特征,实现自动剔除无病害数据,减轻模型的运算量;然后在传统的U-Net模型结构基础上加入全局上下文模块,在实现网络轻量化的基础上提升了网络性能;最后加入路面深度图高程信息,使模型的训练数据由一维变为二维。基于病害范围与路面深度图,获取路面病害深度参数。试验结果表明,本文提出的融合灰度图像和深度图像的U-Net改进模型在全局识别准确率、精准率、召回率、综合评价指标和mIoU指标上分别为99.09%、84.69%、81.64%、91.67%和84.58%,均高于其他两种同时进行测试的模型。在路面病害检测结果中,本文方法比其他4种模型提高了99.07%。因此,本文算法可以用于有噪声干扰的复杂场景,且能够平滑、高效地提取路面裂缝,具有较强的稳健性,可为后续的路面修复工作提供重要参考。

多尺度卷积核U-Net模型的视网膜血管分割方法

针对病变视网膜血管结构的计算机辅助诊断问题,提出了一种多尺度卷积核U-Net模型的视网膜血管分割方法.在U-Net模型基础上设计了融合Inception模块和最大索引值上采样方法的多尺度卷积神经网络结构.在网络训练阶段,采取旋转、镜像等操作进行数据集扩充,运用CLAHE算法进行图像预处理;训练后得到的双通道特征图,进行Softmax归一化;最后通过改进的代价损失函数对归一化结果迭代优化,得到完整的视网膜血管分割模型.实验结果表明,所提方法在DRIVE数据集上分割的准确率达到0.9694,灵敏性达到0.7762,特异性达到0.9835,比U-Net模型具有更优的分割效果和泛化能力,与其他现存方法相比具有一定的竞争力.

改进U-Net模型的保护性耕作田间秸秆覆盖检测

为了适应保护性耕作秸秆还田监测的技术需求,提出了一种改进的U-Net语义分割算法对秸秆覆盖率进行检测。首先,提出一种新的卷积模块代替原始U-Net框架中的卷积模块;其次,改进Inception结构,引入条纹池化和高效空间金字塔空洞卷积模块,形成新的Gception结构;最后,在模块中引入注意力机制。利用无人机采集田间地表图像,将改进的U-Net模型应用于自标注田间秸秆图像分割,与U-Net,PSP-Net,Link-Net,Res-Net,DSRA-Unet和DE-GWO算法进行对比实验,得到的平均交并比为80.05%,平均像素精确度为91.20%,覆盖率平均误差为0.80%。实验结果表明,改进U-Net模型的分割结果优于对比算法,能够保证特征提取的有效性和全局特征的完备性,有效剔除树影以及田内其他干扰因素。该模型适用于含有农机和树影等干扰的田间复杂场景,在大尺度图像中亦可获得较好的分割效果,可为大面积秸秆覆盖率检测提供技术支持。

基于U-net模型的航拍图像去绳带方法

光启云端号平台是用电缆绳索牵引气囊的,由于空中航拍摄像系统悬挂在气囊下方,摄取的图像不可避免地含有绳带信息,这些绳带信息影响图像质量,所以在场景分析和目标检测中需要剔除。提出一种基于U-net模型的绳带检测算法,引入深度可分离卷积提高计算速度,采用一种带权重的交叉熵作为损失函数,解决类别不均衡带来的收敛不稳定问题,最终的模型能够用较少的样本在较短的时间内,快速准确地检测绳带,利用快速行进修复算法(FMM)对绳带图像进行了修复。实验结果表明:该算法的mIOU达到62.8%,得到了较好的去绳结果。

U-net模型在高分辨率遥感影像水体提取中的应用

选择安徽省巢湖流域为研究区,采用U-net模型和随机森林模型,对高分一号(GF-1)高分辨率遥感影像进行水体信息提取,并对比分析了2种模型的水体提取结果和效率。结果表明:①对于大面积水体,2种模型的水体提取结果均具有较高的精度;②对于小面积水体,随机森林模型水体提取结果存在较多细碎图斑,U-net模型水体提取结果和人工目视解译结果更加符合;③对于遥感影像中城市建筑物阴影和山体阴影,U-net模型能较好地消除阴影影响,正确提取水体,而随机森林模型存在较多将阴影误分为水体的现象;④总体来看,在复杂地表覆盖类型条件下,U-net模型提取水体的总体精度为98. 69%,Kappa系数为0. 95,均高于随机森林模型,在2种模型漏分误差相当的情况下,U-net模型错分误差远小于随机森林模型。U-net模型避免了人工提取分类特征的过程,自动化程度更高,训练效率较高,适用于遥感影像中水体高精度提取。

