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%。

改进的U-Net网络小断层识别技术在玛湖凹陷玛中地区三叠系白碱滩组的应用

利用改进的U-Net网络小断层识别技术,对准噶尔盆地玛湖凹陷玛中地区三叠系白碱滩组的小断层进行了识别。研究结果表明:(1)构造导向滤波预处理能有效改善地震资料的品质,提高断层识别的准确率。加入了跳跃连接和中继监督、正态标准化和聚焦均方损失函数的U-Net网络方法,对小断层的精细识别能力有所提升。(2)使用200组训练样本集和20组验证样本集,模型地震数据由反射系数与雷克子波褶积生成,断层由人工标注而成。选取最优的网络模型参数,并在合成的含噪地震数据上分别利用相干属性、常规U-Net网络方法及改进的U-Net网络方法进行测试,构造导向滤波有效突出了断层的边界,且增强了同相轴的横向连续性,改进后的U-Net网络方法对于7 m以上断距的断层可进行有效识别。(3)对于玛湖凹陷玛中地区三叠系白碱滩组高角度走滑断裂和伴生小断距次级断裂的识别,改进后的U-Net网络方法的识别精度明显高于相干属性和常规U-Net网络方法,研究区大侏罗沟断裂北翼的(3)号与(4)号砂体,是拓展MZ4井区三叠系白碱滩组高效勘探的有利区。

基于U-net网络的频散曲线自动拾取方法研究

频散曲线拾取是面波勘探的关键环节,旨在通过频散曲线反演出地下横波速度结构。然而目前频散曲线拾取工作主要依靠人工拾取,耗时耗力。为此,本文通过将频散曲线拾取问题看成是图像分割问题,引入U-net网络,发展出一种频散曲线的自动拾取方法。该方法使用频散能量图并使其作为数据集,使用人工手动拾取的频散曲线作为标签集;通过卷积神经网络经由上采样、下采样和跳层链接等步骤学习图片特征,实现频散曲线的自动拾取。模型测试结果验证了利用U-net网络提取频散曲线的准确性。最后本文将训练好的网络模型应用于冰岛南部Ölfusá河岸的Arnarbæli周边试验场地的实际数据频散曲线提取,并将提取结果与手动拾取的频散曲线进行对比。结果表明,利用U-net网络提取频散曲线预测速度快,预测512×512×3大小的图片耗时为96 ms,预测准确度高。

基于U-Net、U-Net++和Attention-U-Net网络的遥感影像水体提取

目前,深度学习在高分辨率遥感影像水体提取方面的应用已成为遥感领域的研究热点。其中基于U-Net网络的算法在水体提取中表现出较好的性能,但鲜有研究对不同U-Net网络算法在水体提取任务中的性能差异进行深入比较。因此,本文选择U-Net、U-Net++和Attention-U-Net 3种卷积神经网络,基于GID数据集,进行试验与定量分析。结果表明:U-Net++的训练精度最高,其次为U-Net、Attention-U-Net,三者分别为0.912、0.907、0.899;U-Net++的边缘提取能力优于其他两种网络;在分割不同类型水体和区分遥感影像中与水体区域相似的非水体区域上,U-Net++的提取效果显著,U-Net和Attention-U-Net易出现漏提现象,效果欠佳。

基于改进的U-Net网络模型的叶片病害检测

为了满足作物病虫害绿色防治对病虫害程度检测的需求,设计了一种改进的U-Net网络模型用于作物叶片病虫害程度的检测。首先,选择ResNet50网络作为模型的主干网络,借助迁移学习来提升训练收敛速度和降低计算成本。其次,引入注意力机制对U-Net网络的各层特征提取和融合进行优化,以提高网络模型接收关键信息的能力。实验结果表明,改进的U-Net512网络模型具有最优的检测性能,平均检测精度达到90.14%,平均绝对误差为276.3。通过分析模型不同采样深度下的各层特征图发现,注意力机制的引入使网络模型能够获取并融合叶片整体特征和病害区域特征两个维度的信息,进一步提升模型检测性能。这种方法不仅能够有效地检测作物叶片的病虫害程度,而且具有较高的准确性和可靠性,有助于实现作物病虫害的绿色防治。

