U-Net: A deep-learning method for improving summer precipitation forecasts in China

本研究应用了名为U-Net的深度学习方法来提高中国夏季(6–8月)降水的预报技能,预报时段为1981–2020年,预报提前期为一个月.将位势高度场,土壤湿度,海平面气压,海表面温度,海洋盐度和青藏高原积雪等变量作为模型输入,本文对美国NCAR气候预报系统第2版(CFSv2)的季节性预报结果进行了修正.结果显示,在验证集和测试集上,U-Net平均将原CFSv2预测的均方根误差分别减少了49.7%和42.7%.预报结果改善最大的地区是中国的西北,西南和东南地区.然而,同号率和时空相关系数没有得到明显改善,但仍与CFSv2的预测技巧持平.敏感性实验表明,土壤湿度是预测中国夏季降雨的最关键因素,其次是位势高度场.本研究显示了U-Net模型在训练小样本数据集方面的优势,为我国汛期季节性降雨预测提供了一种有效的深度学习方法.

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。

一种道路裂缝检测的变尺度VS-UNet模型

为解决目前现有的图像分割算法存在检测精度低、对裂缝检测缺乏针对性等问题,采用多尺度特征融合方法,提出一种扩展LG Block模块Extend-LG Block,其由多个并行不同膨胀率的空洞卷积组成.通过参数可调节分支数量和空洞卷积膨胀率,从而改变其感受野大小,进而提取和融合不同尺度的裂缝特征.对比在深层使用多尺度特征融合模块的网络以及使用固定尺度结构进行多尺度特征融合的网络的优劣,提出一种变尺度结构的UNet模型VS-UNet,使用多个不同参数的Extend-LG Block替换UNet网络中的基本卷积块.该结构在网络浅层进行多尺度特征融合,多尺度特征融合模块提取的尺度随网络层加深逐渐减少.此结构在加强图像的细节特征提取能力的同时保持原有的抽象特征提取能力,还可避免网络参数的增加.在DeepCrack数据集以及CFD数据集上进行实验验证,结果表明,相较于其他两种结构和方法,提出的变尺度结构的网络在有更高检测精度的同时,在可视化实验对比上对各种大小的裂缝有更好的分割效果.最后与其他图像分割算法进行对比,各项指标与UNet相比均有一定程度提升,证明了网络改进的有效性.研究结果可为进一步提升道路裂缝检测效果提供参考.

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。

采用自复位U形连接件的装配式钢框架-复合墙结构性能研究

对于内填RC墙的框架结构,为有效减小结构的损伤,改善结构力学性能,本文研究了一种在框架与墙之间设置开缝并安装耗能连接件,能够耗散能量从而有效地保护主体结构。采用ABAQUS分析了不同类型耗能连接件的内力特性以及节点的受力破坏模式。通过在两侧开缝的密肋复合墙-钢框架结构中设置可滑移连接,实现了节点的耗能作用。研究结构表明:U形连接件水平段长度对连接件极限位移影响较大,可以通过双折线理想弹塑性荷载-位移曲线描述U形连接件在竖向压力与水平剪切作用下的荷载-位移关系。采用耗能连接件的结构在加载前期残余变形小,具有一定的自复位能力,并且能满足结构的大变形要求。通过以上分析,本文基于承载能力极限状态提出了耗能连接件的设计公式。

基于轻量化U-Net网络的果园垄间路径识别方法

针对目前果园垄间导航路径识别方法存在准确性与实时性难以同时兼顾、泛化能力弱等问题,本文在U-Net模型的基础上进行优化,采用MobileNet-v3 Large作为U-Net的主干特征提取网络,并在跳跃连接处引入坐标注意力机制(Coordinate attention,CA),构建轻量化路径识别模型。以该模型分割的垄间可行驶区域为基础,利用最小二乘法重塑可行驶区域边缘点,并进一步提取垄间导航线。首先采用数据增强的草莓垄间数据集进行模型训练,并进一步迁移到葡萄和蓝莓数据集上进行权重微调,以提高模型适应能力。最后在相应的验证集上进行导航路径识别,并通过可视化对比不同模型识别结果,以验证模型准确性。试验结果表明,网络模型在草莓、蓝莓和葡萄果园垄间路径识别的平均交并比分别为98.06%、97.36%和98.50%,平均像素准确度分别达到99.13%、98.75%和99.29%。模型处理RGB图像分割可行驶区域的理论推理速度可达19.23 f/s,满足导航实时性和准确性的要求。

