基于全卷积神经网络和结构化森林的结构体裂纹分割方法

针对现有深度学习方法在复杂背景下无法保证裂纹特征映射的有效传递和融合,结构化森林对相似、随机的裂纹特征无法准确判别的问题,提出一种基于全卷积神经网络和结构化森林的结构体裂纹分割方法。首先,以全卷积神经网络框架为基础构建5种消融神经网络用于扩充细微裂纹全局特征;其次,提出一种基于多尺度结构化森林的裂纹分割参数竞争策略用于效改善细微裂纹区分能力;最后利用基于消融神经网络和结构化森林的耦合分割方法进行裂纹图像的联合预测。在2类结构体裂纹数据集上对所提方法进行实验验证表明,所提方法能够在复杂相似背景下提高裂纹检测的精度,可以实现有效的结构体健康监测。

基于空洞卷积神经网络的毒株胚蛋裂纹分割

针对工厂机械设备的噪声和振动、胚蛋蛋壳表面的污斑和裂纹大小、光源打光方式会对裂纹检测产生严重影响,提出一种基于密集空洞卷积模块(DACM)与空洞空间金字塔池化结构(ASPP)的卷积神经网络(CNN)分割方法分割胚蛋裂纹。采用编码器-解码器网络结构与密集连接的空洞卷积结合,增强空间信息表示并重建不同尺度目标信息;同时,在网络浅层引入ASPP,获取多尺度特征,增强细节信息,提高网络分割性能。结果表明:在自制毒株胚蛋顶部裂纹与侧面裂纹数据集上,该方法的平均交并比(MIoU)分别达到了74.2%与81.3%,具有较强的鲁棒性。

基于卷积神经网络的车用锻件磁粉视觉检测裂纹分割方法

针对机器视觉磁粉缺陷检测中裂纹图像分割精度低的问题,文章提出一种利用两阶段卷积神经网络的自动智能化裂纹分割方法,第1阶段通过裂纹定位模型将含有磁痕的区域隔离出来,第2阶段通过裂纹分割模型从区域内分离磁痕和背景。在定位模型中引入通道注意力机制和空间注意力机制,屏蔽轮廓和噪声的干扰,增强对裂纹的敏感度。实验结果表明,采用文中提出的两阶段方法,裂纹分割平均精度达到97.8%,交并比达到85.7%,相比于其他方法,裂纹分割精度更高。

基于多尺度小波变换和结构化森林的表面裂纹分割

为实现复杂背景下裂纹目标的有效检测,提出一种融合小波边缘检测与多尺度结构化森林的裂纹分割方法,以提高裂纹检测稳健性。该方法利用多幅裂纹图像和人工标注结果提取裂纹图像特征通道并离散化映射标准结果;利用三角滤波器和降采样方法获取常规和相关性候选特征;并将该特征与离散化后的标签进行结构化森林分类器的训练和验证,进而获得多个尺度的裂纹分割。在776幅结构体裂纹图像和600幅钢梁裂纹图像数据集上进行实验,结果表明,相比于单一多尺度结构化森林方法和其他几种分割方法,本文方法能够在较短的时间内获得最高的分割精度。

一种两阶段的无监督裂纹图像分割方法

针对混凝土表面图像裂纹强度不均匀,噪声干扰严重,人工标注成本高等问题,提出了一个两阶段的无监督裂纹分割方法,该方法充分利用丰富的无裂纹图像,构建一个由粗到细的裂纹分割框架.首先,该方法仅使用无裂纹的背景图像块训练一个裂纹图像块检测器,过滤大部分的背景区域,以便粗略地定位裂纹;其次,提出一种多尺度融合的混合阈值图像块分割方法,对裂纹图像块进行像素级的精细分割.多尺度融合策略有利于裂纹保持连续性以及抑制噪声.在经典的数据集CFD上的实验结果表明:对比无监督裂纹分割方法,本文的两阶段分割方法取得了更好的性能,比最好的分割方法 FFA,F1-score值提高了2.38%.

基于深度学习的舌裂分割算法研究

中医舌诊可以通过舌面裂纹的测量了解身体的健康状况。考虑到采集图片分辨率不同、质量差异较大、背景复杂且不同患者舌头颜色纹理不同等因素,传统分割算法难以得到较好的结果。提出一种基于深度学习的、面向小样本数据集的舌裂分割算法。分割时先分割舌面,再进行舌面裂纹分割,以规避较为复杂的背景影响。使用迁移学习的方法将路面裂纹训练模型迁移至舌面裂纹;改进U-Net网络结构,在传递拼接路径增加SE模块以提高分割的准确性和鲁棒性;训练时使用Focal Loss(焦点损失)函数作为损失函数,使网络更加关注小目标的分割,从而提升整体分割效果。实验表明,本文方法具有更强的鲁棒性,能够应对背景、光照、纹理等图片质量问题,其MPA(平均像素精度)能够达到71.06%,MIoU(均交并比)能够达到67.35%,在视觉效果上有更好的表现。实验和对比结果也表明,该分割方法具有较高的准确性和稳定性。