基于U2-Net的广域In SAR开采沉陷区自动识别方法研究

我国井工煤矿量大面广,地下开采隐蔽性强,现有的人工调查、遥感探测、现场实测等方式难以满足大范围开采沉陷区自动识别实现要求,不利于实现高效监管、动态监测。为此,提出了一种基于U2-Net的广域合成孔径雷达干涉测量(Interferometric Synthetic Aperture Radar,InSAR)开采沉陷区自动识别方法,该方法通过各种形变梯度和噪声水平的模拟数据集训练卷积神经网络(Convolutional Neural Network,CNN),使其能够实现由差分干涉图一步输出包含开采沉陷位置信息的二值矩阵。试验表明:U2-Net的平均像素准确率(Mean Pixel Accuracy,MPA)和平均交并比(Mean Intersection Over Union,MIoU)分别达到了0.9163、0.9119,均高于试验中的其他2种模型,能够更好地抑制噪声,突出形变信号。在覆盖神东矿区不同时间间隔的In SAR干涉图上,U2-Net自动识别了覆盖面积超过54600 km2的干涉图,检测出了多处边界信息清晰平滑的沉陷区,识别的平均准确率达到92.45%。结果表明:对比其他网络,U2-Net通过2级嵌套的“U”形结构能够以较小的计算量融合多尺度和多层次特征,在噪声抑制和形变区域识别方面具有显著优势。由此可见,联合深度学习可服务于精细化开采沉陷区详细调查,促进In SAR技术的应用,为广域开采沉陷区智能识别提供了一种新的技术方法。

基于改进U2-Net的指针式仪表读数方法

当前工业指针式仪表读数过程中存在特殊环境下依赖人工和推理精度低等问题,本文提出一种基于改进U2-Net的指针式仪表读数方法。针对目前仪表识别算法推理精度差和模型参数数量过多的问题,将U2-Net编码阶段的RSU4和RSU5的最深层的两个卷积更换成深度可分离卷积,并在每个RSU的编码阶段后加入了ECA注意力模块,使模型更好地关注指针和刻度区域,提高指针和刻度的识别精度。本文在收集到的数据集上进行评估,通过对比实验表明,相较于SegNet、Deeplabv3+及U2-Net方法,本文改进的模型查准率达到94.58%,针对两种量程25 MPa和1.6 MPa的压力仪表读数引用误差达到1.012%,具有较好的性能表现。At present, there are some problems in the reading process of industrial pointer instruments, such as relying on manual work and low reasoning accuracy. This paper proposes a reading method for pointer instruments based on improved U2-Net. Aiming at the problems of poor reasoning accuracy and too many model parameters in the current instrument identification algorithm, the deepest two convolutions of RSU4 and RSU5 in the U2-Net coding stage are replaced by deep separable convolutions, and the ECA attention module is added after each RSU coding stage, which made the model pay more attention to the pointer and scale area and improved the recognition accuracy of pointer and scale. In this paper, the collected data sets are evaluated. Compared with SegNet, Deeplabv3+ and U2-Net methods, the accuracy of the improved model in this paper reaches 94.58%, and the reference error of pressure instruments with two measuring ranges of 25 MPa and 1.6 MPa reaches 1.012%, which has good performance.

一种改进U 2-Net的高分辨率遥感影像道路提取方法

目前基于深度学习的道路提取方法普遍存在忽略影像细节特征的问题。针对此问题,设计了一种改进U 2-Net的高分辨率遥感影像道路信息提取新方法。该方法以U 2-Net为主体框架,引入了卷积注意力机制模块和自注意力机制模块,既增加影像的全局语义信息又保留了空间细节特征,实现不同类型特征的有效融合。在DeepGlobe和CHN6-CUG两个道路数据集上的实验结果表明,该方法具有更强的特征提取和抗干扰能力,整体性能优于其他同类研究成果,能够更有效地从高分辨率遥感影像中提取道路。