基于改进U-Net网络的遥感图像山体滑坡分割提取

针对遥感图像山体滑坡分割提取难度大、精度低等问题,提出了一种基于改进U-Net网络的遥感图像山体滑坡分割提取方法。首先将原始网络中的特征提取模块用残差网络ResNet进行替换,加深网络防止梯度消失,可以学习到更深层的特征;其次,融入(multi-scale features fusion module)多尺度特征融合注意力模块增强发现山体滑坡区域的能力;最后,采用广义的损失函数FTL(Focal Tversky Loss)替换带权重的交叉熵损失函数以平衡准确率和召回率之间的关系。实验结果表明,改进后算法mIoU为65.92%,比改进前提升了2.5个百分点,mPA为73.93%,比改进前提升了3.56个百分点,F1-score综合得分指标为60.08%,比改进前提升5.09个百分点。改进后模型算法能有效提高山体滑坡分割性能。

基于U-Net网络与分水岭相结合的脑肿瘤分割

有效的MRI脑肿瘤图像分割能够为医生对患者的诊断和治疗提供可靠的依据。虽然卷积神经网络在医学图像分割的领域取得了显著的进展,但脑部结构过于复杂,误分割率较高,MRI脑肿瘤图像分割仍存在许多不足。U-Net网络的全对称结构能够使其只需少量训练即可提取足够的特征,但由于U-Net网络每次卷积图像都会小一圈,导致上采样和下采样所还原的像素尺寸不一样,无法对肿瘤边缘进行准确地分割。为解决上述问题,提出了一种基于U-Net网络与分水岭相结合的脑肿瘤分割算法。利用U-Net网络模型中的跳跃连接结合压缩路径和扩展路径的特征图,得到对感兴趣区域的初分割,然后通过添加基于重建的开闭操作的分水岭算法优化初分割图边界,得到最终的分割结果。实验结果表明,该方法在准确率Acc、特异性Sp、灵敏度Sn和精度PPV上分别可达到0.896、0.988 8、0.905 9和0.980 1,能够有效地分割出病变区域,具有明显的研究价值。

基于改进坐标注意力和U-Net网络的高分辨率遥感图像建筑物提取

在城市规划、统计调查和灾害应急评估等领域,从遥感图像中准确提取建筑物至关重要。然而,由于高分辨率遥感图像中建筑形态的多样性和地面环境的复杂性,实现建筑的完整、高精度提取仍然是一个挑战。为此,本文提出了一种用于从高分辨率遥感图像中提取建筑物的新网络,该网络保留了U-Net的编码器–解码器结构,并融合了坐标自注意模块(CSAM),以调整网络对输入图像中不同区域的关注程度,使得网络能够有选择性地捕捉和强调重要的语义信息,增强特征提取能力。在空间分辨率为0.3 m的WHU建筑物数据集上进行的实验结果表明,与U-Net、PSPNet、DeepLabV3+相比,所提出的网络能够获得更准确的建筑提取结果,达到98.21%的像素精度、95.28%的精准率、94.57%的召回率和90.34%的交并比。

基于U-Net网络模型方法的山区高分辨率遥感影像建筑物提取研究

由于山区地形较为复杂且自然环境多变,建筑物的布局不会像在平原地区呈网络状规则分布,导致山区建筑物的提取存在碎斑、范围不正确等问题。本文基于北京二号(BJ-2)和高分七号(GF-7)遥感卫星影像,采用U-Net网络模型对山区建筑物进行提取试验,并将试验数据与第三次全国国土调查成果进行比对分析。研究结果表明,采用本文方法提取的建筑物精度高,将U-Net网络模型用于山区建筑物提取的方法可行。

