基于全卷积神经网络的遥感图像线性构造解译方法——以云县官房铜矿区为例

文章研究了深度学习方法在地质构造解译中的应用,探究了相比传统的线性构造方法更为高效且无需先验知识的方法。以基于全卷积神经网络(FCN)的图像像素注释方法实现了遥感数据对于线性构造解译半自动解译。选择云南省云县官房铜矿矿区作为实验区域,绘制的图件表明该解译方法能够满足普通地质研究的基本需求,同时也能作为人工线性构造解译工作的初步参考,具有一定的研究意义。而与其他传统自动解译方法对比,可以发现在解译精度、效率和可重复使用性上都存在一定的优势。这些研究成果对于地质构造解译的自动化发展具有重要的参考价值,也为遥感解译智能化的发展提供了新思路。

全卷积神经网络在垃圾土勘察中的应用

垃圾土与原土壤往往存在电阻率差异,常用垃圾土探测方法是高密度电阻率法和时域电磁法,而对反演结果的人工解译效率低,且准确性难以保证。通过全卷积神经网络在垃圾土勘察中的应用,识别某拆后绿地改造工程地下建构筑物垃圾土探测数据,确定垃圾土范围,表明了本方法的有效性、实用性和可靠性,为垃圾土勘察、土方量计算和改善土地性状等提供参考。

基于全卷积神经网络的无人机巡检图像边缘检测方法

由于无人机巡检图像边缘检测的距离误差大、图像清晰度低,提出基于全卷积神经网络的无人机巡检图像边缘检测方法。采用水平集量化特征分解方法,提取无人机巡检所采集图像的多尺度边缘特征;采用全卷积神经网络构建图像边缘检测模型结构,优化损失函数,完成模型的局部和整体训练,并将多尺度边缘特征输入深度学习网络;采用二阶导数计算像素边缘概率,检测图像的弱边缘并生成边缘信息概率图,计算无人机巡检图像弱边缘对象的概率值,实现图像边缘细化。实验结果表明,所提方法能有效获取图像中目标对象的边缘特征,距离误差均小于0.25,图像清晰度均在24以上,能够完整、可靠获取图像中不同位置、物体等目标的边缘结果,且边缘检测结果更为精细。

基于改进全卷积神经网络的体育运动员动作识别方法

传统的体育运动员动作识别方法,直接对运动员动作识别结果进行输出未对运动区域进行提取,识别精度低。该文提出基于改进全卷积神经网络的体育运动员动作识别方法,使用摄像机对体育运动员动作图像进行采集,并对图像进行基于改进全卷积神经网络的运动区域提取,体育运动员动作识别流程,输入动作图像并对结果进行输出,实现基于改进全卷积神经网络的体育运动员动作识别。实验结果表明该研究方法识别精度高,具有一定优势。

改进卷积神经网络的冬小麦提取方法

为提高遥感影像冬小麦识别精度,通过对传统的卷积神经网络进行优化,设计实现一种改进的卷积神经网络Im-SegNet(Improved-SegNet)。模型增加了冬小麦和非冬小麦概率向量差值信息,对于概率向量差值较小的像素进行了二次判断。以肥城市冬小麦生长期的77张GF-2(Gaofen2)影像作为实验数据,利用精度、准确率以及查全率3项指标对Im-SegNet模型提取效果进行验证评价。结果表明,提取精度为92.1%,准确率为91.8%,查全率为84.9%,3项指标均高于经典的SegNet模型提取结果,Im-SegNet模型可以有效改善遥感影像作物分类效果。

