基于多感受野与多尺度融合的草莓病害分割算法

针对草莓病害在区域分割时存在背景复杂、目标较小导致难以被有效分割等问题,提出一种基于多感受野与多尺度融合的草莓病害分割算法。首先搭建了U-Net基础模型,使用结合注意力机制与残差网络的主干特征提取网络(CBAM-ResNet50)替代U-Net中的主干特征提取网络VGG16,一方面来加强目标区域的表征能力,抑制背景区域,以此实现复杂背景下的病害区域分割问题;另一方面通过残差减少梯度消失,提升模型的收敛速度;接着在特征融合层,设计基于3D无参注意力机制(SimAM)的多尺度自适应特征融合模块,通过邻近特征信息弥补当前层特征的信息丢失,以此提升小目标的检测能力;最后在网络底层设计基于膨胀卷积的多感受野模块,通过不同膨胀率的膨胀卷积来增加特征的全局感受野以实现整体分割区域的感知。结果表明,本研究提出的方法mPA达90.30%,相比于标准U-Net模型提高了7.13百分点,本研究提出的方法能更好地对复杂背景下及小目标病害进行精准分割。

基于一次指数预测算法的动态规划分割算法

时间序列分割在变异点检测、变化趋势检测及数据预处理等方面都具有重要作用。针对经典动态规划分段算法未考虑时间序列数据之间的相互影响,提出一种基于一次指数平滑预测算法和动态规划算法相结合的多元时间序列分割方法。利用一次指数平滑预测算法对所有多元时间序列分割片段进行预测,计算分割代价;再根据分割代价,运用动态规划算法对多元时间序列数据进行分割,得到全局最优的分割结果。对仿真多元时间序列数据进行分割,将新方法结果与已有算法结果进行比较,新方法分割度量值为0.0155,较已有算法减少了0.0293,说明该分割方法得到的分割结果有较高的准确度。

图像分割述评:基本概貌、典型算法及比较分析

图像分割作为计算机视觉领域的一个重要分支,在可穿戴计算、自动驾驶、医学图像分析等方面都发挥着重要作用,并有着广泛应用。为了更好地了解图像分割领域的发展以及研究现状,该文对图像分割进行了深入梳理和系统述评。首先,对图像分割的含义以及其工作流程、指标等进行阐释;然后,对图像分割方法按照时间的跨度进行分类——基于阈值和区域、基于图论和聚类,以及基于深度学习的图像分割,对每类方法的代表性算法进行分析介绍,较为全面地总结了每类方法的基本思想和优缺点;最后,对该领域目前存在的问题和未来的发展方向进行展望,提出实时图像语义分割、弱监督或非监督语义分割和三维场景的语义分割是目前研究中的主要挑战。

基于轻量级对称结构网络的棉花图像分割算法

棉纺产线中的自动化、数字化设备提高了产线的生产效率与质量,但在当前仍存在棉纺产线管道棉流中棉花状况难检测的问题。因此,结合棉纺产线中棉流图像的特征,提出了一种基于轻量级网络的分割方法(Light cotton-net)。网络基于一种对称编解码结构,通过优化卷积方式与上采样方法、设计特称提取结构,在保证分割精度在误差可接受范围内的同时大幅减少网络参数、提高网络预测速度。以异纤机中拍摄的棉流图像为数据集,加入随机偏移、缩放、亮度变换等数据增广操作。实验数据表明,在网络参数量6.0M(million),预测每张图片时间为35.328ms的情况下,模型的分精确度和召回率分别为96.63%和93.87%,模型分割精度基本与U-net网络等同,参数量约为其1/3,图像分割速度约为其5倍,模型对系统内存及算力的需求更低,更适合在工业设备上的部署。

基于Swin-Unet改进的医学图像分割算法

在过去的十几年时间里,基于CNN的神经网络在医学图像分割领域取得了突破性进展。尤其是以unet为代表的u形网络架构和跳跃连接被广泛应用于一系列的医学图像任务。由于CNN的内在局限性,不能够很好的获取到全局和远程语义信息交互。由于腹部器官复杂,容易发生形变、边缘模糊、体积小等原因导致分割比较困难。因此在Swin-Unet的基础上改进,首先末端编码器与首个解码器之间引入多尺度模型提取模块,增强不同形状大小信息特征提取。其次将最后两个编码器和解码器的swin transformer Block引入残差机制来缓解模型深度带来的梯度弥散现象。并且在最后的编码器末端引入ASSP模块获取多尺度细节信息。最后,在跳跃连接中引入通道注意力机制(CAM),可以让模型强化重要信息特征通道,弱化特征不相关通道,最后达到有效提高模型分割精度和准确度的效果。

