基于UNet与ResUNet++模型的宫颈癌放射治疗危及器官自动分割效果对比

目的对比基于UNet与ResUNet++模型的宫颈癌放射治疗危及器官自动分割效果。方法在PyTorch平台搭建UNet与ResUNet++模型。将2023年6月至2024年2月于医院行放射治疗的232例宫颈癌患者的治疗计划作为研究对象,其中194例计划用于模型的训练和验证,38例计划用于测试。危及器官包括肝、膀胱、直肠、脊髓、肾、股骨、股骨头。使用3D-戴斯相似性系数(3D-DSC)及95%豪斯多夫距离(HD95%)评估2种模型的分割结果。结果UNet模型分割结果显示,直肠的3D-DSC较低,为0.847(0.809,0.868),其他危及器官的3D-DSC均较高,位于0.938(0.929,0.945)至0.978(0.975,0.979)范围内;肝和膀胱的HD95%较高,分别为11.449(8.822,13.740)和13.038(11.365,15.699),其他危及器官的HD95%均位于2.638(2.341,2.812)至6.424(5.502,8.071)范围内。ResUNet++模型分割结果显示,直肠的3D-DSC较低,为0.792(0.707,0.855),其他危及器官的3D-DSC均位于0.929(0.876,0.950)至0.977(0.976,0.979)范围内;肝和膀胱的HD95%较高,分别为10.954(8.552,13.460)和13.114(11.066,16.664),其他危及器官的HD95%均位于2.640(2.161,3.029)至6.824(6.050,8.066)范围内。2种模型分割的肝、右肾3D-DSC比较,差异无统计学意义(P>0.05);2种模型分割的其他器官的3D-DSC比较,差异均有统计学意义(P<0.05)。UNet模型分割的左股骨头HD95%低于ResUNet++模型,差异有统计学意义(P<0.05);其余器官的HD95%比较,差异均无统计学意义(P>0.05)。结论UNet与ResUNet++模型均可进行宫颈癌放射治疗危及器官的自动分割,且UNet模型的整体分割效果好于ResUNet++模型。

基于改进UNet模型的油茶果振动采摘点定位方法

针对非花果同期油茶果采收效率低这一问题,提出一种侧枝振动采摘点定位方法,通过振动侧枝降低树木损伤并实现高效采收。首先构建数据集,对侧枝分段标注,向UNet中添加CloFormer注意力机制并命名为Clo-UNet,实现侧枝的二维重构。其次,在Clo-UNet基础上进一步设计采摘点定位方法并命名为Clo-UNet-Point,该方法优先选择采收离果实最远且最粗的枝条。试验表明,Clo-UNet在验证集上表现优异,其中br_con(连果枝)、danger(危险区)和br_pro(优先采收区域)的平均交并比mIoU分别达到85.36%、86.37%和81.29%,平均像素精度mPA分别达到94.97%、96.17%和89.48%,Clo-UNet在整个数据集上的mIoU和mPA分别比UNet高5.14、6.85个百分点。通过观察验证集647幅图像,Clo-UNet-Point算法在不同光照条件下均能定位到采摘点,平均检测一张图像用时0.15 s。该研究可为未来非花果同期类油茶果的自动化振动采收奠定理论基础。

基于UNet模型燃气管道高后果区分割方法研究

为提升燃气管道设施监测和事故应急响应中的高后果区图像分割精准度和可靠性,通过改进UNet模型结构,使用优化后的Inception Block模块、通道注意力和空间注意力机制的方法,提升模型捕捉关键特征的能力,并引入高斯噪声增强模型鲁棒性,采用保留最佳参数策略得到最优训练参数。然后对SE UNet、UNet++、原始UNet以及改进后UNet模型在航拍图像数据集上的分割效果进行对比和分析。研究结果表明:相对SE UNet、UNet++和原始UNet,改进后UNet模型在分割效果上表现更佳,综合性能优于其他模型。同时,改进后UNet模型提高了分割准确性,降低了误检和漏检风险。研究结果可为燃气管道设施的安全运行和维护提供有力支持。

基于改进Multi-ResUnet算法的黏结集料图像分割方法

为提高黏结集料图像的分割精度,提出了基于Inception网络与残差连接优化的黏结集料图像分割模型(Multi-ResUnet模型)。利用实验室自主研发的集料三维特性分析系统V3.0对黏结集料图像进行采集,并建立图像分割模型样本集,然后采用图像分割模型对样本集进行训练。结果表明:相较于分水岭算法和Unet模型,该图像分割模型的精确率分别提升了30.46%和2.11%,召回率分别提升了4.68%和1.85%,准确率分别提升了25.95%和2.47%。

改进UNet++的杉木CT图像年轮分割

为解决裂纹、虫孔和节子等缺陷影响下的年轮准确分割问题。以医疗CT为实验设备,重构125张杉木横切面CT图像为研究对象,经裁切、旋转、翻转等预处理实现数据扩充,提出改进UNet++模型用于年轮分割。改进UNet++模型采用增加卷积块、下采样层、跳跃连接和上采样层的方式,将学习深度增加至6层,以BCEWithLogitsLoss和ReLU分别作为损失函数和激活函数,RMSProp作为优化函数,对杉木横切面CT图像进行年轮分割,并对年轮分割性能进行评价。结果显示:改进UNet++模型对于杉木横切面CT图像的年轮分割的像素准确率为97.81%,骰子系数为98.89%,交并比为95.29%,平均交并比为84.75%,充分提取杉木年轮特征,分割效果最好。与U-Net模型和UNet++模型相比,改进UNet++模型在多数年轮被裂纹和虫孔切割,无法形成完整圆形闭合曲线的条件下,使分割的年轮具有很好的完整性和连续性,消除分割过程中的断裂和噪声现象;年轮分割结果不受裂纹、节子、虫孔等缺陷影响,结构非常清晰,有效解决多种缺陷干扰下的虫孔误分割和密集年轮欠分割等问题。

