基于半监督学习的梨叶病害检测

植物病害的检测与识别是一个日益发展的研究领域,随着机器学习和深度学习概念的不断介入,为农业的发展提供了重要的技术支持。然而,目标检测技术存在着带标注数据获取成本高,且需要大量的人工来对数据进行标注等问题,给技术的实际应用造成了一定的阻碍。为解决在使用少量已标注数据及大量未标注数据进行训练模型从而提高准确率的问题,提出一种YOLO目标检测结合self-training半监督学习的方法,并且针对现有的YOLO v3-Tiny目标检测网络在半监督学习基础上准确率相比于监督学习较低的问题,对原有的YOLO v3-Tiny模型进行了改进。首先,使用空间金字塔池化结构对主干网络的多尺度特征进行融合;其次,将YOLO v3-Tiny检测头部分的标准卷积层替换成GSConv;最后,运用BiFPN结构对中间部分的特征与检测头部分的多尺度特征进行双向融合。本研究提出的基于半监督学习的改进型YOLO v3-Tiny网络可以快速准确地检测出梨叶上的病斑,在试验中,准确度、召回率、平均精度分别达到97.07%、93.78%、97.51%,对于快速准确地诊断出梨叶病斑的危害程度并且及时进行防治具有十分重要的意义。

基于改进的U-Net腹部器官与肺部分割算法研究

针对现有医学图像分割模型存在着计算复杂度较高、参数量大,难以部署到实时医疗辅助诊断系统中,而现有的轻量化模型存在参数减小后导致分割性能下降等问题,提出了一种基于改进的轻量化U-Net分割模型。该模型由编码器、解码器和跳连接三个主要部分组成。编码器使用了由标准卷积和深度可分离卷积组合形成的多尺度融合模块,在此基础上,为增强神经网络学习能力,引入了瓶颈层结构,使用聚合方法设计出轻量级的跨级部分网络模块作为特征提取器对输入的图像进行特征提取;在解码器中继续使用了该轻量级模块来进一步优化模型,降低模型的计算复杂度以及减少参数量,同时能够产生更好分割效果;通过跳连接的方式实现编码器与解码器之间不同分辨率的特征信息融合。在腹部器官CHAOS和胸腔Chest X-ray数据集上进行实验,结果表明,改进型U-Net分割模型的参数量以及计算复杂度都得到了不同程度的降低,在模型参数量仅为1.28M的情况下,DSC分别为87.53%和95.85%,IOU分别为85.25%和92.21%,取得了不弱于其他网络的分割性能。