基于改进U2-Net网络的多裂肌MRI图像分割算法

针对腰间盘突出患者MRI图像多裂肌病变部位分割精度较低的问题,提出一种改进的U2-Net网络的新模型,目标是使得编码和解码的子网络通过一系列嵌套的跳跃路径来相互连接.重新设计U2-Net模型中RSU-7、RSU-6、RSU-5、RSU-4中间的跳跃连接,RSU-4F部分不变,用来降低编码解码子网络中特征图的语义缺失.为了提取到高质量的多裂肌特征,加入通道注意力模块,通过学习每个通道的权重,使网络能够更好地关注对任务有贡献的通道,从而提升模型的性能.为验证模型的有效性,在多裂肌MRI图像数据集上进行实验,发现相较于U-Net、U2-Net、U-Net++网络结构,骰子系数(Dice)、豪斯多夫距离(HD)以及均交并比(MIoU)3个指标均有优化.实验结果表明,本文提出的算法对于多裂肌的MRI图像分割有较好的效果,能够辅助医生对病情做出判断.

基于U 2-Net深度学习模型的沿海水产养殖塘遥感信息提取

针对近海沿岸复杂地理环境中“同谱异物”效应导致传统方法提取水产养殖塘边界模糊、精度较低的问题,提出了基于U 2-Net深度学习模型的沿海水产养殖塘遥感信息提取方法。首先,对遥感影像进行预处理,选择合适的波段组合方式以区分养殖塘和其他地物;其次,通过目视解译进行样本制作;然后,利用U 2-Net深度学习模型训练并提取沿岸养殖塘;最后,利用局部最佳法确定养殖塘范围。实验结果表明,该方法平均总体精度达到95.50%,平均Kappa系数、召回率和F值分别为0.91,91.45%和91.01%;在养殖塘个数及面积评价方面,提取出养殖塘区19块,共计9.79 km^(2),区块数和面积的平均准确度分别为94.06%和93.18%。本研究能够快速、准确地开展海岸带区域养殖塘制图,能够为海洋资源管理和可持续发展提供技术支持。

基于YOLOv7+U2-Net的指针式仪表检测与识别

针对复杂环境下指针式仪表检测与识别过程中存在定位仪表困难和推理精度低等问题,本文提出一种基于YOLOv7+U2-Net的多量程仪表识别方法.为了提高U2-Net模型的输入图像质量,选择推理精度和速度快的YOLOv7检测器,将检测、裁剪好的图像作为模型的输入图像数据集,同时对输入图像进行了旋转矫正,使模型适用于多角度仪表识别.针对仪表读数推理精度差和速度慢等问题,将U2-Net解码阶段的RSU4-RSU7的普通卷积更换成了深度可分离卷积,在此基础上引入了Attention机制,加快整体推理速度和精度.此外,为了提高该方法的普遍适用性,提出了多阈值范围内的识别准确率判别方法来适配多种应用场景.通过对比实验表明,在收集到的数据集上进行评估,相较于模板匹配、SegNet、PSPNet、Deeplabv3+及U-Net方法,本文方法识别准确率达到96.5%,在多个阈值区间内都具有良好性能表现.

基于YOLOv5和U2-Net的高铁桥梁裂缝智能检测方法研究

传统数字图像处理技术在处理桥梁结构裂缝时由于裂缝形态和环境影响的复杂性导致检测效果不佳,且缺乏自适应和智能化的能力。为此,基于深度学习提出了一种结合YOLOv5和U2-Net的裂缝检测系统。YOLOv5可实现裂缝实时高精度识别和定位,引入更适用与显著性目标且特征提取能力强的U2-Net图像分割模型,提出了基于计算轮廓最大内切圆算法的裂缝宽度测量法,通过模拟高铁桥梁的破坏性实验,采集2560张测试图像作为系统的输入端对该系统进行评估。结果表明,识别定位模型测试集的准确率、召回率、平均精确度分别为92.21%、94.63%、95.32%;分割模型测试集准确率、召回率、平均精确度分别达到92.86%、95.61%、93.35%,并能够准确计算出裂缝的宽度。