基于改进U-Net网络的花岗伟晶岩信息提取方法

利用遥感手段进行花岗伟晶岩型锂矿的识别是锂矿找矿勘查中的重要方法之一。为提高深度学习语义分割方法在花岗伟晶岩这一特殊场景中的信息提取精度,文章对经典U-Net网络进行了改进。在编码部分卷积单元层中加入批量归一化模块,使用ReLU6激活函数代替ReLU激活函数,同时构建复合损失函数,以提高运算效率,减少训练过程中的精度损失。使用国产GF-2花岗伟晶岩型锂矿影像制作数据集进行实验,结果表明,改进U-Net模型对GF-2影像研究区内花岗伟晶岩信息的识别效果较好,相比原始U-Net网络、基于VGG主干网络的U-Net模型、基于MobileNetV3主干网络的U-Net模型以及传统随机森林模型,平均交并比分别提高了14.69,0.95,5.08和35.34百分点,F 1-score分别提高了18.38,1.02,5.7和54.59百分点,实现了低植被覆盖区域遥感影像中含矿花岗伟晶岩信息的高精度自动化提取。

基于U^(2)-Net+的透水混凝土CT影像孔隙分割

针对现阶段主流的透水混凝土CT影像孔隙分割方法存在的问题,提出了一种堆叠高效RSU模块的U^(2)-Net+的图像分割方法。该方法通过堆叠高效的RSU模块,在网络中引入了更多的上采样节点和跳跃连接,还原了更多下采样阶段丢失的特征图细节;在编码阶段增加了一个可学习的下采样操作,进一步提升了网络对细节的捕获能力;简化了原网络的深度监督,避免了底层特征图对融合输出特征图的负面影响;将单一的标准二分类交叉熵损失函数改为Focal loss和IoU loss组成的混合损失函数,提升了网络对高噪声孔隙的关注度;最后由于数据集的特点加网络改进的提升,原网络中各模块的中间通道数得以进一步缩减,减小了网络体积。试验结果表明,U^(2)-Net+相比U^(2)-Net†在保证轻量化和快速性的同时,平均交并比、精确度、F1得分由94.12%、88.89%、93.28%分别提升至94.24%、91.15%、94.29%;U^(2)-Net+综合指标优于U-Net、U-Net++、U-Net3+、U^(2)-Net、U^(2)-Net†,各指标相较于主流的阈值分割算法至少提高23.29%,实现了透水混凝土CT影像孔隙的精准、快速分割。

基于计算流体力学-离散单元法的U形管冲蚀磨损数值模拟研究

采用计算流体力学-离散单元法(CFD-DEM)和切向撞击能模型(SIEM)来研究气固两相流中高速煤粉颗粒冲击导致的U形弯管冲蚀磨损问题。分析了颗粒粒径、气体流速、固体颗粒形状对其冲蚀磨损特性的影响,并验证粗粒化模型应用于此磨损过程的准确性。结果表明,U形弯头的冲蚀磨损位置主要有3处;磨损率随粒径的增大呈现整体减小的趋势;U形管拱背磨损率随气速的增加而增大,且前2处磨损率峰值位置随气速的增加向入口方向偏移;长椭球对U形管造成的磨损最严重,扁椭球次之,球形最轻;粗粒化CFD-DEM能够基本准确预测U形管冲蚀磨损,且显著降低计算时间。

