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网络对输电塔陶瓷绝缘子表面缺陷的识别算法

针对传统巡检方法对输电塔陶瓷绝缘子表面缺陷识别存在效率低、精度差、漏检率高的问题,采用基于改进U-net网络的无人机智能巡检方法,对输电塔中的陶瓷绝缘子表面缺陷进行检测与识别。运用空洞卷积矩阵对U-net网络中的卷积层进行膨胀系数优化,增大卷积核感受野提升缺陷细节信息的完整性;采用全尺度跳跃连接模型融合高位特征信息与低维特征信息,提高陶瓷绝缘子表面缺陷特征的准确性。实验结果表明:基于改进U-net网络的无人机智能巡检方法对陶瓷绝缘子的表面缺陷检测,其识别准确率(Accuarcy)为97.6%、平均精度(mPA)为95.28%、平均交并比(mIOU)为91.56%。与U-net相比,此方法对陶瓷绝缘子表面缺陷的巡检精度提高了7.8%。

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。

基于改进U-Net网络模型的高分影像养殖池塘提取

针对养殖池塘提取难的问题,使用深度学习方法对高分辨率遥感影像中养殖池塘进行精细提取。研究基于0.5 m高分辨率遥感卫星影像,采用DenseNet网络结构作为U-Net网络模型的编码器,使用手工矢量化的养殖池塘样本对改进U-Net网络模型进行训练,并用训练后的网络模型对验证集影像中养殖池塘进行提取。结果表明,改进U-Net网络模型提取精确率、召回率、交并比分别达92.77%、92.21%、85.60%。与面向对象方法和D-LinkNet模型方法对比,改进U-Net网络模型效果最佳。该模型为养殖池塘精细提取提供了新的思路与方法,有利于推进渔业养殖资源确权调查及精细化管理。

基于显著性线索与改进U-Net的织物缺陷检测方法

计算机视觉建立了图像处理与工业之间的联系,将现代感知技术引入到了自动化工业中。同时,基于深度学习的缺陷检测方法已在自动化检测中扮演重要角色。提出一种结合显著性检测算法与改进卷积神经网络CU-Net的织物缺陷检测方法。首先融合五条基于人类视觉机制的重要显著性线索,对织物图像预处理,其次对经典U-Net网络改进,在压缩网络尺寸基础上,引入注意力机制并使用新的复合损失函数进行训练。利用公开的AITEX缺陷织物数据集作为测试样本,结果表明,方法的准确率Acc和召回率RE分别达到98.3%和92.7%,相比于其他检测方法的最高分数提高4.8%和2.3%,显著提升了织物缺陷检测精度。

基于改进U-Net的CMIP5全球气候模式降尺度方法及其在鄱阳湖流域的应用

利用降尺度方法对CMIP5全球气候模式进行空间降尺度并以此研究鄱阳湖流域未来气候时空变化趋势,能够为流域生态环境保护提供数据、技术和理论上的支持.通过简化原始网络结构,在网络首部添加插值层,采用反卷积算法作为上采样算法对传统U-Net网络进行改进,建立基于深度学习的气候模式空间降尺度模型(DLDM).以1965-2005年鄱阳湖流域共18个气象站点的实测数据为基准,基于IPSL-CM5A-LR和BCC-CSM1.1两个气候模式,在拟合精度和流域极端气候事件模拟能力两方面对比验证了降尺度方法和降尺度后气候模式的模拟性能,结果表明基于DLDM的方法优于基于线性回归的传统统计降尺度方法,IPSL-CM5A-LR模式模拟效果优于BCC-CSM1.1模式.利用DLDM对RCP2.6和RCP8.5两个排放情景下的IPSL-CM5A-LR模式数据进行空间降尺度,基于2006-2100年流域高空间分辨率气候数据分析两情景下流域未来气候的时空变化特征,结果表明流域未来气温在两情景下均持续升高,表现出位于流域中北部、西部、东部和南部4个高温中心,RCP8.5情景下流域气温更高,升温趋势和局部周期变化更加明显;流域未来降水在两情景下先增加后减少,变化趋势较为平缓,表现出北部、中东部和南部3个降水中心,在未来呈现五次“枯-丰”交替,RCP8.5情景下流域降水更少且变化更为剧烈,在2075年左右出现突变并存在周期性振荡.

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。

一种基于改进的U-Net网络的初至自动拾取研究

针对传统的地震波初至拾取方法对低信噪比资料拾取精度较低、算法的鲁棒性较差,以及目前提出的基于深度学习的初至拾取方法制作训练样本耗时耗力、训练样本尺寸太大或网络结构太深导致训练和测试网络模型效率较低等缺点,本文对经典的U-Net网络结构进行了改进,将经典的U-Net网络结构中的跳跃连接改为包含多个卷积块的残差连接,减小了网络结构中融合的两个图像特征的差异,并使用自动拾取的小尺寸训练和测试样本,对本文用于初至拾取的经典U-Net网络模型和改进的U-Net网络模型分别进行了训练和测试.结果表明,改进的U-Net网络模型的训练准确率更高,初至拾取的精度也更高,尤其对低信噪比地震道初至拾取效果较好.

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。