一种基于U2-Net模型的电阻抗成像方法

电阻抗成像(EIT)是一种实现场域内电导率分布情况图像重建的成像技术。传统的电阻抗成像算法成像精度较低,为解决此问题,提出一种基于U2-Net深度学习模型的新型电阻抗图像重建方法。首先,以U2-Net模型为基础,创新地提出了拼接层(CAT)的概念用于数据扩展,使得U2-Net的输入层结构简单,运算速度快;其次,使用仿真数据集对该网络进行训练,使用验证集选择最优的模型参数,结果表明,提出的算法测量精度高、鲁棒性好,在仿真数据集的表现优于其他算法。最后,提出一种新的EIT成像质量评价指标:中心和面积误差(CAE)用于验证算法在实验中的表现,实验结果表明,所提算法的CAE为4.975,对于目标物的中心和面积预测更为准确,成像效果优于其他对比算法。

基于U^(2)-Net+的透水混凝土CT影像孔隙分割

针对现阶段主流的透水混凝土CT影像孔隙分割方法存在的问题,提出了一种堆叠高效RSU模块的U^(2)-Net+的图像分割方法。该方法通过堆叠高效的RSU模块,在网络中引入了更多的上采样节点和跳跃连接,还原了更多下采样阶段丢失的特征图细节;在编码阶段增加了一个可学习的下采样操作,进一步提升了网络对细节的捕获能力;简化了原网络的深度监督,避免了底层特征图对融合输出特征图的负面影响;将单一的标准二分类交叉熵损失函数改为Focal loss和IoU loss组成的混合损失函数,提升了网络对高噪声孔隙的关注度;最后由于数据集的特点加网络改进的提升,原网络中各模块的中间通道数得以进一步缩减,减小了网络体积。试验结果表明,U^(2)-Net+相比U^(2)-Net†在保证轻量化和快速性的同时,平均交并比、精确度、F1得分由94.12%、88.89%、93.28%分别提升至94.24%、91.15%、94.29%;U^(2)-Net+综合指标优于U-Net、U-Net++、U-Net3+、U^(2)-Net、U^(2)-Net†,各指标相较于主流的阈值分割算法至少提高23.29%,实现了透水混凝土CT影像孔隙的精准、快速分割。

基于U^(2)-Net的高精度多套层位追踪方法及应用

层位追踪是地震资料解释中一项基础且重要的工作,常规智能层位追踪方法的精度难以满足实际生产需求。为此,提出了一种基于U^(2)-Net的高精度多套层位追踪方法。首先,设计一种充填标签的制作方法,遍历地震数据每个像素点,判断当前像素点所在位置并为其划分一个层位区域;对于穿过断层的层位,则自动搜寻相邻层位,实现非全区层位、断层等复杂条件下的地震反射层位及不整合面的充填标签的制作;然后,利用充填标签,采用U^(2)-Net网络模型对F3数据体和M工区地震资料进行训练。与U-Net+PPM网络模型相比,U^(2)-Net网络模型的预测精度更高,稳定性更好,泛化性更强,训练时间更短,且预测复杂地区的地震反射层位的准确率和平均交并比都大于95%。该方法可以较好地适应低信噪比地震资料的层位追踪。

U^(2)-Net在建筑物提取中的边缘精度分析

随着城市化的进程和遥感科学技术的发展,在高分辨遥感影像中进行建筑物提取一直是摄影测量与遥感领域的一个热点研究主题。针对遥感影像中提取建筑物存在边缘模糊的问题,本文运用U^(2)-Net网络算法提取建筑物,并与lr-aspp、fcn、deeplab_v3三种网络算法分别进行了建筑物提取对比实验;结果表明U^(2)-Net网络,在不损失预测精度的情况下,耗时较短,且准确率可提升至97.478%,可较好地解决建筑物提取中的边缘模糊问题。

基于边缘U^(2)-Net的视盘分割方法

彩色眼底图像中的视盘分割在识别眼科疾病中起着关键作用。针对因各种因素影响的视盘边缘分割不准确及分割算法效率低问题,提出一种基于轻量级U^(2)-Net、融入边缘注意力机制的视盘自动分割方法。该方法以轻量级U^(2)-Net为主干网络,使用视盘感兴趣区域提取的预处理方式去除无关特征,同时引入边缘注意力机制增强对视盘边缘特征的提取能力。在Drishti_GS和REFUGE两个公开数据集上的F1分数分别达到97.82%和97.36%,Dice相似系数分别达到97.15%和96.64%,IOU分别达到94.47%和93.50%,与其他网络模型相比表现出优越的分割性能,具有临床应用价值。