基于改进U-Net网络的遥感影像农村道路矢量中心线提取及优化

遥感影像中农村道路矢量中心线的准确提取对乡村规划和地理信息数据库建设具有重要意义。针对现有深度学习方法未能充分利用上下文信息,且在下采样过程中易造成图像分辨率下降和局部特征丢失的问题,该文改进U-Net网络模型以提高提取结果的准确性。首先,网络结构设计两次下采样处理,并将上下文两处特征信息用跳跃层连接,使输出的道路细节清晰;其次,为避免样本不均衡导致训练效果不理想,采用交叉熵损失函数与广义骰子损失函数叠加的方式提升训练效果;最后,采用邻域质心投票算法和融合算法对提取的道路进行矢量化和中心线优化,得到高精度的农村道路矢量中心线。试验结果表明:改进方法在复杂场景的农村道路矢量中心线提取中准确率达95.03%,较4种对比算法(U-Net、DC-Net、PA-Net、SM-Net)具有明显优势。

基于U-Net网络的电力设备巡检图像增强模型及其自动控制研究

为提升电力设备巡检图像的可判读性,保证电力设备巡检结果的全面性和可靠性,提出基于U-Net网络的电力设备巡检图像增强模型及其自动控制方法。电力设备巡检自动控制系统控制无人机进行电力设备巡检,获取设备巡检图像,采用U-Net网络构建电力设备图像增强网络模型,通过模型解码部分中的偏色校正模块,补偿图像各个通道颜色,并通过残差融合模块融合图像的多尺度特征;再采用电力设备图像增强网络模型解码部分进行反卷积操作,获取增强后的电力设备巡检图像。测试结果显示,该方法能够较好完成颜色补偿;边缘信息传递量的结果均在0.889以上;自然图像评价指标的结果0.005以下,增强后的电力巡检图像质量较好;清晰呈现设备的细节,显著提升图像可判读性。

基于多U-Net网络的脑胶质瘤分割算法研究

核磁共振影像分割对于脑肿瘤患者的治疗至关重要,但肿瘤形态多变、边界模糊等问题使得其边缘分割效果不佳。为解决以上问题,提出一种基于多U-Net网络的脑胶质瘤自动化分割算法MU-Net。首先,以U-Net为主干网络,在编码阶段设计残差空洞卷积模块作为短连接,增强编码特征长距离信息的连接,从而改善特征提取效果;其次,在网络跳跃连接处引入改进的高效通道注意力机制,同时使用平均池化和最大池化充分利用空间和通道信息,以提高分割准确度;最后,在经过改进高效通道注意力机制处理后的跳跃连接处设计多个不同深度的双输出U-Net作为编码与解码之间的纽带,以增强网络对不同尺度脑肿瘤的适应性。在BraTS2020数据集上进行大量实验,结果表明MU-Net算法对完整肿瘤、肿瘤核心和增强肿瘤的Dice系数分别为86.75%、77.76%和76.21%,与基准模型相比分别提升了2.6%、2.55%和2.41%,具有更好的分割效果。

基于分布式光纤传感与U-Net网络的复合材料分层损伤定量识别方法

结构健康监测(SHM)是确保飞行器复合材料结构安全性和完整性的重要手段。基于背向瑞利散射的分布式光纤传感器可以通过测量高密度的应变分布为复合材料损伤监测提供数据支持。然而,结构应变分布特征和损伤的映射关系较为复杂,无法直接根据应变分布准确判定损伤的定量信息。另外,分布式光纤传感器数据量大,通过人为分析应变数据识别损伤较为耗时且准确性偏低。为了应对这一挑战,提出了一种基于分布式光纤传感数据与U-Net神经网络的智能损伤识别方法,旨在自动精确识别复合材料中常见的分层损伤。首先,通过有限元仿真构建U-Net神经网络的训练集与验证集;随后进行含分层损伤复合材料板的悬臂加载试验,通过分布式光纤传感器采集结构应变分布数据作为测试集。损伤识别结果表明,U-Net神经网络可以对分层损伤的位置、尺寸与形状进行较为精确的定量识别。