基于全卷积神经网络的钻孔瞬变电磁法岩层富水性预测研究

巷道掘进前方采用钻探或地球物理方法进行超前探测含水层的位置及富水性,提前做好防治水工作对煤矿安全生产至关重要。利用钻孔瞬变电磁法(BTEM)进行超前探测优势明显,目前解释方法是根据计算的电阻率进行岩层富水性的定性分析,还无法实现对含水层富水性等级进行预测。提出利用钻孔瞬变电磁法探测,采用全卷积神经网络(FCNN)方法进行钻孔外围含水层富水性等级的准确预测。首先,依据阿尔奇公式、Kozeny–Carman公式、导水系数公式和单位涌水量公式,建立砂岩含水层单位厚度的电阻率与按钻孔单位涌水量划分的含水层富水性4个等级的对应关系;其次,建立全空间条件下不同富水性岩层的地质–地球物理模型,采用三维时域有限差分法(FDTD)进行全空间瞬变电磁场数值模拟;为了接近实际情况,在正演结果中加入了5%~15%的随机噪声,提取与岩层富水性等级关联的特征参数,采用全卷积神经网络(FCNN)进行了岩层富水性等级预测的训练和仿真测试,测试集预测的富水性等级平均准确率为91.8%;最后,利用某矿煤层水力压裂后的钻孔瞬变电磁法实测数据进行煤岩层富水性等级预测,检验FCNN方法预测效果。研究结果表明:采用全卷积神经网络预测钻孔附近岩层富水性是可行和有效的,可以实现钻孔径向方向岩层富水性等级的准确预测,提高了钻孔瞬变电磁法对钻孔外围岩层富水性的探测精度,该方法将在超前探测岩层富水性方面发挥重要作用。

卷积神经网络的图像识别算法研究与实现

文章通过研究卷积神经网络(Convolutional Neural Networks,CNN)的架构、卷积和池化操作以及全连接等,搭建并配置五种不同的CNN模型(LeNet、AlexNet、VGGNet、InceptionNet、ReNet),利用两个数据集的训练集和测试集分别训练和测试五种模型的效果,最后使用准确率和交叉损失熵评估五种模型。

基于全卷积神经网络的板条多压头成形回弹预测及模具设计

[目的]在船体曲面板的冷成形过程中,回弹是影响成形精度的主要因素,为提高板条成形质量,需研究回弹预测方法以获得合适的回弹控制方式,进而指导模具设计。[方法]基于全卷积神经网络(FCN)对回弹图片进行像素级计算和回归计算,从而实现对每个成形位置的回弹量预测。首先,利用ABAQUS 2019建立有限元模型,并通过实验结果进行准确性的对比验证;然后,采用验证后的有限元方法计算获取神经网络训练样本集,将板条几何信息作为神经网络的输入,并基于不同卷积层结构采用TensorFlow深度学习框架来搭建全卷积网络模型;最后,对比分析不同神经网络的优劣,并将最优网络应用于模具设计。[结果]算例分析结果显示:FCN模型预测回弹量的最大误差为8.49%,具有较高的准确度,其中FCN32的精度最高;FCN模型可以实现模具形状的一次性设计,计算时间仅为0.5 s,最大误差仅为1.00%,显著提高了计算效率。[结论]全卷积神经网络算法提供了一种快速高效的板条回弹预测方法,以及快速设计模具形状的新思路。

基于全卷积神经网络的医学图像语义分割研究进展综述

医学图像语义分割是计算机视觉和医疗领域的重要研究方向。基于全卷积神经网络的医学图像分割已经取得了显著进展,并在健康监测、疾病诊断和治疗方面得到广泛应用。文章总结了该领域的主要数据集和评价指标,回顾了现有的研究方法,尤其对于有突出贡献和技术引领的模型进行了详细介绍,并指出了现存的挑战和一系列有前景的研究方向。

基于全卷积神经网络的大坝变形监测数据粗差识别方法研究

针对大坝变形监测数据普遍存在粗差的问题,采用全卷积神经网络(FCN)模型对人工标记数据集进行表征学习的方法实现变形粗差数据识别的人工智能模拟;在此基础上,利用Python和Tensorflow框架构建了用于变形监测数据粗差识别的FCN模型并以人工标注数据集进行模型训练;最后,以训练得到的最优模型对某重力坝变形监测数据进行粗差识别应用。结果表明,经训练的FCN模型能够较准确地识别大坝变形监测数据中的粗差值,提高了大坝安全管理效率。

基于全卷积神经网络的多级阈值图像分割算法

当前的算法在进行多级阈值分割图像时,选择的分割阈值不能达到最优,存在分割图像峰值信噪比较低、误分率较高的问题,为此提出基于全卷积神经网络的多级阈值图像分割算法。设定椒盐噪声检测阈值,判断图像噪声像素点,通过中值滤波去除噪声点。依据多级阈值,划分多个不同灰度等级的像素区域,作为多级阈值优化目标。利用全卷积神经网络,把像素点分配到相应灰度等级的分割区域,获得最优阈值分割的多级灰度图像。实验结果表明,所提算法分割图像峰值信噪比最高,误分率为0.175,降低了分割图像失真程度,提高了视觉质量和计算效率。