基于DE-3D U-Net的斑马鱼后脑血管共聚焦显微图像分割和量化测量

斑马鱼后脑部位的脉络丛控制着大脑和血管之间的物质交换,脉络丛周围的血管异常可引发相关的脑血管疾病。本文首先对斑马鱼后脑部位的主要血管进行了连续成像,使用共聚焦显微镜拍摄正常情况和柱孢藻毒素处理后的斑马鱼胚胎,获得了斑马鱼在受精后43~63 h的系列三维图像。然后,进一步开发了图像分割的神经网络DE-3D U-Net用于主要后脑血管的分割。网络分割结果显示,3根主要血管的类别像素准确率分别为86.67%、93.18%和83.74%。最后,绘制了斑马鱼后脑血管发育曲线图。结果表明,3根主要的血管半径在高浓度的柱孢藻毒素处理后出现了18%左右的缩减,中脑静脉夹角出现了30°~50°的缩减。此研究提出了一个可用于斑马鱼后脑血管分割的神经网络模型,得出的数据可为斑马鱼脉络丛发育研究提供基础。

基于注意力机制的U-Net叶片缺陷图像分割

为解决风力发电机叶片表面缺陷检测存在分类困难和微小缺陷分割模糊的难题,构建一种基于扩张卷积和卷积注意力模块的改进U-Net语义分割网络。该网络基于网络模型的编码-解码结构,使用可迁移的VGG16的特征提取层代替U-Net网络的编码部分,在编码-解码之间的跳跃模块加入卷积注意力模块。通过对微小缺陷信息选取加强全局权重,使用扩张卷积增强网络特征,采用VGG16预训练模型实现迁移学习。开展Focal与Dice结合的混合损失函数验证,对比分析DeeplabV3+、PSPnet、HRNet、U-Net这4种模型。结果表明:对于叶片缺陷数据集,改进的U-Net网络模型对叶片缺陷的分类和分割任务具有更高的精度,均交并比、均像素精度和召回率等指标值分别为83.60%、92.84%和88.50%。改进U-Net网络的均交并比值比DeeplabV3+模型高13.98%,比标准U-Net模型高9.38%,能够提高叶片缺陷检测的灵敏度,有效降低检测结果的误报警率,有助于准确检测风机叶片缺陷。

U-Learning中个性化内容提取方法

提出了一种U-Learning中个性化内容提取方法,以帮助学生在泛在环境下获取个性化的学习对象。该方法可以在混合信息的基础上,按相似度的顺序生成个性化的搜索结果。使用学生的历史信息、当前地理位置信息及输入查询信息,用以过滤掉不相关的搜索结果,提高泛在环境下学习内容的获取效率。

U-Learning与终身学习的时代契合——浅谈U-Learning环境下的终身学习

随着现代移动技术和无线网络技术的不断发展,U-Learning时代的到来将极大地推进终身学习。本文在介绍"U-Learning"普适技术及其特点的基础上,探讨普适计算技术在当前终身学习领域的应用现状,展望发展的前景。

三空间注意力的残差U-Net在视网膜血管分割应用

针对视网膜图像末端微小血管对比度低、分割不精确问题,提出一种融合多层次残差与三空间注意力机制的U型网络用于视网膜眼底血管分割。该网络在编码部分为了减少图像特征的丢失,引入原始图像后添加多层次残差模块。此外,为防止网络深层产生梯度弥散与特征数据冗余问题,在残差模块中进一步加入批量归一化与Dropout功能。在解码部分,采用三空间注意力机制来赋予类原始图像、下采样图像和上采样图像特征不同的权重,以增强特征纹理和位置信息,并实现微小血管的精确分割。实验结果显示,在公开的彩色眼底图像数据集上,与现有算法相比,本文算法的准确率、特异性、灵敏度和AUC分别为0.985、0.991、0.829和0.985,与金标准分割结果进行对比得到的血管图具有重要的临床参考价值。

基于改进U-net的大坝表面混凝土裂缝图像分割方法

大坝表面混凝土裂缝的检测与识别对大坝安全具有重要意义,为此开展了基于深度学习方法的混凝土裂缝织别方法研究。针对裂缝图像具有复杂拓扑结构和正负样本不平衡等特点,在典型U-net中嵌入了ASPP和CBAM优化模块,同时以Dice+BCE混合损失函数代替了单一交叉熵损失函数。结果表明:所创建的改进U-net在自制实例大坝裂缝图像数据集上表现优异,交并比IoU和F1分数分别为47.05%和62.99%,对比典型U-net分别提高了5.41%和5.19%,对比PSPNet分别提高了3.05%和3.31%。改进的U-net在裂缝分割任务中像素分类更精确,多尺度信息更丰富,具有良好的泛化能力和鲁棒性,可为大坝混凝土结构表面裂缝检测与识别提供更优的手段。