基于图像和改进U-net模型的小麦赤霉病穗识别

为了快速、有效地监测小麦赤霉病的发生情况,利用数码相机对人工接种赤霉病菌的小麦田进行RGB图像获取,在图像预处理基础上,利用深度学习网络U-net来对人工标记好的发病麦穗图像进行训练。通过深度学习数据集的构建与测试,建立了基于RGB图像和改进U-net网络模型的小麦赤霉病识别与监测模型,并对模型识别结果进行了验证。结果表明,U-net可以很好地提取图像波段信息,但对于比较复杂的麦穗图像,在使用Keras方法进行图像语义分割时,需要对U-net网络结构进行改进,即在下采样部分加入Dropout层。与人工标记结果相比,模型识别结果的一致性较好,具有较高的监测精度。该模型平均精度为0.9694,损失函数值为0.0759,平均交并比MIoU为0.799。上述结果说明改进的U-net模型可以很好地识别和监测小麦图像中的发病麦穗,并在发病麦穗的分割上具有很好的效果.

基于U-net模型的全自动鼻咽肿瘤MR图像分割

鼻咽肿瘤生长方向不确定,解剖结构复杂,当前主要依靠医生手动分割,该方法耗时久同时严重依赖于医生的经验。针对这一问题,基于深度学习理论,提出一种基于U-net模型的全自动鼻咽肿瘤MR图像分割算法,利用卷积操作替换原始U-net模型中的最大池化操作以减少特征信息的损失。首先,从所有患者的肿瘤切片中提取大小为128×128的区域作为数据样本;然后,将患者样本分为训练样本集和测试样本集,并对训练样本集进行数据扩充;最后,选择训练样本集中所有数据用于训练网络模型。为了验证所提模型的有效性,选取测试样本集中患者的所有肿瘤切片进行分割,最终平均分割精度可达到:DSC(Dice Similarity Coefficient)为80.05%,PM系数为85.7%,CR系数为71.26%,ASSD(Average Symmetric Surface Distance)指标为1.156 8。与基于图像块的卷积神经网络(CNN)相比,所提算法DSC,PM(Prevent Match)、CR(Correspondence Ratio)系数分别提高了9.86个百分点、19.61个百分点、16.02个百分点,ASSD指标下降了0.436 4;与全卷积神经网络(FCN)模型及基于最大池化的U-net网络相比,所提算法的DSC、CR系数均取得了最优结果,PM系数较两种对比模型中的最大值低2.55个百分点,ASSD指标较两种对比模型中的最小值略高出0.004 6。实验结果表明,所提算法针对鼻咽肿瘤图像可以实现较好的自动化分割效果以辅助医生进行诊断。

应用U-Net模型和多时相Landsat-8影像对森林植被的分类

为了探讨深度学习全卷积神经网络模型(U-Net)在多时相Landsat-8影像上的森林植被分类效果,以黑龙江孟家岗林场为研究区,采用多时相的Landsat-8影像为数据源,根据各森林类别多时相的光谱曲线确定分类的最佳时相,并对优化后的U-Net模型进行训练并验证。同时,进一步构建多时相植被指数特征,训练分类模型并对森林植被进行分类,比较优化后的U-Net分类方法和最大似然分类法的分类精度。结果表明:加入多时相植被指数的U-Net模型分类精度为83.5%,比单一时相分类精度高6.1%;优化后的U-Net模型分类方法精度明显高于最大似然分类方法,说明加入多时相植被指数的U-Net模型分类方法可以有效的提高森林分类精度。

基于U-Net模型的多时相Sentinel-2A/B影像林分类型分类

[目的]基于多时相Sentinel-2A/B影像,探究深度学习模型在森林植被上的分类效果。[方法]以黑龙江省孟家岗林场为研究区,以多时相Sentinel-2A/B影像、数字高程模型(DEM)为数据源,通过各森林类别的JM距离,确定最佳单一时相。同时,构建多时相植被指数及红边指数特征(DVI、mNDVI、CIred-edge、NDre1)。采用支持向量机和优化的U-Net模型分别对单一时相+DEM和单一时相+DEM+多时相植被指数两种方案进行分类实验。[结果](1)在单一时相+DEM基础上,加入多时相植被指数后,U-Net模型精度为77.87%,比单一时相+DEM精度高6.67%;(2)U-Net模型的总体精度明显优于支持向量机,并且分类效果更好。同时,深度学习U-Net模型能够避免“椒盐”现象,分类结果更细腻。[结论]基于多时相Sentinel-2A/B影像,构建植被指数及红边指数时序特征,同时采用U-Net模型在一定程度上能够提高林分类型分类精度。