基于分时重叠算法的欧洲甜樱桃表型关键特征区域图像分割方法

获取与描述植物表型是植物学与农学研究的一个核心命题,大规模植物表型试验在作物优良品种选育与栽培技术研究中发挥了重要作用。其中,计算机视觉相关技术正日益成为自动化获取植物表型数据的关键方法。基于计算机视觉,提出分时重叠分割算法,并运用该算法从樱桃图像中分割出表型关键特征区域图像。算法从普通监控摄像头特性出发,分时获取同一角度樱桃作物本体的日间彩色图像与夜间红外灯补光灰度图像;将灰度图像进行阈值处理与形态学滤波,提取初始区域轮廓;以此作为前置条件,自适应地寻找日间彩色图像中的关键特征区域边缘路径。同时,采用粒子群算法获取特定图像的最优参数,将参数运用于同一角度的时间序列樱桃图像中。结果表明,算法自动分割关键特征区域平均IoU为0.8497,达到需要人工参与的交互式算法相近水平。该方法实现成本低、分割精度高、适用性强,可自主实现樱桃图像表型关键特征区域的切割与获取,并可大面积运用于农业生产环境中。

高光谱结合图分割算法快速鉴别不同尺度产地陈皮

以中药材陈皮为研究对象,建立一种高光谱结合图分割算法实现不同尺度产地陈皮样本快速无损鉴别方法。采集陈皮样品的高光谱图像并利用图分割算法快速获得相对反射率数据集,多种预处理算法对光谱数据降噪处理后,结合偏最小二乘判别分析(PLS-DA)、随机森林(RF)和支持向量机(SVM)建立分类模型,利用预测集准确率筛选最佳模型,混淆矩阵评估模型性能。图分割算法相比常规人工提取方法时间减少80%。融合光谱一阶导结合PLS-DA模型是不同尺度产地陈皮样品的最优鉴别模型,省级行政区域和新会不同区域的陈皮样品的鉴别准确率分别为98.41%和99.05%。该新型图分割算法能够实现高光谱兴趣区域信息的快速、准确获取,结合高光谱技术可实现不同尺度产地陈皮样品的快速鉴别。

基于图像自动分割算法的MRI成像对脑小血管病患者脑白质病变的诊断分析

目的分析基于图像自动分割算法的磁共振扫描(MRI)成像对脑小血管病患者脑部病变的诊断价值。方法回顾性分析本院2021年1月~2022年4月收治的106例可疑脑小血管病患者的临床资料,构建基于图像自动分割算法的MRI成像方法对脑白质病变情况进行诊断。比较常规MRI和基于图像自动分割算法的MRI成像对脑白质病变的诊断的效能。结果106例受试者中有73例确诊为脑小血管病,余33例中有17例帕金森病、10例周围神经病、6例特发性震颤;脑白质病变常规MRI检查可见T1加权成像(T1WI)低信号,T2加权成像(T2WI)和液体衰减反转恢复序列(FLAIR)呈高信号,且可累及脑室周围、深部脑白质,早期可见散在、斑片状、大小不等病灶,晚期可见片状信号;基于图像自动分割算法的MRI成像检出脑白质病变诊断脑小血管病的灵敏度、特异度、准确度分别为89.04%、93.94%、90.57%,均高于常规MRI的68.49%、66.67%、67.92%(P<0.05),且前者的Kappa值为0.815,也高于后者的0.648。结论 基于图像自动分割算法的MRI成像可用于判断脑白质病变进而诊断脑小血管病。

基于YOLACT-RFX模型的穴盘甘蓝苗株分割算法

温室作物长势分析是近年来农业信息化领域中的研究热点,目前国内温室多用穴盘育苗的方式,其密集种植的特点和复杂的背景干扰给穴盘苗株的分割识别任务带来挑战。提出一种基于YOLACT-RFX的分割算法实现对穴盘内甘蓝苗株的高精度分割和苗期识别。通过引入递归特征金字塔结构加强甘蓝苗株叶片边缘处的特征提取能力,改进相邻穴盘孔位中相互干扰苗株的分割性能。在递归特征金字塔结构中利用空洞空间金字塔池化结构对尺寸和形状快速变化的甘蓝苗株进行特征识别。最后,融合ResNeXt主干网络提升算法精度,加快模型收敛速度。基于甘蓝苗自建数据集验证所提算法的有效性,实验结果表明,当交并比为0.5时,YOLACT-RFX算法的各类平均精度为84.4%,平均召回率为92.7%,相较于YOLACT算法分别提升了3.6%和3.9%。在同等情况下,分割效果优于MASK-RCNN、SOLO、QueryInst等算法。改进后的YOLACT-RFX算法可实现对不同生长期内甘蓝穴盘苗株的高精度分割,为温室自动化甘蓝苗期管理提供技术基础。

