基于AttentionR2U-net的岩石(体)关键节理智能识别与参数提取

针对岩石(体)表面复杂节理网中关键节理的智能识别与参数提取问题,提出一种基于AttentionR2U-net网络与节理几何特征模型耦合识别的方法.在R2U-net网络的基础上引入注意门(attentiongate)改进网络,通过定性与定量的方法对边坡节理图像和混凝土、龟裂土、常见脆性岩石裂隙图像的识别结果分别作准确性及泛化能力检验;利用AttentionR2U-net网络耦合节理几何特征的方法识别关键节理,提取原始节理和关键节理的几何参数并对其迹长、面积及倾角作差异性分析.研究结果表明:针对岩石(体)节理识别,本文算法的Dice相似系数从U-net网络的0.965提升至0.990,且明显优于传统算法,故本文算法在岩石(体)节理识别上具有更强的可靠性与优越性;针对混凝土、龟裂土和大理岩、花岗岩、砂岩等脆性岩石裂隙的识别,本文算法的Dice相似系数均在0.953以上,故本文算法具有较强的泛化能力.与原始节理网络相比,关键节理网络优势迹长由0.732m显著增大至1.835m,节理倾角分布形式和优势倾角组均不变,优势迹长和倾角的节理占比均显著增大.

基于高分辨率遥感影像和改进U-Net的城市绿地提取

准确掌握城市绿地的面积和空间分布对于城市园林绿化规划和管理具有重要意义。针对U-Net网络提取城市绿地存在的参数余和边界特征丢失等问题,本研究提出一种基于改进U-Net网络的城市绿地信息自动提取方法。该方法采用MobileNetv2作为编码部分,结合交叉熵损失函数和Dice损失函数以提高模型的泛化性并解决样本不平衡的问题。同时,引入空间通道压缩与激励模块以解决边界特征提取不准确的问题,在提高模型精度和速度的同时,降低参数量。结果表明:(1)改进的U-Net模型在城市绿地提取的精度和速度方面优于其他4种经典模型,参数量仅为6.9M;相较于原始的U-Net模型,改进后U-Net模型的mloU提高0.63%,参数量减少77.77%,平均顿数提高2.77倍,表明该方法在显著减少模型参数的同时,仍能保持较高的精确性。(2)实际应用方面,研究部署最优模型对长沙市区的绿地进行自动提取,共提取75549个绿地图斑,面积范围从0.0001hm^(2)到706.39hm^(2)不等;分区统计结果显示,岳麓区绿地面积最大,芙蓉区最小,与目视解译结果基本一致。本研究不仅提供了一种改进城市绿地提取精度和速度的方法,而且具有一定的实用价值,为城市绿化规划和管理提供有力的数据支持。

数字图像修复的DI-StyleGANv2模型

当数字图像存在大面积缺失或者缺失部分纹理结构时,传统图像增强技术无法从图像有限的信息中还原出更多所需的信息,增强性能有限。为此,本文提出了一种将解码信息与StyleGANv2相融合的深度学习图像修复方法——DI-StyleGANv2。首先由U-net模块生成包含图像主信息的隐编码以及次信息的解码信号,随后利用StyleGANv2模块引入图像生成先验,在图像生成的过程中不但使用隐编码主信息,并且整合了包含图像次信息的解码信号,从而实现了修复结果的语义增强。在FFHQ和CelebA数据库上的实验结果验证了所提方法的有效性。

基于Res2-UNet模型的皮带煤量检测

为了能够检测煤矿井下的煤量,预测和提高煤的利用率,同时节省电能,减少人力的监管和资源成本。利用煤矿安装的视频监控系统,采用非接触的方式通过Camshift算法对快速运动皮带上的煤量捕捉和跟踪,然后建立Res2-UNet模型来获得显著性信息,融合灰度、纹理、边缘等特征到单一的网络中,实现了皮带煤量的检测。模型利用U-Net网络的思想以编码器-解码器为架构,编码器以Res2Net网络为骨干网络提取煤流不同层次特征的信息,解码器通过反卷积上采样操作恢复图像尺寸。经过构建皮带数据集训练和测试模型,实验结果表明,提出的方法能够快速准确地检测出皮带上的煤料,精确率达到95.5%,每张图像从输入网络到输出的运行时间为4.8s。表明该方法具有一定的实用性和有效性。

