基于堆栈稀疏自编码与整体嵌套的乳腺病理图像细胞识别

为解决病理图像的快速分析和利用细胞自动识别的问题,提出了一种基于堆栈稀疏自编码与整体嵌套的细胞识别的方法,快速、高效、准确地识别了高分辨率病理组织图像中的细胞.运用堆栈自编码对训练集中的细胞样本块和非细胞样本块提取高级特征,并运用特征训练Softmax分类器,加入融合层进行融合,用于细胞的自动识别;在训练过程中,还引入了一种新的整体嵌套结构.结果表明:该算法能有效识别出细胞,较其他自编码相比,具有更高的准确率、召回率和综合评价指标.

一种半整体嵌套式余缆架装置的研制

研制了一种半整体嵌套式余缆架装置,采用嵌套式结构,可以放置余缆、实现光缆余缆的安全保护,保护效果好。检修时能平行地释放余缆,减少检修准备时间,此外还能缩短与接头盒的安全距离,设计简单,易于制作。

改进的整体嵌套边缘检测地震断层识别技术

断层解释的精度和效率对油气藏的勘探与开发非常重要。传统的断层解释方法多以人工为主,其依赖解释人员的经验且耗时较长;常规自动断层解释方法主要是分析地震数据的不连续性,往往涉及多个参数,因而断层解释精度多依赖选取的参数。近年来,随着深度学习技术的发展,非线性卷积神经网络能够描述地震数据中的不连续特征。为此,引入深度学习中的边缘检测技术,即整体嵌套边缘检测(Holistically-Nested Edge Detection, HED)网络,并根据地震数据和断层特点对网络结构进行改进和优化,提出适用于地震断层智能解释的改进HED(Improved HED,IHED)网络。主要步骤包括:(1)将原始二维HED网络推广至三维,搭建三维HED网络;(2)根据HED网络的多尺度特点,调整三维HED网络构架;(3)利用三维合成地震数据及其标签数据训练得到三维IHED模型,将该模型用于实际地震数据进行断层智能解释。与相干体算法和U-Net模型相比,三维IHED模型对断层预测的准确性更高,连续性更好。该方法为地震断层智能识别提供了一条可靠途径。

引入注意力机制的整体嵌套边缘检测网络

边缘检测任务作为计算机视觉的基础性问题,随着深度学习技术的发展取得了显著的进步。回顾与总结了几种经典的手工设计的传统型边缘检测算子,并深入介绍了应用于边缘检测任务的HED卷积神经网络。分析了HED网络的网络结构优缺点,提出了一种引入注意力机制的HED-CBAM网络,经过实验验证有效提升了边缘检测任务的性能。

基于特征增强整体嵌套网络裂缝检测方法

针对自然场景下混凝土裂缝背景复杂、纹理多变所造成的裂缝分割不准确问题,提出了一种基于特征增强整体嵌套网络裂缝检测算法。首先,在整体嵌套网络,一种深度学习边缘检测网络的基础上,采用多尺度监督机制融合不同尺度混凝土裂缝的预测结果,增强网络对混凝土裂缝线性拓扑结构的表达能力;然后,采用一种卷积-反卷积特征融合模块将混凝土裂缝的反卷积深层语义特征和卷积浅层细节特征有效融合,深层语义特征可以减少复杂背景干扰并提高模糊裂缝区域特征响应,浅层特征可以提高裂缝细节表达能力,进而提高裂缝特征质量;最后,提出了混合空洞卷积边界细化模块,该模块利用残差网络和空洞卷积组细化裂缝边界,从而提高裂缝分割准确性。在数据集Bridge_Crack_Image_Data和Crack Forest Dataset上进行了测试,所提算法的准确率分别达到了92.1%和91.6%,F1分数分别达到了80.2%和91.1%。实验结果表明,所提算法在复杂自然环境下可获得稳定而准确的分割结果,具有较强的泛化性。

