基于改进U-Net网络的光伏板图像分割方法

光伏板区域识别与分割对光伏板的缺陷精确检测和组件精准定位有重要意义.在复杂环境下,针对光伏板图像存在对比度不强、边界模糊、背景复杂等影响分割的问题,提出了一种改进U-Net网络的光伏板图像分割方法.首先,搭建基于U-Net网络的对称编码-解码结构骨干网络;其次,使用深度可分离卷积替代传统卷积,并将高效ECA注意力模块添加到两组深度可分离卷积之间,以两组深度可分离卷积和一个ECA注意力模块组成一个block块,利用多个block块提升多层网络的分割性能;之后,引入交叉熵损失、Dice损失、Focal损失线性加权和作为新的损失函数,训练改进U-Net网络;最后,为验证方法的有效性,将改进U-Net网络与MobileNetV2网络、U-Net网络、Res-U-Net网络分别在3 200张光伏板红外图像数据集上进行横向对比.结果表明:改进U-Net网络的PA值和MIoU值达到了0.993 1和0.980 2,均优于其他3种网络模型,且参数量只有U-Net网络和Res-U-Net网络的33.3%和30.4%,仅次于MobileNetV2网络.因此,改进U-Net网络具有较高的准确性和泛化性,能够完成光伏板图像分割任务.

基于改进U-Net的冬季休眠期矮化苹果树修剪枝条分割方法

针对冬季休眠期矮化苹果树果园修剪中人工修剪及半自动化修剪作业效率低的问题,在U-Net网络模型基础上,通过VGG16与U-Net结合构建改进的U-Net网络模型,采用VGG16作为上采样特征提取网络,运用注意力机制SEnet增强图像特征提取能力,提升分割精度,进而与下采样提取的图像特征进行融合,实现端到端图像分割效果。结果表明,测试集上SE2网络模型(改进U-Net网络模型)的MIo U、MPA均大于原始U-Net网络模型;在SE2网络模型中,当r=8时测试集的MIo U、测试集的MPA、训练集的F_(score)、测试集的F_(score)均最大,分别为89.59%、94.17%、0.942806、0.944506;在试验台上对SE2网络模型(r=8)进行性能验证,表明SE2网络模型(r=8)分割性能较好。

改进卷积神经网络的船舶纹理图形分割方法

船舶从生产到投入使用,在作业中难免会因为焊接节点的设计问题、货物装卸的操作不规范以及诸如线性尺度较大、吃水较多而受风、流等外部环境的影响而对船体结构造成腐蚀,最终导致船体外部出现裂纹,给船舶的航行带来安全隐患。因此加强关于船舶裂纹的排查,是保证船舶安全行驶的关键。本文从改进卷积神经网络入手,以工程船为例,通过对其船舶纹理进行图形分割研究,提升智能检测的精准度,从而为运维检修带来一定的帮助,并为海上作业的安全性检测提供理论支持。

基于改进U-net网络的2.5D肺实质分割

针对胸腔CT影像信息复杂度高、肺器官体积大造成的3D肺实质结构无法快速准确分割的问题,提出了一种基于改进U-net网络的2.5D肺实质分割方法。将3个轴向(冠状面、矢状面、横截面)的胸腔CT影像分别输入改进U-net网络模型进行特征学习,而后对3个轴向的学习结果进行融合,实现3D肺实质分割。使用该方法在中南民族大学认知科学实验室中完成了一系列肺实质分割实验,实验结果表明该方法可以有效地完成3D肺实质分割。

基于U-Net结构改进的医学影像分割技术综述

深度学习在医学影像分割领域得到广泛应用,其中,2015年提出的U-Net因其分割小目标效果较好、结构具有可扩展性,自提出以来受到广泛关注.近年来,随着医学图像割性能要求的提升,众多学者针对U-Net结构也在不断地改进和扩展,比如编解码器的改进、外接特征金字塔等.通过对基于U-Net结构改进的医学影像分割技术,从面向性能优化和面向结构改进两个方面进行总结,对相关方法进行了综述、分类和总结,并介绍图像分割中常用的损失函数、评价参数和模块,进而总结了针对不同目标改进U-Net结构的思路和方法,为相关研究提供了参考.

基于改进U-Net的全心脏CT图像分割

针对CT图像中全心脏结构复杂度高、分割不完整及分割精度低等问题,文章提出了一种改进U-Net的全心脏分割方法。根据全心脏结构形态特点,文章将多并行尺度特征融合模块引入U-Net网络的编码层,并在U-Net网络的跳层连接中加入了注意力机制。文章利用MM-WHS数据集将改进的全心脏分割算法在中南民族大学认知科学实验室中进行了一系列的全心脏分割实验。实验结果显示,文章提出的算法分割相似度达到88.73%,提高了全心脏结构的分割准确率。

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.

