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。

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。

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。

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的透明件划痕检测方法

为了满足透明件表面质量和市场竞争的需求,实现产品表面缺陷的自动化检测至关重要。针对透明件表面划痕快速检测问题,提出了一种基于改进U^(2)-Net的缺陷检测方法。首先,直接应用U^(2)-Net网络进行透明件表面划痕检测的数据集准备、网络搭建、损失函数、评估指标;其次,初始化网络进行训练,分析产生误检漏检及低效的原因;最后,优化损失函数,加入正则化技术,并给出在输入数据前加入Mosaic数据增强,解码阶段融入深层可分离卷积以及加入Attention机制的改进方案。结果表明:本文提出的改进方案能够有效分割出不同情况下的划痕,准确率达到0.987,漏检率为0.006,并在检测速度上有19%的提升。可见改进U^(2)-Net的透明件划痕检测方法能够很好满足工业流水线准确检测缺陷的实际需求。

基于改进U^(2)-Net与迁移学习的无人机影像堤防裂缝检测

为准确便捷地从大范围背景复杂的堤防表面获取裂缝的形态信息,提出了一种基于改进U^(2)-Net(U^(2)-ADSNet)的裂缝检测方法。该方法在U^(2)-Net中融合深度可分离卷积和扩张卷积,扩大了原有模型的感受野,增强了对细节特征的学习能力,降低了模型参数;在少量无人机实测影像数据基础上,利用裂缝开源数据集进行迁移学习,降低了训练成本;通过切片预测实现对大范围无人机影像的裂缝检测,利用连通域搜索去除可能的误检。将U^(2)-ADSNet与FCN、SegNet、U-Net和DeepCrack等语义分割模型在堤防裂缝数据集上进行对比,验证了U^(2)-ADSNet的有效性,该模型经过迁移学习后交并比达到78.55%,综合评价指标值为87.87%,可用于堤防裂缝的检测。

空洞卷积优化U^(2)-Net的X光快速分散检测模型

锈蚀覆盖的古铜镜在非接触探伤检测中,因镜缘与镜心厚度各异,X光成像无法呈现完整的病害信息,但为满足文保观测需求而经融合处理后的X光图像又包含大量裂缝、侵蚀等多种病害特征。分散且细小的裂纹不仅难以检测,还极易出现过分割现象。为进一步提升古铜镜病害分割准确率和图像质量,在将裂缝、侵蚀全部分割出来的同时提升图像均方根差(RMSE)和峰值信噪比(PSNR)指数。选取U^(2)-Net网络为基本模型,在U形嵌套思想下研究提升分割图像质量和准确率的优化策略。利用空间通道注意力机制增强对病害的检测提取;设计UD-block模块,利用空洞卷积在网络训练中提高对分散的细小裂纹的检测能力;在网络结构中添加双级错位链接机制,改善PSNR和RMSE指标;显著性图融合阶段添加金字塔注意力分割模块,使分割效果更符合人眼视觉感知。最后,通过对当前探伤检测算法进行实验对比和结果分析,此算法在消融实验上Dice系数、Jaccard指数、准确率、Hansdorff维数、RMSE和PSNR均取得最优,可为文物探伤检测算法进一步研究提供参考。

基于遥感指数与深度学习的黄河冰凌遥感监测识别分析

黄河流域特殊的地理位置和环境因素造就了其复杂的凌情特征,及时准确掌握凌汛期间冰凌变化规律与特点是凌汛监测防治的关键任务。卫星遥感可实现黄河冰凌的大范围快速提取,目前常用的方法有遥感指数与深度学习两类,为验证和对比不同方法对黄河冰凌遥感监测识别的有效性,基于Sentinel-2遥感数据,利用归一化积雪指数及其改进形式和U^(2)-Net等三种方法对2023年黄河宁蒙段冰凌进行遥感提取。结果表明:NDSI、MNDSI、U^(2)-Net三种方法的结果分类精度分别为83.42%、87.98%和92.01%;Kappa系数分别为0.88、0.90和0.97;三种方法均对冰凌有较好的提取效果,但指数法对于流凌、清沟等其他类型的识别效果较差,浅滩处提取的边界较为杂乱,U^(2)-Net可以精确区分出清沟,提取冰凌边界的效果更好。