基于优化最大类间方差法阈值分割与滑动窗口法的车道偏离预警

为了改善因传统边缘算子在车道线特征提取时鲁棒性差、传统霍夫变换弯道拟合能力较弱导致车道偏离预警率降低的问题,提出了一种基于优化最大类间方差法(OTSU算法)阈值分割与滑动窗口法的车道偏离预警方法。首先,使用遗传退火算法优化求解OTSU算法的最优阈值并调用整体嵌套边缘检测(HED)模型获取车道线边缘特征,将感兴趣区域转换成鸟瞰图形式;然后,使用滑动窗口法将车道线切分并逐个对窗口内的车道像素点进行二阶多项式拟合;最后,根据车辆与车道线的相对位置关系进行车道偏离预警以及弯道预警。试验结果表明,该方法的综合路况预警准确率为95.92%,检测速率可达34 ms/帧。

基于改进HED网络的矢量尾喷管边缘检测

针对在机器视觉测量中对航空发动机矢量尾喷管图像底层特征的应用需求,提出了基于改进整体嵌套边缘检测(Holistically-Nested Edge Detection, HED)网络的矢量尾喷管边缘检测方法。利用视觉几何组19(Visual Geometry Group, VGG19)网络针对HED网络进行改进。首先剪掉VGG19的第五个池化层和所有全连接层,在卷积层改用带泄露线性整流函数作为激活函数,然后将侧边输出层进行两两越层交叉融合,结合类平衡交叉熵损失函数获得最终的边缘检测图像,最后对矢量尾喷管进行标注制作成数据集用于对改进HED网络模型的训练。实验结果表明,该算法适用于对航空发动机矢量尾喷管进行边缘检测,同时优于原始HED网络及传统边缘检测算法的检测性能。

基于改进HED的多尺度边缘检测方法

针对基于深度学习的多尺度边缘检测不可避免出现自适应性低,参数增加,计算量大,检测边缘不连续等问题,本文提出一种基于改进整体嵌套的多尺度边缘检测方法.该方法将多尺度检测与弱监督模型相结合,解决参数多计算量大的问题.为了充分利用卷积强大的特征表达能力,在整体嵌套边缘检测的基础上,提出了一种多尺度下深度学习结构,一个相互独立的多网络多尺度结构,由不同深度和输出的多个网络组合.同时引用整体嵌套的权重混合层,权重混合层将所有的弱监督预测结果连接到一起,并在训练的过程中学习混合权重。将所提方法在数据集BSDS500上通过评价指标进行性能评价.实验结果表明,所提方法能够在数据集BSDS500上达到很好的性能.

复杂背景下人体轮廓及其参数提取

针对基于人体照片的尺寸提取技术对照片拍摄场景限制的问题,提出利用整体嵌套边缘检测深度学习模型实现复杂背景下人体轮廓的提取并进行参数提取分析。以450张不同背景人体照片为原始图像数据集,通过人体轮廓标签图制作与数据增强手段建立了43200张图片训练集,利用深度学习网络模型进行训练学习并构建最优边缘检测模型;最后选取40名样本作为验证对象,以13个人体比例、角度等参数作为验证参数,对人体轮廓提取值与三维点云测量值进行误差分析。结果表明,本文研究成果能够快速实现复杂背景下人体轮廓的自动提取,且人体轮廓提取值与三维点云测量值的角度参数误差小于2°,比例参数误差小于0.09,为非接触式二维测量技术的进一步研究提供理论依据和技术支撑。

自然场景下花椒果实分割算法研究

为提高花椒采摘机器人的作业效率和对复杂环境的适应性,使其能在不同光照条件下对遮盖、重叠等多种情况下的果实识别定位,提出融合多种算法的识别定位方法,采用基于定阈值区间的HSV颜色空间对花椒串进行图像分割,对分割图像做图像形态学操作去除噪音;提出了一种基于VGG网络与HED网络的HED优化网络模型,在BSDS500上其ODS达到0.765,为后续实现花椒采摘机器人采摘作业的研究提供理论依据。