基于全卷积神经网络的焊缝识别方法

在机器人自动化焊接中,精准高效的焊缝识别是实现高质量焊接的关键。针对现有视觉检测方法效率低、精度差的问题,提出了一种基于全卷积神经网络的焊缝识别方法。该方法首先采集数据对全卷积神经网络进行训练,得到最佳的网络参数;然后采用训练好的全卷积神经网络和最佳网络参数对焊缝图片进行语义分割,将焊缝所在区域与背景进行分离;然后对分割出的焊缝区域,进行骨架提取,得到接近单像素宽度的焊缝;之后根据自定义的直线度参数对焊缝形状进行判定,确定该焊缝是否为直线,用最小二乘法进行直线或曲线拟合,得到最终的焊缝轨迹。实验结果表明,所提方法能够快速准确地识别出焊缝位置和形状,可以作为自动焊接机器人轨迹自主规划和控制的技术基础。

基于全卷积神经网络的冠状动脉中心线提取方法

精确提取冠状动脉血管造影(CAG)中心线对血管疾病诊断具有重要意义,本文提出了一种基于全卷积神经网络(FCN)的CAG中心线提取方法。首先利用基于Hessian矩阵的Frangi滤波器去除大部分伪血管噪声,突出CAG的血管树,明显区分血管和背景;利用Steger算法获得血管截面中心亚像素点,将初步提取的中心线作为数据集,标注473张经处理的CAG图像,其中378张为训练集,95张为测试集。以像素准确率(PACC)、平均准确率(MACC)和平均重叠率(MIoU)作为测试结果的评价标准。采用FCN模型分割数据集,将低层特征信息融合高层信息,对融合后的特征图进行反卷积操作,PACC达到0.85,MACC达到0.92,MIoU达到0.82。结果表明本方法具有较高的精度,可有效提取CAG中心线,为冠心病的诊断提供一种有效的辅助手段。

面向目标6DoF姿态与尺寸估计的全卷积神经网络模型

针对6DoF姿态估计需要收集与标注大量数据训练神经网络提出一种小数据集下面向目标6DoF姿态与尺寸估计的全卷积神经网络模型以降低人工操作成本。首先采用注意力机制与特征金字塔相结合的方式通过区域建议网络提取感兴趣区域,将该区域输入并行融合全卷积网络获得掩膜图;其次通过增加跳跃连接丰富每个卷积后的特征信息,将其融合并通过分类获得预测标准化坐标空间图;最后将得到的掩膜图与标准化坐标空间图通过三维点云配准获得目标的6DoF姿态与尺寸。实验表明,该方法在小数据集下较PVN3D方法精度提升约2.6%,较GPVPose方法精度提升约1%。

筛查全/多氟烷基化合物(PFASs)生物活性的卷积神经网络模型

全/多氟烷基化合物(PFASs)是一类备受关注的化学品,已在多种环境介质中检出。然而,目前PFASs的生物活性数据缺乏,限制了其危害性评价和管理,有必要构建PFASs生物活性的高通量筛查模型。本研究基于卷积神经网络(CNN)算法,采用分子灰度图像作为输入,构建了PFASs的23种活性终点的筛查模型(简称Image-CNN模型)。与使用分子指纹和分子描述符作为输入,采用随机森林和支持向量分类器算法构建的基准测试模型相比,Image-CNN模型预测效果更好,平均的受试者工作特征曲线下面积达0.96。与此前模型相比,模型性能更优。基于分子指纹相似性,表征了模型的应用域。筛查了已知最大的PFASs名录,其中3种PFASs在所有建模的活性终点中都被预测为有活性。

