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U-Net卷积神经网络的目标分子人机交互观测方法

对生命活动中发挥重要作用的分子进行观测是发现生命活动内在机理的重要手段。现有的生物医学影像处理方法大多集中在对特定物质的检测和识别,难以适应不断变化的科研需要。为此,本研究提出了一种基于U-Net卷积神经网络的人机交互方法以识别生物医学影像中所有同类分子,如:细胞、蛋白质等。首先利用U-Net卷积网络将待观察的分子影像转换为深度特征图,然后使用目标分子的特征在整个特征图上进行匹配,以检测出所有感兴趣的同类分子。之后利用通道和空间可靠的判别式相关滤波器构建多目标跟踪器以实现对目标分子的持续追踪。结果表明,该方法可以通过简单的人机交互快速检测出感兴趣的同类分子,获取目标分子的数量、分布以及相互作用等重要信息,Attention-basedU-Net和U-Net在从细胞核、人类蛋白质图谱、细菌和血红细胞数据集中随机抽取的200张静态测试影像上的各项指标表现稳定,平均精度的平均值分别为0.9125和0.8981,同时对小鼠干细胞动态影像中的目标跟踪准确且保持稳定,证明了方法的有效性,可满足生命科学研究中对微观生命过程观测的需要。

STOCHASTIC NEURAL NETWORK AND ITS APPLICATION TO MULTI－MANEUVERING TARGET TRACKING

ＳＴＯＣＨＡＳＴＩＣＮＥＵＲＡＬＮＥＴＷＯＲＫＡＮＤＩＴＳＡＰＰＬＩＣＡＴＩＯＮＴＯＭＵＬＴＩ－ＭＡＮＥＵＶＥＲＩＮＧＴＡＲＧＥＴＴＲＡＣＫＩＮＧＪｉｎｇＺｈｏｎｇｌｉａｎｇ；ＤａｉＧｕａｎｚｈｏｎｇ；ＴｏｎｇＭｉｎｇａｎ；ＺｈｏｕＨｏｎｇｒｅｎ（Ｄ...

一种基于U^(2)⁃Net的红外热成像与可见光图像融合方法

为解决红外热成像分辨率低且成本高昂的问题,结合可见光图像分辨率高、成本低的特点,提出一种采用U^(2)‐Net结构模型对红外热成像与可见光图像中显著目标检测的方法。针对图像中显著目标,通过图像裁剪、轮廓提取、仿射变换、形心计算、尺寸变换、匹配定位与融合等操作,实现目标物体在红外图像与可见光图像中的融合。实验结果表明,通过所提方法将低分辨率红外热成像中目标物体与高分辨率可见光图像融合,能够有效提升目标物体在整体图像中的可视性。

SMALL TARGET TRACKING TECHNIQUE WITH DATA FUSION OF DISTRIBUTED SENSOR NET

ＳＭＡＬＬＴＡＲＧＥＴＴＲＡＣＫＩＮＧＴＥＣＨＮＩＱＵＥＷＩＴＨＤＡＴＡＦＵＳＩＯＮＯＦＤＩＳＴＲＩＢＵＴＥＤＳＥＮＳＯＲＮＥＴＣＨＥＮＧＨｏｎｇｗｅｉ（程洪玮），ＺＨＯＵＹｉｙｕ（周一宇），ＳＵＮＺｈｏｎｇｋａｎｇ（孙仲康）（Ｆａｃｕｌｔｙ４０６，...

基于B/S结构和.Net平台的研究生培养管理信息系统的设计

简要分析目前我校研究生培养管理系统的设计和使用现状,基于B/S结构的研究生培养管理信息系统提出了一些创新性的管理思路。

基于U-Net的列车轮对激光曲线提取

研究列车轮对条纹图像快速准确提取的方法,采用经典的U-Net网络模型,实现了激光条纹的精确分割,以构建模板的方式对分割后的图像采用灰度重心法达到亚像素的提取。首先利用U-Net网络模型对激光条纹进行分割,然后用模板法初步找到光条中心,最后再使用灰度重心法实现快速、准确的激光曲线提取。结果表明,该方法可以有效地克服动态环境下背景噪声以及亮斑对激光条纹提取带来的影响。

基于Res-Net深度特征的SAR图像目标识别方法

采用Res-Net学习合成孔径雷达(Synthetic Aperture Radar,SAR)图像多层次深度特征,并基于结构相似性准则选取其中的有效成分。通过联合稀疏表示对选取的多层次深度特征进行表征和分析,判定输入样本的目标类别。利用MSTAR数据集进行测试,该方法对10类目标的识别率达到99.02%,对于俯仰角差异以及噪声干扰的稳健性更优。该方法能够有效结合Res-Net和联合稀疏表示在特征提取和分类决策方面的优势,提升识别方法的整体性能。