无人机智能巡检混凝土裂缝方法和机制研究

利用无人机搭载专业设备对坝体混凝土裂缝进行自动化检测和智能识别,可提升大坝表面病害视觉检测自动化水平,为大坝正常维修管理提供高质高效的信息。介绍了YOLO裂缝目标检测算法和U^(2)-net裂缝图像分割模型,以及裂缝参数的测量方法和图像识别精度的评价标准。结合某水电站坝顶混凝土裂缝调查场景,分析无人机不同搭载形式与航拍高度和图像地面分辨率的理论关系,并利用YOLO和U^(2)-net算法进行裂缝宽度识别,探究不同航拍参数对裂缝识别精度的影响。最后,综合考虑各巡航场景实际运行要求和成果处理与发布效率,确定坝体裂缝自动化检测运行参数,为高精度识别坝体毫米级宽度裂缝提供一种思路。

基于多尺度特征融合的单目深度估计算法

在当前的单目深度算法中,堆叠的卷积层和过度的下采样操作会造成特征图分辨率和高层信息的损失,影响了深度图整体的精度。针对这一问题,本文提出了一个基于多尺度特征融合的单目深度估计算法。采用了递进式的编-解码结构,由浅到深逐级提取不同尺度的信息,不同层级不同分辨率的特征连接在一起,形成了多尺度特征融合结构;编码器采用U^(2)-Net的设计架构,内部通过Vision Transformer模块,使得模型能够在编码过程中拥有全局的感受野,并且避免了下采样操作,从而减少了特征图分辨率和高层信息的损失;解码器中设计了U型残差块,能更好地融合不同阶段内的多尺度特征。在KITTI和NYU-Depth V2数据集上进行了实验,实验结果表明本文所提算法在各项指标上优于大部分同类型算法。

基于显著性目标检测网络的面部属性编辑方法

针对面部属性编辑方法存在生成图像视觉效果差和图像多样性少的问题,提出了在Trans-GAN的基础上融合显著性目标检测网络(U^(2)-Net)的面部属性编辑方法。首先,该方法在Trans-GAN的基础上融合U^(2)-Net特征提取器作为编码器结构,提高网络对面部空间信息的提取能力;其次,Trans-GAN采用两级鉴别器,使得网络能在原始图像上捕获更多的细节信息和语义信息,生成细粒度的面部属性;最后,提出一种数据增样方式(CAR),该数据增样方式能在丰富原有数据集的同时增加面部图像属性多样性。在CelebAMask-HQ原始数据集上验证表明,与现有面部属性编辑方法相比,提出的方法不仅能准确的编辑细粒度属性区域,而且能大幅度提高面部图像质量。

基于深度学习的遥感图像道路分割

为在遥感图像中提取出来道路信息,利用深度学习技术,引入U^(2)-Net模型进行遥感图像道路分割。相比于传统的道路提取方法,基于U^(2)-Net方法可以实现道路的自动化提取。为验证U^(2)-Net模型分割效果,选取U-Net、DeepLabV3+等近几年较为流行的语义分割方法进行对比试验,并进一步分析U^(2)-Net显著图融合模块中卷积核对道路提取效果的影响。试验结果表明,U^(2)-Net模型能较有效地提取出道路信息,模型在测试集上的平均交并比达到了76.49%,Kappa达到了0.701 2,分割精度优于U-Net、DeepLabV3+等语义分割方法。基于U^(2)-Net模型的深度学习方法可以用于解决遥感图像中的道路分割问题,并具有较好的分割效果。