基于改进型U-Net的机翼结冰区域识别系统研究

机翼结冰是影响飞机飞行安全的重要因素之一。针对目前机翼结冰常靠单点探测与依赖于飞行员目视探测结冰除冰的问题,首先,依据冰风洞设计相似准则试制了一种适用于自然环境低温的简易冰风洞系统,完成了机翼结冰图像数据采集;然后,组建了结冰区域图像识别神经网络系统,将注意力机制模块CBAM与残差模块Res-Net和基本的U-Net融合,并融入图像形态学处理,有效提高了对边界复杂、透明度高的冰形的识别能力;最后,在Nvidia Jetson NX嵌入式平台上分别对基本型U-Net、改进型U-Net、轻量化U-Net 3种算法进行了实验对比。结果表明,改进型U-Net的结冰识别准确率、Dice系数和平均交并比分别为0.953、0.960、0.896,比基本型U-Net分别提升了0.160、0.149、0.121;轻量化U-Net相较于改进型U-Net,其检测速度提升了16 fps。轻量化U-Net加快了结冰识别检测速度,而改进型U-Net有较好的机翼结冰区域识别性能。

基于改进U-Net的宫颈细胞核图像分割

原始的U-Net采用跳跃结构结合高低层的图像信息,使得U-Net模型有良好的分割效果,但是分割结果在宫颈细胞核边缘依然存在分割欠佳、过分割和欠分割等不足.由此提出了改进型U-Net网络图像分割方法.首先将稠密连接的DenseNet引入U-Net的编码器部分,以解决编码器部分相对简单,不能提取相对抽象的高层语义特征.然后对二元交叉熵损失函数中的宫颈细胞核和背景给予不同的权重,使网络更加注重细胞核特征的学习.最后在池化操作过程中,对池化域内的像素值分配合理的权值,解决池化层丢失信息的问题.实验证明,改进型U-Net网络使宫颈细胞核分割效果更好,模型也越鲁棒,过分割和欠分割比率也越少.显然,改进型U-Net是更有效的图像分割方法.