基于改进U-Net网络的遥感影像农村道路矢量中心线提取及优化

遥感影像中农村道路矢量中心线的准确提取对乡村规划和地理信息数据库建设具有重要意义。针对现有深度学习方法未能充分利用上下文信息,且在下采样过程中易造成图像分辨率下降和局部特征丢失的问题,该文改进U-Net网络模型以提高提取结果的准确性。首先,网络结构设计两次下采样处理,并将上下文两处特征信息用跳跃层连接,使输出的道路细节清晰;其次,为避免样本不均衡导致训练效果不理想,采用交叉熵损失函数与广义骰子损失函数叠加的方式提升训练效果;最后,采用邻域质心投票算法和融合算法对提取的道路进行矢量化和中心线优化,得到高精度的农村道路矢量中心线。试验结果表明:改进方法在复杂场景的农村道路矢量中心线提取中准确率达95.03%,较4种对比算法(U-Net、DC-Net、PA-Net、SM-Net)具有明显优势。

从U-Net到Transformer:深度模型在医学图像分割中的应用综述

精准分割医学图像中的病灶对医生探寻病因和制定诊疗方案起关键作用,计算机视觉技术的发展促使深度学习在医学图像分割领域衍生出多种模型架构。U-Net架构以其巧妙的跳跃连接、易于优化的模块设计成为这一领域的基准模型。然而,U-Net以卷积神经网络(CNN)为主干,在长期建模依赖关系方面只擅长获取局部特征,基于CNN的各项方法在执行分割任务中缺乏对图像长期相关性的解释,无法提取全局特征。为帮助本领域学者了解U-Net的发展历程及研究现状,以问题为导向对2016-2023年U-Net改进工作进行综述。首先,从改进结构位置的角度对U-Net及其各项改进模型进行叙述,探讨各工作的研究目的和创新设计及不足之处;其次,对Transformer与U-Net的结合方式进行分析,从中获取改进工作的研究动向;最后,在Synapse和ACDC数据集上进行对比实验,通过实验分析和可视化结果表明,Transformer方法在分割精度方面有显著优势,特别是混合网络子块的结合方式,在确保模型性能的同时兼顾效率,证明了该类工作有着广阔的发展前景和研究价值。

基于改进U-Net卷积神经网络的钢轨表面损伤检测方法

基于卷积神经网络的深度学习方法对钢轨表面损伤的自动化检测起到非常重要的推动作用,因此提出一种基于卷积神经网络的钢轨表面损伤检测方法。首先,在经典U-Net的收缩路径和扩展路径之间增加一个分支网络,可以辅助U-Net输出理想的分割图。然后,将Type-I RSDDs高速铁路轨道数据集作为检测样本,使用数据增强的手段扩增检测样本后馈入改进的U-Net中进行训练和测试。最后,采用评价指标对所提方法进行评估。实验结果表明,所提方法的检测准确率达到99.76%,相比于其他方法的最高水平提高6.74个百分点,说明所提方法可以显著提高检测准确率。

基于PSO-GRNN和D-S证据理论的电网分区故障诊断

针对大电网中保护和断路器误动、拒动、信息丢失等不确定的电网故障信息以及现有电网分区方法的不足,提出了基于粒子群优化广义回归神经网络(PSO-GRNN)和D-S证据理论的电网分区故障诊断方法。首先,通过改进图形分割法将大电网划分为相互重叠的不同区域,降低故障诊断难度。然后在各个区域建立PSOGRNN诊断模块,根据故障警报信息,并行完成各自的故障诊断任务。最后,采用D-S证据理论对相邻区域的重叠区域进行分析,以实现对重叠区域的综合故障诊断。仿真结果表明,该方法能有效识别非重叠区域和重叠区域的故障,容错能力强,诊断准确率高。

探析U-Net的改进机制及其在医学图像分割的应用

U-Net网络在医学图像分割任务中取得了很好的成绩。近年来,众多学者针对U-Net结构不断地进行研究和扩展,比如编、解码器的改进和跳跃连接的改进。本文针对基于U-Net网络结构改进的医学图像分割技术从以下角度进行总结:首先,阐述U-Net网络在医学图像分割领域中的应用;然后,总结U-Net的七大改进机制:密集连接机制、残差连接机制、多尺度机制、集成机制、膨胀机制、注意力机制以及Transformer机制;最后,探讨U-Net结构改进的思路和方法,为相关研究提供参考,对U-Net的进一步发展具有一定的积极意义。