特征压缩激活作用下U-Net网络的煤尘颗粒特征提取

为研究煤尘颗粒的图像特征内在机理,以选煤厂为项目背景区,包含6个工作面1500个煤尘图像信息为依托,搭建特征压缩激活U-Net卷积神经网络并对煤尘颗粒图像进行语义分割。首先通过现场采样获取煤尘颗粒样本,建立图像数据集并输入到分割网络;其次通过网络左半部模型完成煤尘特征的批量归一化和压缩激活,获得输出特征传递到网络右半部模型进行上采样以恢复煤尘特征图像尺寸,完成煤尘颗粒信息的二分类;最后运用二值交叉熵及合页协同损失函数训练网络并缓解分割任务中的颗粒特征类别不平衡问题。通过搭建模型进行仿真试验:①通过试验仿真二值交叉熵及合页协同损失函数对网络分割性能的影响;②通过试验评估所提出的优化网络与常规颗粒图像提取算法FCN,SegNet,DeepLab,SENet,U-Net网络的分割性能,并验证所提出的优化网络的特征信息提取能力;③在试验①,②结果基础上,采用八邻域特征算法实现煤尘颗粒的定位标注,提取颗粒占比特性参数。研究结果表明,二值交叉熵及合页协同损失函数可获得较优分割效果;所提出的Unet-SE改进网络模型对不同形状及粒径的颗粒类别具有较优的学习效果,其学习性能指标:准确率、召回率以及F_(1)分数分别提高到0.8732,0.8434和0.8580。与其他识别算法相比,改进算法可有效增强煤尘特征的学习能力,大幅缩短训练时间,并精确获取颗粒特征更多细节信息。

基于改进U-Net模型的遥感影像道路提取方法研究

针对高分辨率遥感影像背景信息复杂,道路提取难度大,自动化程度低等问题,论文提出了一种改进的U-Net的道路提取方法。首先,编码器使用VGG16网络结构替代原始U-Net编码器结构;然后,在每个编码器和解码器块后加入特征压缩激活模块(SENet)增强网络特征学习能力;最后,使用Dice损失函数和二分类交叉熵损失函数复合的损失函数进行训练,减轻了道路提取任务中的样本不平衡问题。在Massachusetts Road数据集上的结果表明,改进后的算法对道路提取结果得到了有效的提升。所提方法在测试集上的精确度、召回率、F1-score和mIoU评价指标分别达到82.5%、77.8%、80.0%及82.1%,在测试影像中对错综交叉的道路具有更好的识别效果。

嵌入SENet的卷积神经网络的零件缺陷检测方法

针对回转体零件的表面倒偏角、拉伤、线形纹等缺陷检测识别效率低、误检、漏检等问题,提出一种在编码器中嵌入特征压缩激活模块的Unet网络的零件缺陷检测方法。通过建立Unet网络架构模型并嵌入SE模块实现缺陷分割,完成缺陷图像的细节特征提取。采用BCEloss和Diceloss的混合损失函数进行训练,缓解缺陷图像分类不平衡的问题。该算法与Seg Net、FCN、Unet模型对比表明,Unet-SE在准确率、召回率和F1分数3个指标中表现最优,分别为0.929 8,0.892 9,0.911 0,且测试集中具有更好的分割效果。