基于轻量化U^(2)-Net的车道线检测算法研究

针对车道线遮挡、道路阴影等多车道驾驶环境下提取的车道线特征信息缺失造成预测车道线模糊、不连续等问题,提出一种基于轻量化U^(2)-Net的车道线检测算法。首先,以轻量化U^(2)-Net的残差U形模块(RSU)和多特征尺度融合获得全局信息丰富的车道线特征;其次,对车道线特征进行逐像素阈值判断,并选择最小二乘法结合感兴趣区域(ROI)中车道线簇进行车道线的拟合,实现多车道线检测并确认自车道线区域;最后,在图森(TuSimple)数据集上进行验证与分析。验证结果表明,所提出的车道线检测算法的平均准确率达到98.4%,相比于其他车道线检测网络,该算法的网络参数量较少,准确率较高。

基于U^(2)-Net的痕迹物证图像分割方法的研究

针对痕迹物证检测方法精度不高、模型体积较大、部署困难等问题,设计了一种简单且强大的深层网络架构U^(2)-Net,用于研究痕迹物证图像分割方法。该架构特别设计了用于处理复杂背景下的图像分割任务。U^(2)-Net采用了一种新颖的嵌套U型结构,通过多尺度的特征提取和深层次的信息融合,能精确地识别和分割痕迹物证图像中的关键对象。该方法在痕迹物证的识别和提取方面展现了优越的性能,特别是在处理高度复杂或模糊不清的图像时,能有效提高分割的准确性和细节恢复能力。

基于改进U^(2)-Net模型的混凝土结构表面裂缝检测

【目的】背景复杂的混凝土结构表面裂缝连续性差、识别率低,基于深度学习的裂缝检测方法存在模型参数量大的问题。【方法】为此,结合U^(2)-Net框架构建了一种聚合多尺度信息的轻量级模型U^(2)-Net_Aggregation,用于复杂背景下的裂缝特征学习。该模型通过增加跳跃连接,使得每个解码层均聚合该层以上所有浅层编码特征,以获得足够的特征细节,提升裂缝分割精度;利用深度可分离卷积(Depthwise Separable Convolution, DSC)对原本的残差模块(ReSidual U-blocks, RSU)进行改进,提出了新的残差模块(RSU-DSC-ECA),来降低聚合多尺度信息时带来的模型复杂度提升的问题,其中的通道注意力机制(Efficient Channel Attention, ECA)可提升模型对裂缝区域的敏感性和对复杂背景的抗干扰能力。【结果】在三组裂缝数据集上进行消融试验,改进后的模型(U^(2)-Net_Aggregation)相较于U^(2)-Net在准确率、交并比、综合评价指标上均有优异的表现。为了验证模型对复杂背景中裂缝的识别能力,利用无人机实地采集的某混凝土结构数据进行试验,其检测效果优于FCN、SegNet、U-Net和U^(2)-Net。【结论】改进后的模型相比U^(2)-Net在召回率、交并比和综合评价指标方面分别提高了4.18%、2.97%和2.03%,可借助无人机影像快速准确地检测出裂缝,为结构裂缝检测提供一种新的方法。

多尺度非对称卷积的轻量级U2-Net医学影像语义分割模型

基于U2-Net网络结构,设计了一种运行更高效、分割更准确的医学影像语义分割模型。通过多尺度非对称卷积核代替传统的注意力机制以及降低原U2-Net网络的层数,减少模型参数量;通过改变U2-Net网络连接方式,使用U-Net++网络的跳跃连接方式,使模型在传递特征信息时保持完整性,减少信息损失,使分割边缘更加精确且连续;根据正负样本不均衡和难易不同的问题设计了避免在训练过程中大量简单负样本占据主导地位的二分类交叉熵损失函数(BCE Loss),更倾向于挖掘前景区域的骰子损失函数(Dice Loss)以及更偏向于两图的结构相似性的多层级结构相似性损失函数(MS-SSIM Loss)的组合损失函数,用来监督网络优化。实验结果表明:所提算法在DRIVE、STARE数据集上比现有最先进网络模型(SOTA)的F1分数分别提高2.6%、1.4%,在ISIC-2018数据集上比SOTA的DSC指标提高2.6%。对分割结果进行可视化后表明,网络在样本较小的情况下可以充分提取样本信息,提高语义分割效果。