基于改进U-net网络模型的综采工作面煤岩识别方法

煤岩识别是实现工作面智能化开采的核心技术,也是煤炭开采领域的技术难题。针对当前综采工作面煤岩识别精度低的问题,提出了一种基于改进U-net网络模型的煤岩图像识别方法。该方法通过使用深度分离卷积代替传统卷积减少了网络模型的参数,提高了语义分割的效率;添加Res2net模块来提高编码器提取特征的能力,同时加入条件随机场对分割图像进行后处理,提高了网络模型在分割煤岩图像交界区域的精确性。为了获取更加丰富的煤岩分布图像,研制了不同特性的煤岩试样,搭建了采煤机煤岩截割试验台。通过煤岩截割试验获取了煤岩分布图像数据,并对其进行切分、缩放、旋转、裁剪、加噪声等操作,生成了包含8000个样本的煤岩图像语义分割数据集,采用自适应学习算法对模型进行训练,给出了模型训练过程中准确率和损失函数的变化规律。选取像素准确度和交并比对语义分割结果进行评估,结果表明,改进U-net网络模型的像素准确度和交并比的平均值分别为95.81%和91.13%,所占内存为35 M,测试用时为36.45 ms/张,与其他网络模型相比,该方法在煤岩图像分割中具有明显的优越性。在井下现场试验中,通过构建综采工作面煤岩图像语义分割数据集对改进U-net网络模型进行训练和测试,最后实现了综采工作面的煤岩识别,验证了该方法的可行性和实用性。

采用带注意力机制3D U-Net网络的地质模型参数化技术

针对卷积神经网络增强的主成分分析技术(CNN-PCA)这种地质模型参数化技术在油藏复杂地质特征刻画精度和泛化能力方面存在的问题,不使用预训练好的C3D视频动作分析模型来提取三维模型风格特征,而使用新的损失函数并引入一种带注意力机制的3D U-Net网络来补全主成分分析方法(PCA)降维过程中丢失的地质模型细节信息,并以一个复合河道砂体油藏为例进行了应用效果分析。研究表明,与CNN-PCA技术相比,采用带注意力机制的3DU-Net网络能够更好地补全PCA降维过程中丢失的地质模型细节信息,在反映原始地质模型的流动特性方面具有更好的效果,并能改善油藏历史拟合的技术效果。

基于U-net网络的航拍绝缘子检测

为保证输电线路安全稳定运行,需要定期进行线路巡检.作为输电线路中的核心部件,绝缘子检测在输电线路故障巡检中占有重要地位.对于无人机所获得的大量背景复杂且分辨率低的航拍绝缘子图像,传统人为特征提取的检测方法和经典卷积神经网络的识别方法,易丢失位置等细节信息,定位精度较低,难以准确识别出复杂背景中的绝缘子图像.因此,提出一种基于深度学习U-net网络的航拍绝缘子检测方法,自动分层特征提取,通过叠加的方法将浅层特征与高维特征相融合,其中浅层的高分辨率特征图用来进行像素定位,深层高维特征图进行像素分类,避免了目标位置等细节信息的丢失,提高了定位精度,能够有效检测出复杂背景下的绝缘子,准确率达到88.9%,是一种有效的绝缘子检测方法.

