基于改进级联式BP神经网络的巷道点云分类

巷道点云数据的高效分类对于地下交通和矿山开采的安全监测与三维重建具有至关重要的意义,可以推动点云数据的充分挖掘与利用。本文针对现有巷道点云分类方法存在的噪声敏感、处理效率低、易出现过拟合等问题,提出了一种自适应调参的早停机制优化的级联式反向传播(CBP)神经网络分类方法。该方法首先通过Trimble RealWorks软件分离巷道与巷道地面点云;然后利用球形邻域空间和协方差矩阵特征值提取局部几何特征,构建特征向量;最后通过改进的CBP网络实现巷道内部照明设备、指示牌和多类管线的分级分类,提高了分类效率和精度。试验结果表明,改进后的级联式BP神经网络在巷道点云分类方面具有较高的准确性和可靠性,提高了数据处理的效率,为巷道维护、改造和安全管理提供了数据支撑。

基于级联式三维卷积神经网络的肝肿瘤自动分割

目的:根据肝肿瘤CT影像中的特异性、分割难点以及残差网络思想,提出一种基于级联式卷积神经网络的全自动CT图像肝脏肿瘤分割方法。方法:首先根据临床知识对CT数据进行预处理,减少干扰;然后基于一个肝脏粗分割网络对肝脏进行分割,并根据分割结果坐标选取肝脏作为感兴趣区域;最后在感兴趣区域内对肿瘤进行精准分割。结果:通过级联式网络分割可以有效减少计算时间以及避免其它组织的干扰,从而实现肝肿瘤的快速分割。本研究提出的方法在2017年MICCAI肝肿瘤分割公开比赛数据集LiTS中进行测试,平均Dice分数为0.663,证实了其对肝肿瘤分割的有效性。结论:基于级联式卷积神经网络的全自动CT图像肝脏肿瘤分割方法可以实现肿瘤的快速分割。后期研究将继续增加数据量,对肿瘤进行分类,从而进一步完善模型。

一种用于机器人协同进化的级联模块式进化神经网络

给出一种用于机器人协同进化的级联模块式进化神经网络,分析了其结构组成,提供了网络构造和进化方法,给出其评价。初步研究和仿真结果表明,该网络能够较好地满足开放社会机器人协同进化对速度和知识完备性的要求。

基于级联神经网络的隧道衬砌裂缝识别算法研究

为提高隧道衬砌裂缝自动识别效率及裂缝区域提取的准确度,针对隧道内环境较为复杂、隧道衬砌裂缝形态多样化且在图像中占比较小的特点,提出基于特征提取、区域分类与区域分割的三级联网络结构。特征提取网络获取多尺度特征图,融合深浅层特征,解决裂缝特征表征较弱无法有效提取的问题。区域分类网络基于多尺度区域筛查,利用非极大值抑制剔除不同区域间的重复锚框,并通过自适应区域扩张确保裂缝的完整性。在区域分割网络中,融合多尺度特征图获得更准确的分类结果,最终将小区域分割结果映射到整张图像实现裂缝识别。在相同条件下将网络分割结果与FCN、UNet网络进行对比分析,结果表明:裂缝分类网络识别精度可达98.97%,分割网络精度达94.44%,比FCN及UNet分别提高了6.83%及4.42%。

基于递进式级联卷积神经网络的混凝土裂缝识别方法

基于深度学习的卷积神经网络方法是目前图像裂缝识别鲁棒性较高的方法,主要分为滑动窗口法和图像分割法。滑动窗口法存在后期阈值分割裂缝精度不高的问题;全局图像分割法存在裂缝区域数据和背景区域数据严重不均衡问题,会对裂缝分割精度产生影响。采用了基于递进式级联卷积神经网络的方法对混凝土表面裂缝进行识别:首先采用全卷积神经网络一次性判断图像中所有密集重叠窗口区域内是否含有裂缝,然后将含有裂缝的窗口区块提取出来作为感兴趣区域,再基于轻量化的U-Net图像分割网络作用于感兴趣区域,将裂缝区域精确地提取出来。试验结果表明,所提出的基于递进式级联卷积神经网路的裂缝识别方法优于直接使用滑动窗口法和全局图像分割法,有着可靠的应用前景。

基于HC-CFCN模型的肝脏CT图像分割

在计算机断层扫描(CT)图像中肝脏与相邻器官灰度值近似,且不同患者的肝脏轮廓存在差异性,导致肝脏CT图像的精确分割成为医学图像处理中的难题之一。为实现肝脏CT图像的自动分割,构建一种层间上下文级联式的全卷积神经网络模型HC-CFCN。利用第1级网络实现肝脏轮廓的粗略分割,并将其分割结果与原始CT图像、肝脏能量图共同作为第2级网络的输入,优化分割结果。在LiTS数据集上的实验结果表明,与U-Net、FCN+3DCRF和V-Net模型相比,HC-CFCN模型的分割精度较高。