遗传算法优化BP神经网络在水质评价中的应用

通过对常规BP神经网络和遗传算法深入研究后,提出将二者结合起来,取长补短,并采用黄金分割算法确定神经网络模型隐含层节点数,借助MATLAB软件建立了遗传算法优化后的BP神经网络水质评价模型,解决了初始权值、阈值确定难,易陷入局部极值以及网络收敛慢等问题,同时结合2021年黄河上游部分断面地表水环境质量评价进行了实例仿真实验,验证了该模型的可行性和准确性。遗传算法优化后的BP神经网络不仅能从全局考虑污染因子对评价结果的影响,而且解决了常规BP神经网络易陷入局部极值的问题,提高了网络的识别精度,评价结果更准确,更符合实际水体情况,在一定程度上改善了传统评价方法的片面性和主观性,对现有的水环境质量评价方法的改进起到了积极作用。

构建多病种心脏MRI跨设备智能分割算法

目的构建多病种心脏磁共振成像(magnetic resonance imaging,MRI)跨设备智能分割算法,提升模型在多病种条件下、不同影像设备中的通用性。方法利用MICCAI 2020公开的M&Ms Challenge心脏磁共振数据集(n=320)作为研究对象,针对现有分割模型因小样本数据训练导致泛化能力差的问题,提出不平衡相似度优化损失函数USOLoss,改进主流的UNet、DeepLabV3+、TransUNet算法,对不同病种(疾病组)和不同影像设备(设备组)的心脏磁共振成像进行分割,并进行内外部数据验证。结果利用戴斯相似系数(Dice similarity cofficient,DSC)和豪斯多夫距离(Hausdorff distance,HD)评估模型的性能,其中疾病组模型最佳分割结果DSC为0.845(扩张型心肌病,n=20)、0.811(肥厚型心肌病,n=20)、0.833(健康受试者,n=20)和0.816(其他病种,n=0.62),HD为3.05、2.53、2.15和2.36 mm;设备组模型最佳分割结果DSC为0.830(飞利浦,n=20)、0.844(西门子、n=20)、0.843(佳能,n=20)和0.815(通用电气,n=50),HD指标分别为1.96、2.92、1.67和2.08 mm。与未使用构建算法的模型相比,使用USOLoss构建的模型各项测试结果均得到了提升(P<0.05)。结论不平衡相似度优化损失函数全面提升了现有主流深度学习UNet、DeepLabV3+和TransUNet网络模型性能,降低了不同疾病类型和不同影像设备对分割性能的影响。

水面无人艇可行域及障碍物快速分割算法研究

针对水面无人艇(USV)可行域及障碍物分割系统对图像处理过程的快速性和准确性要求,研究了一种根据无人艇机载视觉传感器对水上图像快速分割的算法。首先经过多地实验采集实验图像,经过数据清洗、图像去重和人工筛选构建原始数据库,并采用人在回路数据标注方法构造了无人船可行域及障碍物分割数据集,共5620张图像和25875个标签;其次实践了主流的基于深度学习的语义分割方法,包括FCN、DeeplabV3 Plus、U-Net;最后针对水上图像的特点和快速分割的任务需求,提出了一种基于改进DeeplabV3 Plus的快速分割网络DeeplabV3-CSPNet。网络学习实验、离线航行实验和模型部署结果表明,DeeplabV3-CSPNet算法取得快速且准确的分割效果,平均精度达到84.17%,运算速度达到49.26 fps,在边缘计算平台上运算速度达到45.45 fps。

基于深度学习的CBCT下颌神经管自动分割算法综述

下颌神经管是非常重要的下颌骨结构,许多下颌手术都需要了解下颌神经管的位置和走向。目前,锥形束计算机断层成像(Cone beam computed tomography, CBCT)是主流的术前影像检测手段。但是人工从CBCT图像中识别、分割出下颌神经管是费时费力的一项工作,基于深度学习的自动分割技术成为当前的研究热点。本文对该领域的技术进展和研究现状进行了梳理,将近年来利用深度学习实现下颌神经管自动分割的算法进行了分类、汇总和比较,并讨论了该领域的未来发展方向。

Dynamic Unet+:一种轻量精确的语义分割算法及应用

图像语义分割是计算机对场景理解的一个重要环节。随着模型精度的不断提高,日益增长的模型参数量和不断下降的分割速度使得模型实际应用存在一定困难。因此在轻量级语义分割框架Unet的基础上,提出了一个简单快速的基于ResNet的动态Unet+的语义分割架构,即Dynamic Unet+,该模型在保持较高精度的同时,可拥有较少的参数量。在Camvid、PASCAL VOC2012等语义分割数据集中取得了很好的实验结果。通过对复杂背景下的自动人像抠图进行实验,对使用两个肖像分割数据集训练的模型在自动证件照制作、背景编辑等实际应用中取得了较好的实验结果,从而进一步验证了该模型的有效性和实用性。