基于U-net和可见光谱图像的黄瓜褐斑病分割

褐斑病是黄瓜主要真菌性病害之一,适宜条件下,特别是在昼夜温差大及饱和湿度条件下发病迅速,病情加重,导致黄瓜减产,造成经济损失。对黄瓜褐斑病进行病斑分割与提取,可以为后续的病害识别与诊断提供有效依据,具有重要意义。结合黄瓜褐斑病可见光谱图像,利用U-net深度学习网络构建黄瓜褐斑病语义分割模型,实现了病斑分割。首先在采集到的黄瓜褐斑病可见光谱图像中截取病斑较为突出的区域作为样本,共在40幅图像中截取到135个像素区域,区域的像素分辨率为200×200,利用Matlab的Image Label er工具对样本进行像素标记,分别标记出感病区域和健康区域。然后构建U-net网络,该网络包含46层和48个连接,通过卷积层和线性整流层以及最大池化法来完成病斑特征提取,通过深度连接层以及上卷积层和上线性整流层完成上采样,通过跳层连接来完成复制和剪裁操作,并进行病斑特征融合。利用所构建的U-net网络进行学习训练得到语义分割模型,在135个样本中,随机选取其中96个作为训练样本,剩余的39个作为测试样本,设置迭代次数为240次,L2正则化系数为0.0001,初始学习率为0.05,动量参数为0.9,梯度阈值为0.05,进行样本训练和测试。经过10次重复训练和测试,结果表明,基于U-net和可见光谱图像的黄瓜褐斑病语义分割模型执行时间平均为46.4 s,内存占用平均为6665.8 MB,执行效率较高;模型准确率PA为96.23%~97.98%,MPA为97.28%~97.87%,MIoU为86.10%~91.59%,FWIoU为93.33%~96.19%,模型的稳定性较好、泛化能力较强。该研究方法利用较少的训练样本,获得了准确率较高的分割模型,为小样本机器学习提供了参考,同时为其他蔬菜的病斑分割、病害识别与诊断提供了方法依据。

U-net分割网络雷达弱小目标检测方法

常规雷达检测方法难以满足当前弱小目标检测需求,而检测前跟踪(TBD)方法在雷达弱小目标检测中存在计算复杂度高、复杂场景性能严重退化的问题.为此,本文提出了一种U-net分割网络的雷达弱小目标检测方法.首先,利用过低门限的多圈检测点形成待分割的图片;然后,利用U-net网络对实体目标进行分割,实现对弱小目标的有效探测.雷达实测数据测试结果表明,本文提出的方法能够大幅提升雷达对远距离小目标的跟踪距离,有效抑制虚假短航迹,为解决雷达弱小目标检测提供了新的解决思路.

基于U-net卷积神经网络的宫颈癌临床靶区和危及器官自动勾画的研究

目的:基于U-net卷积神经网络的深度学习方法,探讨宫颈癌放疗临床靶区和危及器官自动勾画的可行性。方法:利用U-net卷积神经网络模型搭建的端到端自动分割框架,以100例已进行IMRT治疗的宫颈癌患者CT及组织结构信息为研究对象,并随机选取其中的10例作为测试集。勾画的对象包括临床靶区(CTV)、膀胱、直肠和左、右股骨头5个部分,比较手动和自动勾画的戴斯相似性系数(DSC)和豪斯多夫距离(HD)以评估自动勾画模型的准确性。结果:4种危及器官自动勾画的DSC值都在0.833以上,平均值是0.898;HD值均在8.3 mm以内,平均值为5.3 mm;临床靶区DSC值是0.860,HD值为13.9 mm。结论:基于U-net卷积神经网络建立的自动勾画模型能较为准确地实现宫颈癌临床靶区和危及器官的自动勾画,临床应用中可大幅提高医生的工作效率及勾画的一致性。

一种改进的RFB Net遥感影像目标识别算法

针对高分辨率遥感影像场景复杂,现有的目标识别算法检测率较低且速度较慢的问题,提出了一种改进的RFBNet模型。算法在RFBNet模型的基础上构建特征金字塔网络,融合高层语义信息和低层特征信息,提高了网络识别能力。为验证该算法性能,以遥感影像中飞机目标为例进行了实验验证。以油罐和立交桥目标为例,对该算法的推广性进行了实验验证。结果表明,改进的RFBNet模型在遥感影像目标识别中精度较高、速度较快,且具有较好的推广性。