基于高分辨率遥感影像深度特征的城市非渗透表面集成学习提取

城市非渗透表面信息的有效提取是高分辨率遥感应用研究的热点问题。针对目前城市非渗透表面信息提取中存在的问题,结合深度学习与集成学习的优势,提出了基于高分辨率遥感影像深度特征的城市非渗透表面集成学习方法。以高分二号多光谱数据为试验数据,以非渗透表面密集程度不同的城市区域为试验区,基于U-Net深度网络提取的高分辨率影像的深层次特征,采用Stacking机制的集成学习机提取城市非渗透表面信息。试验结果表明,基于深度特征的集成学习方法在城市非渗透表面信息提取中获得了较高的精度。在城市非渗透表面密集程度不同的试验区,总体精度不低于91.66%,Kappa系数不低于0.83;错分误差为7.83%~9.39%,漏分误差为7.22%~14.88%。相对于基于浅层光谱信息的集成学习、随机森林、支持向量机,总体精度、Kappa系数有显著提高,错分与漏分误差显著降低。说明深度特征信息能有效提高集成学习提取非渗透表面提取的用户精度与制图精度;相对于U-Net、SegNet深度学习网络,在稀疏、中等密集、密集、复杂4类非渗透表面试验区,有效提高了总体精度、Kappa系数,漏分、错分误差显著的减少。说明基于深度特征的集成学习能有效改善与提高非渗透表面提取的用户精度与制图精度。总体上,基于深度特征的高分辨率非渗透表面集成学习方法能获得较高的城市非渗透表面信息提取精度,在城市土地利用/覆盖分类中具有良好的应用前景。

改进U-Net的高分辨率遥感图像轻量化分割

针对传统图像分割方法分割效率低下,遥感图像特征复杂多样,复杂场景下分割性能受到限制等问题,在基于U-Net网络架构的基础上,提出一种能够较好提取遥感图像特征并兼顾效率的改进U-Net模型.首先,以EfficientNetV2作为U-Net的编码网络,增强特征提取能力,提高训练和推理效率,然后在解码部分使用卷积结构重参数化方法并结合通道注意力机制,几乎不增加推理时间的前提下提升网络性能,最后结合多尺度卷积融合模块,提高网络对不同尺度目标的特征提取能力和更好地结合上下文信息.实验表明,改进的网络在遥感图像分割性能提升的同时分割效率也提高.

基于多维卷积神经网络的多源高分辨率卫星影像茶园分类

武夷山市地形条件、茶园种植结构复杂,云雨天气多、卫星影像难获取。针对单一影像源茶园难提取的问题,以武夷山市新田镇为研究区,综合Sentinel-2影像的光谱信息和Google影像的纹理特征,提出一种基于多源高分辨率卫星影像和多维卷积神经网络(multidimensional multi-source convolutional neural networks,MM-CNN)的茶园分类方法。该方法以一维和二维卷积神经网络为基础,根据不同分辨率的影像,通过建立2种模型,分别提取茶园及疑似区域,并融合2个模型结果,最终得到茶园分布,以相对经济、高效的方式完成研究区茶园分布的高精度提取。结果表明,MM-CNN融合多源高分辨率影像进行茶园提取的空间分布精度优于单一影像源方法,MM-CNN方法具有一定的普适性和鲁棒性,为南方丘陵山区大范围高效监测茶园分布情况提供了方法参考。

基于深度学习的黑臭水体遥感信息提取模型

黑臭水体分布广泛,严重损害人民的居住环境和城市整体美观形象。以河北省廊坊市为研究区,利用高分二号(GF-2)多光谱数据和实测数据,使用PSPNet(Pyramid Scene Parsing Network)和U-Net模型对黑臭水体遥感信息提取进行对比实验研究。基于可见光波段(RGB)及近红外波段(NIR)计算归一化差异植被指数(NDVI)和归一化差异黑臭水体指数(NDBWI),针对细小形状的黑臭水体普遍存在的漏检问题,引入注意力机制模块对模型进行优化改进,构建改进型深度学习黑臭水体遥感信息提取模型。结果表明:输入RGB+NIR+NDVI+NDBW六通道组合遥感影像并引入注意力机制的U-Net网络模型对黑臭水体的提取结果最佳,其精度评价指标F1-srore、MIoU、Recall分别达到了0.8645、0.8681、0.8359。

基于深度学习的腰椎间盘退变全自动分级

目的探讨深度学习模型在腰椎磁共振T2加权成像(T2WI)矢状图像上全自动识别腰椎间盘退变程度的可行性。方法回顾性抽取2020年8月至2022年6月于安徽医科大学第三附属医院就诊并行腰椎MRI检查的94例患者的腰椎T2WI图像数据,共获得466个椎间盘,由两名放射科医生手动标注腰椎间盘,将数据随机分为训练集(300个)、调优集(72个)和测试集(94个),首先使用U-Net网络训练椎间盘分割模型,模型评价指标包括Dice系数和交并比(IoU)分数;然后利用SpineNet网络训练分类模型进行评价,评价指标包括准确度、敏感度、特异度、F1分数及ROC曲线。结果测试集中U-Net模型对腰椎间盘分割的平均Dice系数值及IoU分数分别为0.920、0.853;SpineNet分类模型对腰椎间盘退变分类诊断的准确度、特异度、敏感度分别为0.913、0.912、0.916,ROC曲线分析示,该模型区分腰椎间盘退变轻度vs中度、轻度vs重度、中度vs重度的AUC值分别为0.89、0.95、0.90。结论深度学习网络对腰椎间盘退变程度的全自动分类是可行的。