基于MR的左心房纤维化区域分割与重建

目前主流的左心房纤维化区域分割方法是先手动划分心房壁区域,再在心房壁区域内使用阈值法提取纤维化部分。这不仅需要操作者具有专业的背景知识,同时工作量也较大,而且阈值法也难以同时对轻重程度不同的纤维化区域进行精确分割。为了解决上述问题,本文提出一种新的基于MR图像纤维化区域分割方法。首先使用拉普拉斯锐化算法,提高纤维化区域的对比度,同时采用核相关滤波算法对目标区域进行跟踪,从而去除心房外的组织;其次比较区域增长法、活动轮廓法以及基于Hessian矩阵的分割算法对纤维化区域的分割效果,选出效果最优的分割方法;最后对纤维区域的三维点云数据进行重建与渲染。实验结果表明,该方法无需逐图手动划分心房壁区域,且分割结果具有较高的准确度,可以更好地帮助医生对相关疾病进行诊断。

改进DeepLabV3+下的轻量化烟雾分割算法

通过监测火灾烟雾可以有效地检测火灾的发生,现有火灾烟雾分割算法在小目标烟雾以及大目标烟雾边缘部分表现不理想,为快速而有效地监测烟雾,基于深度学习,提出一种改进的轻量化DeepLabV3+烟雾分割算法。该文通过替换DeepLabV3+算法的主干特征提取网络,在减少参数量的同时,提高了算法提取特征的能力和对烟雾的分割能力;同时在编码模块中添加卷积注意力模块(convolutional block attention module,CBAM),增加算法对小目标烟雾的关注度,以提升算法对烟雾在复杂背景下的分割能力,并有效缓解烟雾边缘的误分割现象。最后通过比对测试集的测试结果,改进的烟雾分割算法相较于原DeepLabV3+算法,烟雾交并比(smoke intersection over union,sIoU)、平均交并比(mean intersection over union,mIoU)和平均像素精确度(mean pixel accuracy,mPA)分别提高了6.46%、4.28%和1.72%,且改进算法的权重大小仅为原算法权重大小的10.76%。实验结果表明,改进的烟雾分割算法具有分割精度高、训练时间短且模型小的优点,更符合实际中的烟雾监测任务。

基于机器视觉技术与图像分割算法的篮球行为检测

为了自动分析篮球比赛战术与策略,精准识别赛场上运动员行为,提出一种基于机器视觉技术与图像分割算法的篮球行为检测方法。采用CCD摄像机采集篮球运动员俯视与侧视角度图像,基于GrabCut算法通过K维全协方差高斯混合模型对目标与背景信息建模,提取篮球目标前景信息;构建5层次卷积神经网络,在卷积层提取分割图像的特征、融合俯视与侧视图像特征,在全连接层提取高维深度特征信息,通过Softmax分类器完成篮球行为检测。结果显示,该方法取得了理想的图像分割效果,提高了篮球行为检测精准度,降低了行为检测的时间开销。

一种针对大规模场景的点云匹配算法

针对大规模点云匹配时传统算法速度慢和匹配结果不一致的问题,提出一种新的点云匹配方法。该方法首先利用KD树找到点云中深度最小的点并以该点作为种子点,然后通过在深度信息和曲率两个方面做以改进的区域生长分割算法提取出点云上表面区域,并在该区域提取点云边界。最后使用改进的点对特征完成点云匹配算法验证。实验结果表明,相比传统算法,该方法在匹配速度以及匹配结果的一致性方面得到了显著的提升,在处理大规模点云匹配上具有实际应用价值。

基于改进动态阈值分割算法的光伏电池组件裂纹检测方法分析

为提高光伏电池裂缝检测的准确性,将智能算法应用于裂纹检测,以确保检测结果的科学性和准确性。研究使用改进的动态阈值分割算法和图像采集技术,采集光伏电池组件表面数据,对数据进行预处理、平滑定位、提取差值图以及分割取值。同时,使用拟合运算方式,标记光伏电池组件表面的裂纹位置和裂纹状态,以判断组件是否发生故障。实验结果证实,该算法具有较高的准确性和效率,具有较强的应用推广价值。

基于超像素分割的多尺度特征融合图像语义分割算法

针对当前图像语义分割Deeplab v3+模型浅层特征分辨率低、遗漏分割等问题,引入全卷积神经网络(FCNN),并在此基础上联合超像素分割实现对物体边缘特殊优势、粗糙分割结果的优化,采用空洞卷积设计多尺度特征融合模块,以提升图像空间信息利用率。为提高网络学习能力与网络性能,引入跳跃连接结构和两个损失函数,经过训练测试,证实该算法具有良好的像素精度,可提升分割准确率提高,鲁棒性强,可改善遗漏分割与错误分割。