基于U-net和YOLOv4-tiny的锁孔中心定位算法

文中针对目前集装箱由于锁孔中心定位算法误差大、鲁棒性不强等原因,造成难以满足实际集装箱货场需求的问题,采用深度学习方法,对集装箱锁孔中心定位问题进行了研究。首先基于YOLOv4-tiny模型获取锁孔位置,实现对锁孔的检测和提取;然后基于U-net模型对提取的锁孔矩形框进行分割,精确分割出锁孔区域;最后采用了图像处理的方法对分割的锁孔区域进行计算,从而得出锁孔中心。在实际的集装箱锁孔数据集上进行实验,结果表明,该方法能够快速准确地对锁孔中心进行定位。第1阶段的锁孔检测成功率为100%,单张图片的检测时间为35 ms;第2阶段的锁孔中心平均误差约为1.3个像素点,与其他锁孔中心定位算法相比中心误差更低。研究结果对实现集装箱货场的自动化具有较高的应用价值。

基于改进U-net和CNN的绝缘子自爆检测方法研究

针对绝缘子自爆故障人工检测效率低,成本高的问题,基于改进U-net和卷积神经网络(CNN)模型,提出一种可有效识别绝缘子自爆故障的双阶段目标检测算法。首先,在语义分割阶段使用改进U-net模型,通过翻倍提高图像分辨率的方法有效提高图像分割精度。其次,在图像分类阶段提出更适合所提问题且有效提高分类准确度的新型CNN模型。最后,使用无人机拍摄的绝缘子图片为实验数据进行实验。实验结果表明所提算法识别精度较高。

改进Center-Net网络的自主喷涂机器人室内窗户检测

室内自主喷涂机器人可以实现室内墙面喷涂的自动化以此提升喷涂的效率,减少人力物力的投入。而基于计算机视觉的室内窗户检测算法则是该机器人的关键技术。对于室内窗户检测,由于环境光照、窗户形状和窗户透光属性的存在,传统方法无法得到较好的效果。针对此问题,设计一种基于深度学习的室内窗户检测算法。该算法主要对中心点网络(CenterNet)的特征提取网络进行修改,减少部分卷积操作,使用Ghost模块替换原始的卷积模块,降低特征冗余,并引入注意力机制,让网络尽可能表达重要信息。实验结果表明,改进的CenterNet在不损失网络精度的前提下,大幅度提高了网络的运算速度,使得该检测算法即使在机器人端的嵌入式系统上也可以达到实时检测的效果。

一种基于U-Net语义分割网络的多光谱迷彩目标识别方法

提出了一种基于U-Net的多光谱迷彩目标识别方法。设计数据采集方案采集迷彩目标多光谱数据;采用不同尺度卷积核提取联合的光谱空间特征;编码结构中采用残差学习加深网络深度,使网络能学习到更加丰富抽象的特征;对深层的特征图进行上采样与浅层特征图相加增强浅层特征图中的语义信息。与3通道U-Net语义分割网络相比,召回率提高了62.65%,F1-Score提高了50.18%,证明了采用多光谱识别迷彩目标的显著优势;与6通道U-Net语义分割网络相比,精确率保持基本不变的同时召回率提高了3.42%,F1-Score提高了1.62%,在保证检测准确的前提下进一步减少了误检。