U型Twin-PBL剪力键极限承载力的数值分析

根据端部承压混凝土可提高Twin-PBL剪力键承载能力的特点,提出一种新型的可用于装配式钢混组合结构的间断式U型Twin-PBL剪力键。通过3组推出试验试件的非线性数值模拟分析,研究了这种新型剪力键的极限承载特点和承载力。结果表明:U型Twin-PBL剪力键极限承载能力较普通承压型Twin-PBL剪力键有显著提高,且提高主要来源于端部混凝土承压面积增大,所以混凝土强度的提高对该剪力键承载能力影响明显,而孔中混凝土榫和贯穿钢筋两部分对承载力贡献无明显变化,故而通过修正端承压混凝土面积得到了这种剪力键承载力计算公式。研究结果为装配式钢-混凝土组合梁桥的间断式剪力键提供了新的思路。

基于U-Learning的基础教育数字化学习资源应用空间模型和学科知识本体资源信息模型设计

随着教育信息化的不断深化,基础教育数字化学习资源的高共享高重用品质,已经成为基础教育数字化学习资源建设的瓶颈。在泛在学习理念的引领下,文章首先重构了数字化学习资源分类模型,然后建立其基于基础教育云平台下的"教师—学生—学科知识本体"三维空间应用模型,最后设计了学科知识本体的资源信息模型,充分体现了学习资源的进化性、分布性和开放性,为实现基础教育学习资源的进化收敛、语义聚合、小粒度重用和共享,提供了很好的保障。

改进的大核卷积U-Net视网膜血管分割方法

眼底视网膜血管结构形态复杂、对比度低,且训练样本有限,易产生过拟合现象。针对以上问题,提出一种改进的大核卷积U-Net视网膜血管分割方法(large kernel residual U-Net, LKR-UNet)。减少U-Net下采样次数和每一层的通道数缓解模型过拟合和退化问题;使用大核残差卷积模块(large kernel residual convolution block, LKR-Block)充分提取视网膜血管的特征;通过级联空间通道注意力(cascaded spatial channel attention, CSCA)模块计算空间和通道注意力,提高分割的准确性。提出方法在DRIVE和CHASE_DB1数据集上进行消融实验,在两个数据集上的敏感度分别为84.04%和83.77%,AUC分别为97.82%和98.75%,F1-score分别为82.92%和84.67%。该方法较现有先进算法有一定提升,能有效进行视网膜血管分割。

基于U-Learning的学习资源建设研究

U-Learning即"泛在学习",作为一种新的学习方式已逐渐成为教育领域研究的热点,而基于U-Learning的学习资源建设是U-Learning环境建设的基础。主要研究高校校园网络资源在当前资源建设模式的基础上实现向U-Learning学习资源建设模式过渡的探索。

基于改进U-Net的髋关节关键点检测算法

使用骨盆X光片诊断发育性髋关节发育不良(Developmental Dysplasia of the Hip,DDH)要求准确地标注髋关节关键点,而深度学习方法能作为可靠的辅助工具。针对骨盆片拍摄姿势和拍摄距离多样化问题,本文基于U-Net提出了RKD-UNet来检测髋关节关键点。该模型使用残差块改进U-Net的卷积层和skip-connection路径,并将坐标注意力引入到编码器中以增强模型对关键点邻域的特征提取能力。在编码器顶部使用卷积和ASPP模块构成Bridge块,以[3,6,9]的空洞率融合不同尺度的特征信息并提升模型的感受野。本文使用包含骨盆正位片、蛙位片、下肢全长片和术后骨盆片的数据集训练和测试模型。RKD-UNet实现了3.19±2.19 px的平均关键点检测误差和2.83°±2.59°的平均髋臼角测量误差。对正常、轻度、中度和重度脱位案例诊断的F1分数分别达到89.6、77.1、57.9和94.1,高于医生的手动诊断结果。实验结果表明,RKD-UNet能准确检测髋关节关键点并辅助医生诊断DDH。