带钢表面缺陷的RepVGG网络改进及其识别

对带钢表面缺陷准确快速识别是带钢外观质量评价的一项重要内容,应用深度学习进行带钢表面缺陷识别是一个持续的热点。提出了一种基于改进RepVGG网络的带钢表面缺陷识别方法。首先为提高RepVGG网络在带钢表面缺陷识别中的稳定性和准确率,该方法引入了高效通道注意力(Efficient Channel Attention,ECA)网络,然后为了防止神经网络训练中神经元坏死,使得神经元参数得不到更新,应用了高斯误差线性激活函数。在测试集上,改进RepVGG网络对带钢表面缺陷的识别率达到了99.94%,而其运行速度并没有降低,单张图片的平均检测时间为5.4 ms。

基于改进U-Net的新冠肺炎图像分割方法

近两年,新冠肺炎在全球暴发,给人类带来了极其严重的生命安全隐患,为尽可能地提高医生的诊断效率,研究新冠肺炎图像的病灶分割方法是极具价值的。利用U-Net网络模型作为基础网络,在第一、二层拼接前,引入改进的通道注意力,强化重要信息;在第三、四层拼接前,引入空间注意力,提取空间信息,对目标区域的细节信息进行补充;最后使用混合损失函数,加快网络收敛速度,避免样本不均衡。对比基础网络,改进后的网络模型既能够分割出较大的目标区域,也能够分割出较小的目标区域,更好地避免出现梯度消失问题,捕捉特征更加充分,有效提高分割性能和网络的可靠性。