基于双注意力U-Net网络的提高地震分辨率方法

提高地震数据分辨率的传统方法,如反褶积、Q补偿等,受到子波为最小相位、反射系数为白噪声等假定条件的限制且需要求取复杂参数,不便于实际应用。深度学习方法使用数据驱动的方式可以自适应地刻画输入与目标间的关系,具备良好的自主学习能力,但目前基于深度学习提高地震数据分辨率的方法对注意力信息的利用不够全面。因此,提出一种基于双注意力U-Net网络的提高地震数据分辨率方法。首先,在原始U-Net网络中加入改进的通道注意力模块、空间注意力模块和级联残差模块,不仅可以快速学习高、低分辨率数据间的映射关系,还能够合理分配不同通道和空间的权重、充分利用数据间的相关性;然后,使用L1损失和多尺度结构相似性指数损失的组合作为损失函数,提高模型对局部信息变化的敏感度,便于恢复细节信息。模拟数据和实际数据的测试结果表明,该方法提升了地震数据的主频,增加了频带宽度,同相轴变得更清晰,细节纹理信息更丰富,有效提高了地震数据的分辨率。

基于U-Net网络的柱面透镜视觉定位策略

针对柱面透镜定位在摆盘工艺过程中产品良率低、生产作业时间长的问题,研究了一种基于U-Net网络的柱面透镜视觉定位策略。该策略结合柱面透镜摆盘工艺及特点,开发了柱面透镜视觉摆盘系统。将Blob分析和模板匹配作为前期视觉定位方法,通过高精度匹配获取工件点位信息以生成分割图对采集的原图进行标注,选取损失值最优的学习率对U-Net网络进行模型训练,以实现实际工件的分割定位。经过U-Net网络与高精度模板匹配针对不同型号的工件定位对比发现,相较于高精度模板匹配,U-Net网络可实现亚像素级别的定位误差。实践应用结果表明,该柱面透镜视觉摆盘系统视觉定位精度高,具有较强的产品适应能力,产品偏心合格率可达96%以上,满足工业摆盘任务要求。

用于SAR估计的基于U-Net网络的快速膝关节模型重建

膝关节高场磁共振成像(MRI)时,射频功率沉积(SAR)是一个关键的安全指标.目前对于局部SAR的准确估计只能通过电磁仿真实现,这就要求得到每一个个体的膝关节模型.本文提出一种针对低场磁共振图像的基于卷积神经网络的分割方法,以实现膝关节磁共振图像的快速重建.数据集来自于矢位T1加权自旋回波图像,将膝关节组织按照"肌肉-脂肪-骨骼"模型进行简化,除脂肪与骨骼之外的其他组织归类为肌肉.采用一种全卷积的神经网络,即U-Net进行逐层的图像分割,卷积层数为4,训练采用交叉熵函数.本文对图像的自动分割结果与手动标注结果进行了定量的比较.此外,采用3 T正交鸟笼线圈进行了SAR仿真,结果验证了组织简化对于SAR估计的可行性,并且所提方法构建的模型可以得到较为精准的局部SAR分布.

基于改进U-Net网络的光伏板图像分割方法

光伏板区域识别与分割对光伏板的缺陷精确检测和组件精准定位有重要意义.在复杂环境下,针对光伏板图像存在对比度不强、边界模糊、背景复杂等影响分割的问题,提出了一种改进U-Net网络的光伏板图像分割方法.首先,搭建基于U-Net网络的对称编码-解码结构骨干网络;其次,使用深度可分离卷积替代传统卷积,并将高效ECA注意力模块添加到两组深度可分离卷积之间,以两组深度可分离卷积和一个ECA注意力模块组成一个block块,利用多个block块提升多层网络的分割性能;之后,引入交叉熵损失、Dice损失、Focal损失线性加权和作为新的损失函数,训练改进U-Net网络;最后,为验证方法的有效性,将改进U-Net网络与MobileNetV2网络、U-Net网络、Res-U-Net网络分别在3 200张光伏板红外图像数据集上进行横向对比.结果表明:改进U-Net网络的PA值和MIoU值达到了0.993 1和0.980 2,均优于其他3种网络模型,且参数量只有U-Net网络和Res-U-Net网络的33.3%和30.4%,仅次于MobileNetV2网络.因此,改进U-Net网络具有较高的准确性和泛化性,能够完成光伏板图像分割任务.