一链双靶siRNA对皮肤鳞状细胞癌NET-1和Survivin基因表达及增殖和凋亡的影响研究

目的:探讨一链双靶siRNA对人皮肤鳞癌细胞株(A431)NET-1和Survivin基因的抑制作用以及对细胞增殖、凋亡的影响。方法:构建siRNA NET-1、siRNA Survivin以及同时靶向NET-1和Survivin基因的一链双靶siRNA。采用免疫共沉淀法检测NET-1和Survivin蛋白在A431人皮肤鳞癌细胞中的相互作用。将A431细胞分为siRNA-NET-1组、siRNA-Survivin组、siRNA-NET-1&Survivin组、siRNA-NC组和control组,分别进行细胞转染。qRT-PCR和Western Blot法分别检测细胞内NET-1、Survivin mRNA和蛋白表达,细胞免疫荧光法观察NET-1、Survivin蛋白在细胞内的表达及定位。CCK-8法和流式细胞仪分别检测细胞增殖与凋亡情况。结果:免疫共沉淀法证实NET-1和Survivin蛋白有相互作用。qRT-PCR和Western Blot结果显示,siRNA-NET-1&Survivin组、siRNA-NET-1组和siRNA-Survivin组细胞中NET-1和Survivin mRNA和蛋白表达水平均低于siRNA-NC组及control组,siRNA-NET-1&Survivin组低于siRNA-NET-1组和siRNA-Survivin组,差异均有统计学意义(P<0.05)。CCK-8法检测显示,siRNA-NET-1&Survivin组、siRNA-NET-1组和siRNA-Survivin组细胞增殖水平低于siRNA-NC组和control组,siRNA-NET-1&Survivin组低于siRNA-NET-1组和siRNA-Survivin组,差异均有统计学意义(P<0.05)。流式细胞仪检测显示,siRNA-NET-1&Survivin组、siRNA-NET-1组和siRNA-Survivin组细胞凋亡率高于siRNA-NC组和control组,siRNA-NET-1&Survivin组高于siRNA-NET-1组和siRNA-Survivin组,差异均有统计学意义(P<0.05)。细胞免疫荧光显示,siRNA-NET-1&Survivin组、siRNA-NET-1组和siRNA-Survivin组NET-1和Survivin蛋白表达阳性细胞百分率低于control组,siRNA-NET-1&Survivin组低于siRNA-NET-1和siRNA-Survivin组,差异均有统计学意义(P<0.05)。结论:NET-1和Survivin蛋白存在相互作用,靶向NET-1和Survivin的一链双靶siRNA能同时下调A431细胞NET-1和Survivin基因表达,并能抑制A431细胞增殖,促进细胞凋亡,一链双靶siRNA作用效果优于单靶siRNA。

基于级联式Snappy-CenterNet的锥套目标检测算法

针对空中加油因场景光照变化、环境遮挡等情况造成的锥套目标识别精度低、实时性差的问题,提出一种基于级联式Snappy-CenterNet深度网络的锥套目标检测算法。在CenterNet网络的基础上,以HourglassNet为主干网络,改进其bottleneck结构并引入中心池化的方法,对整体的网络结构进行优化,通过级联式的网络提升整体检测精度。实验结果表明:该算法可实现在多种复杂场景下对锥套目标的可靠检测,检测结果的精确率与召回率均可达99%,位置精度与区域精度分别可达99%与96%,更新率可达33.68 Hz,满足空中加油近距视觉导航阶段对于锥套识别的指标要求。

基于深度学习U—Net网络的地质目标识别——以铁矿为例

地质大数据时代到来,大量地质数据为更准确的地质目标识别提供了可能,也为地质数据处理带来了巨大压力。深度学习技术可以对大批量地质数据进行特征学习,用概率预测结果表示地质目标的分布,为地质目标识别提供了新的思路和方法。本文采用深度学习方法,以铁矿识别为例,探索利用U-Net网络学习区域物性特征、构造条件等与地质目标的空间耦合关系,从而实现多源物性数据中铁矿地质目标的识别。经过多轮基于U-Net网络的地质目标识别测试,发现U-Net模型在铁矿识别任务中表现良好,能够从多源物性数据提取地质目标信息,实现高效的地质目标识别;U-Net模型从地质数据中识别地质目标的效果依赖于地质数据本身对地质目标与地质背景的区分能力。

面向编队突防的多干扰机协同资源分配方法

干扰对抗的本质为资源维度的竞争,干扰资源受限的单节点已难以满足实际需求,多节点协同干扰可引入更高维度的干扰资源,已成为未来重要的作战形式。然而,传统协同干扰场景中,各节点采用预设发射模式,会导致干扰资源重复冗余配置,在编队突防背景下存在干扰效果较差的问题。针对此问题,提出了一种性能驱动的多干扰机协同资源分配方法,其核心是通过实时分配多干扰机的发射资源,在相同的资源消耗情况下降低敌方雷达对我方突防目标的跟踪精度。首先,推导了干扰场景下突防目标跟踪的贝叶斯克拉美罗下界,评估了多干扰机协同干扰的性能;而后,结合我方干扰机的资源约束,建立了包含驻留时间变量的多干扰机协同资源优化模型,证明了该模型为凸优化问题,并采用增广拉格朗日乘子法进行了快速求解。仿真结果表明,相比于其他基准方法,所提干扰资源分配方法能够有效压制敌方组网雷达,降低其对我方突防目标的跟踪精度,并且在波束个数受限的约束条件下,所提方法仍然具有较好的干扰效果与快速求解能力。