基于注意力机制的U^(2)-Net图像语义分割

图像语义分割是计算机视觉领域中的一项重要技术,在自动驾驶、医学影像分析、智能家居和安防监控等领域都有广泛的应用。近年,利用深度学习模型进行图像语义分割的方法得到了广泛关注和研究。然而,深度学习模型很容易出现过拟合问题,并且面对一些存在遮挡、噪声的图像时容易预测出错,从而导致模型分割精度下降。针对这个问题,提出了一种联合注意力机制的U^(2)-Net图像语义分割优化方法,在以VGG为主干网络的U^(2)-Net模型中,增加CBAM注意力模块,使网络模型能够更加关注与分割任务相关的区域,忽略掉一些无关或噪声干扰的区域,增强特征图的表征,进而能够有效地提高模型的性能和泛化能力。实验结果表明,在增加CBAM模块后,U^(2)-Net模型的MIoU及准确率分别提高了8.21%和4%。

改进U^(2)-Net的太阳能电池片缺陷分割方法

针对太阳能电池片缺陷分割中存在的特征提取能力弱、分割精度低和漏分割等问题,提出了一种改进U^(2)-Net的太阳能电池片缺陷分割方法。为提高RSU内部有效特征的提取能力并减少参数量,利用残差结构将有效的通道注意模块和深度可分离卷积结合起来,组成新的特征提取层;为防止空间信息的丢失,在外层编解码跳跃连接中添加语义嵌入分支结构,并利用CARAFE算子进行上采样,将更多的语义信息引入低层特征以加强级间特征的融合,减少因跳跃连接丢失的空间信息;最后,将所提方法与常用分割网络对比分析。实验结果表明,该方法的类别像素准确率、交并比和平均交并比分别达74.69%、60.68%、80.30%。相较于U-Net、PSPNet及Deeplab v3+,该方法不仅有效提高了缺陷分割的精度,还实现了小目标缺陷的准确分割,有效减少了漏分割。

基于改进U^(2)Net的岩石薄片图像分割

了解岩石的孔隙度、孔径分布、孔隙连通性等特征对于油气的寻找和开采有着重要的意义,而这些特征的分析和判断需要借助岩石薄片图像分割技术.岩石薄片图像有大量细小颗粒,这些颗粒之间的边缘特征十分相似,无法做出精准的区分,同时制造切片过程中染色不均会造成薄片孔隙的颜色特征不平衡而导致无法分割.因此为了改善岩石薄片分割效果,本文提出基于一种改进的U^(2)Net的分割算法.主要内容如下:(1)以U^(2)Net网络为骨干进行改进,结合coordinate attention注意力机制,用来提高模型对图像特征的表达能力.(2)通过引入多尺度特征提取模块,增加卷积层的感知区域,且能够利用特征图的多尺度特征信息.实验证明,该方法与传统分割方法和其他分割网络相比在较小颗粒的分割上表现更好,所提出的算法具有较高的分割准确度和鲁棒性.

基于改进U-Net网络的花岗伟晶岩信息提取方法

利用遥感手段进行花岗伟晶岩型锂矿的识别是锂矿找矿勘查中的重要方法之一。为提高深度学习语义分割方法在花岗伟晶岩这一特殊场景中的信息提取精度,文章对经典U-Net网络进行了改进。在编码部分卷积单元层中加入批量归一化模块,使用ReLU6激活函数代替ReLU激活函数,同时构建复合损失函数,以提高运算效率,减少训练过程中的精度损失。使用国产GF-2花岗伟晶岩型锂矿影像制作数据集进行实验,结果表明,改进U-Net模型对GF-2影像研究区内花岗伟晶岩信息的识别效果较好,相比原始U-Net网络、基于VGG主干网络的U-Net模型、基于MobileNetV3主干网络的U-Net模型以及传统随机森林模型,平均交并比分别提高了14.69,0.95,5.08和35.34百分点,F 1-score分别提高了18.38,1.02,5.7和54.59百分点,实现了低植被覆盖区域遥感影像中含矿花岗伟晶岩信息的高精度自动化提取。