基于U-Net模型和FCM算法的番茄穴盘苗重叠幼叶分割方法

针对传统方法对番茄穴盘苗重叠幼叶图像分割精度较低、背景剔除困难的问题,提出一种基于U-Net模型和模糊C均值聚类(FCM算法)相结合的图像分割方法。首先用ExRG法对图像的背景进行剔除,得到待分割幼叶的主体区域,对图像进行预处理。其次建立数据集,训练网络模型,用预训练的U-Net模型分割幼叶主体区域,提取其过渡区域;同时用FCM算法分割幼叶主体区域,提取其过渡区域。然后结合FCM算法分割得到的过渡区域和U-Net模型分割得到的过渡区域,得到重叠叶片的最终分割结果。最后,为了得到精准的评估结果,将重新连接的过渡区域进行填充,并与其他文献所述的算法进行对比分析。结果表明,所提出的基于U-net模型和FCM算法对穴盘苗幼叶轮廓分割的结果更加准确,泛化性更强。证明对番茄幼苗叶片图像分割的有效性,为幼苗生长状况的检测研究提供了支持。

U-Net模型对不同空间分辨率防护林提取精度的影响

针对当前无人机影像获取精度高但数据规模小的问题,本文提出通过U-Net模型探讨不同空间分辨率对防护林提取精度的影响。以CW-20复合翼无人机搭载Micro MAC12 Snap多光谱传感器获取的300 m(空间分辨率0.15 m)、400 m(空间分辨率0.20 m)、500 m(空间分辨率0.25 m)3种不同高度的遥感影像为例,试验结果证明,3种不同高度的影像提取精度误差在1.3%以内;MIoU误差在3.7%以内。空间分辨率对防护林提取精度的影响较小,高空间分辨率的影像数据并不能显著提升防护林的提取精度。本文为大规模农林业遥感监测的数据源获取提供了理论依据。

基于U-Net模型的无人机影像数据地表覆被信息自动提取研究

基于深度学习和无人机获取的高分辨率影像是快速提取林地等地表覆被空间信息的一种新方法。为给后续的林地覆被空间信息自动提取提供技术参考,以南宁市上林县某村的甘蔗(Saccharum officinarum)种植区为研究对象,采用UNet模型对研究区无人机正射影像进行甘蔗种植区的空间位置信息提取。针对目标区域样本数据缺少的问题,首先采用数据增广方式对训练数据集进行增广,然后采用迁移学习的方法在开源数据集预训练U-Net模型,最后利用预训练UNet模型对研究区的影像数据进行训练和测试。结果表明,该方法从正射影像中提取甘蔗种植区空间位置信息的准确率、精确率和召回率分别为98.34%、93.10%和89.21%,不受甘蔗种植区分布密集程度的影响。

基于改进U-Net模型的心电波形分割

基于U-Net框架提出一种新的算法用于心电波形的分割。该方法将一定长度的心电信号作为输入,输出P波、QRS波和T波的分割图像,同时定位各个特征波的起始点和终止点,创新性地提出了多通道空洞卷积加上注意力机制的模型结构,并设计了一种数据增强公式用于增加数据的多样性。本研究提出的方法在LUDB上进行训练测试,在QTDB上验证算法的泛化能力。实验结果表明,所提的算法在LUDB的平均灵敏度、平均阳性预测率、平均F1分数分别为99.41%、98.90%、98.75%;在QTDB的平均灵敏度、平均阳性预测率、平均F1分数分别为98.65%、98.43%、98.23%,这说明本文算法效果更好,并具有优异的泛化性能。

基于U-Net模型的含杂水稻籽粒图像分割

含杂率是水稻联合收获机的重要收获性能指标之一,作业过程中收获籽粒掺杂的杂质包含作物的枝梗和茎秆等,为了探索籽粒含杂率和机器作业参数之间的关联,需要实时获取籽粒含杂率数据。该文基于机器视觉的U-Net模型对联合收获机水稻收获籽粒图像进行分割,针对传统分割算法中存在运算量大、耗时多、图像过分割严重和分割参数依赖人为经验难以应对各种复杂谷物图像等问题,采用深度学习模型多次训练学习各分割类别的像素级图像特征,提出基于U-Net深度学习模型的收获水稻籽粒图像中谷物、枝梗和茎秆的分割方法,采用改进的U-Net网络增加网络深度并加入Batch Normalization层,在小数据集上获得更丰富的语义信息,解决图像训练数据匮乏和训练过拟合问题。选取田间试验采集的50张收获水稻籽粒图像,采用Labelme方式进行标注和增强数据,裁剪1000张256像素×256像素小样本,其中700张作为训练集,300张作为验证集,建立基于改进U-Net网络的收获水稻籽粒图像分割模型。采用综合评价指标衡量模型的分割准确度,对随机选取的60张8位RGB图像进行验证。试验结果证明,水稻籽粒的分割综合评价指标值为99.42%,枝梗的分割综合评价指标值为88.56%,茎秆的分割综合评价指标值为86.84%。本文提出的基于U-Net模型的收获水稻籽粒图像分割算法能够有效分割水稻籽粒图像中出现的谷物、枝梗和茎秆,时性更强、准确度更高,可为后续收获水稻籽粒图像的进一步识别处理提供技术支撑,为水稻联合收获机含杂率实时监测系统设计提供算法参考。