基于全卷积神经网络的低剂量CT去噪算法

针对低剂量医学CT图像因减少辐射剂量而引入大量噪声,导致图像质量显著下降的问题,提出一种基于残差注意力机制和自适应特征融合的低剂量CT图像去噪算法,该算法使用全卷积神经网络来完成低剂量CT图像去噪。在网络框架中引入残差注意力机制和选择性内核特征融合模块,以过滤噪声信息,提取有效特征并自适应地融合图像特征,避免重建过程中的细节损失,提高图像质量,使去噪后的图像在感知上更接近原始图像。定性和定量实验表明,与现有的算法相比,在真实的临床数据集上,所提出的算法能够有效地抑制噪声,并恢复低剂量CT图像中更详细的纹理。与低剂量CT图像相比,所提出的算法将峰值信噪比提高14.94%,结构相似度提高4.68%,均方根误差降低40.11%,可以满足医学成像的诊断要求。

基于融合伽马变换全卷积神经网络的火星地貌分割方法

为了让火星巡视器在有限的寿命内能获得更多的科学产出,需要提高巡视器在火星表面的自主通过能力,而火星表面地貌类型是评估巡视器可通过性的重要信息。因此,提出了融合伽马变换的全卷积神经网络(FCN)火星表面地貌分割算法。首先,考虑对巡视器通过性的影响,确认地貌分类的类型,基于好奇号拍摄的火星地表图像Mars32K数据库,构建地貌分割数据集;其次,使用自适应伽马变换(AGT)对灰度单一的火星图像进行预处理,减弱了光照等因素干扰;最后,利用数据集训练一个FCN,以实现对火星表面地貌的分割预测。仿真结果表明:网络测试准确率达到83.03%,地形分割预测结果可靠,验证了方法的可行性。

基于深度全卷积神经弹性网络WCGAN-GP模型的语音增强研究

Wasserstein距离生成对抗网络(Wasserstein Generative Adversal Network,WGAN)模型^([1])在语音增强中运用广泛,但存在梯度易爆炸、性能不稳定等问题。引入梯度惩罚(Gradient Penalty,GP)和弹性网络条件约束,并将生成器和判别器优化成深度全卷积神经网络(Deep Fully Convolutional Neural Networks,DFCNN)结构,提出一种基于DFCNN的弹性网络条件梯度惩罚(Wasserstein Conditional Generative Adversal Network Gradient Penalty,WCGAN-GP)模型。改进后的模型可以达到真实Lipschitz限制条件,提高了可控性、稳定性和特征提取能力,能更快优化训练。实验将改进后的模型与WGAN对不同噪声条件下的语音进行增强,结果证实了改进后的模型在语音增强方面的优越性。

长短期记忆压缩激励全卷积神经网络建筑物变化检测

针对当前遥感影像建筑物变化检测未考虑时序信息,导致变化特征提取效果欠佳,本文提出了一种长短期记忆压缩激励全卷积神经网络。在全卷积神经网络框架下,搭建了结合长短期记忆网络与压缩激励网络原理的长短期记忆压缩激励单元,使算法能够充分结合纹理特征及时序特征优势,提高遥感影像建筑物变化检测精度。以遥感影像建筑物变化检测公开数据集LEVIR-CD作为实验数据对该方法进行验证,结果显示,F1-score达86.35%,相较于FC-EF、FC-CONC、FC-DIFF算法,F1-score分别高出2.35%、3.47%、4.52%。

基于深度神经网络的火箭图像目标识别与跟踪

火箭图像目标识别与跟踪是图像目标识别的重要应用领域,是实现火箭测试发射、飞行控制的重要支撑,对火箭目标跟踪、姿态分析控制具有重要意义。上升段的火箭目标视频图像跟踪是火箭飞行测控的重要阶段,但目前对火箭上升段的视频图像跟踪主要依靠人工手动操作云台控制器,图像跟踪存在跟踪滞后、画面抖动等问题,跟踪效果受人为因素影响较大。结合全卷积理论和深度学习方法,提出一种基于全卷积深度神经网络的火箭图像目标识别与跟踪方法,采集火箭发射及上升段的图像作为样本,构建、训练全卷积网络模型,采用端到端的语义分割方法,在深度分类网络的基础上,实现火箭目标在像素级别上的语义判断,具有较好的识别率和鲁棒性。在火箭目标识别的基础上建立云台控制模型,通过对云台的智能控制获得火箭上升段的高质量图像,完成对火箭目标的跟踪。