基于Attention-UNet网络的速度模型构建方法研究

随着油气资源的不断勘探开发,相对易开采的油气矿逐渐建成,地震勘探的研究重点也向地下更深、构造更复杂的区域转移。目前,传统的地震速度建模方法在稳定性、准确性和计算效率方面都面临挑战。因此,笔者利用将地震数据映射到速度模型的思路,提出了一种基于Attention-UNet网络的深度学习速度建模方法。采用的这种方法利用有限差分正演得到反射波形数据,将反射波形数据和对应的速度模型(标签)对作为Attention-UNet网络的输入,建立地震数据和速度模型之间的映射关系。网络训练后对新输入的地震数据进行速度模型的估计。数值实验结果表明,与传统的FWI相比,笔者提出的方法表现出良好的性能;基于Attention-UNet网络模型训练完成后,不需要经过大量的计算,就可以快速执行与训练集中速度结构相似的地下结构的速度建模,这比传统方法计算效率更高。该方法在建立大量速度模型时具有很好的推广价值。

基于LOFUnet深度卷积神经网络低序级断层多属性识别方法

低序级断层控制圈闭及油气富集,对油气勘探开发具有重要的意义。但其识别描述难度大、效率低,严重制约了该类油藏的勘探开发进程。随着人工智能的发展,深度学习为低序级断层识别提供了新的途径。这里在样本集构建及方法上都有创新之处:建立了同相轴错动、扭动、微扭动地震响应特征的低序级断层样本集,为智能识别奠定了良好的样本库;LOFUnet网络是在UNet基础上进行的改进,可以获取样本中更多低序级断层信息的特征。笔者通过方差属性、倾角属性和振幅属性融合获得新的断层体,用构建的LOFUnet网络进行低序级断层识别。网络通过残差块构建编码器端可以获取更多的低序级断层特征,解决梯度消失问题,提高模型的收敛速度,增强模型的稳定性以及低序级断层检测的精度和效率。选用正演模拟数据和实际地震数据分别对UNet模型、LOFUnet模型进行测试,结果表明,基于LOFUnet深度卷积神经网络低序级断层多属性识别方法提取的信息更加丰富,提高了低序级断层识别的准确度。

基于UNet++卷积神经网络的断层识别

针对传统相干体属性和机器学习在复杂断裂识别能力差的问题,提出一种基于UNet++卷积神经网络的断层识别方法。该方法采用加权交叉熵损失函数做目标函数,使网络模型训练过程中避免了数据样本不平衡的问题,引入注意力机制和密集卷积块,以及更多的跳跃连接,更好地实现深层次断层语义信息和浅层次断层空间信息之间的特征融合,进而可以使UNet++网络模型更好地实现断层识别。实验结果表明,该网络模型将F1值提高到了92.38%, loss降低到0.012 0,可以更好地学习断层特征信息。将该模型应用于西南庄断层的识别中,结果表明,该方法可以更准确预测断层位置,在识别连续断层的准确率上有所提高,有效防止了地下噪音对于断层识别的不利影响,从而验证了UNet++网络模型在断层识别上具有一定的研究价值。

基于MSHAM-UNet的岩心孔洞图像分割方法

岩心图像的孔洞分割对于石油勘探有着重要意义。当前基于深度学习的孔洞分割方法存在着孔洞边缘分割不连续、分割精度低和参数量大等问题,为解决上述问题,提出一种基于UNet网络的改进模型MSHAM-UNet。首先,针对UNet模型对不同尺度特征图的跳级连接带来的语义信息丢失问题,设计一种结合HAM(hybrid attention module)的多尺度融合注意力模块(multi-scale hybrid fusion attention module, MSHAM),该模块对带有空间信息的浅层特征图和含有语义信息的深层特征图进行注意力特征融合,增强网络聚合不同尺度信息的能力。其次,使用GP-bneck模块替换部分普通卷积,在降低模型参数量和加深网络的同时,增强网络特征提取能力。实验结果表明,MSHAM-UNet网络在岩心孔洞数据集上的F1分数(F1-score)、交并比(intersection over union, IoU)和平均交并比(mean intersection over union, MIoU)分别达到了87.35%、77.27%和90.21%,相较于原始模型提高了5.29%%、4.02%和4.84%,对比主流的语义分割模型也有较高提升,为岩心孔隙研究提供了新的思路。

基于Mamba-UNet架构的音高估计模型

单声源声音的音高估计算法主要有音高跟踪的鲁棒算法(Robust Algorithm for Pitch Tracking,RAPT)、SWIPE(Sawtooth Waveform Inspired Pitch Estimator)、Harvest等,但在引入有音乐伴奏等复调音乐的声源时,这些算法在人声音高估计任务中存在明显不足。借鉴现有的研究成果,改进传统声调估计的鲁棒模型(Robust Model for Vocal Pitch Estimation,RMVPE),提出一种基于Mamba-UNet架构的Mamba-RMVPE,用于解决复调音乐等多声源声音的人声音高估计问题。相较于传统的RMVPE,Mamba-RMVPE的音高准确率(Raw Pitch Accuracy,RPA)、音色准确率(Raw Chroma Accuracy,RCA)、总体正确率(Overall Accuracy,OA)均有提升,推理时间也大幅缩短。

基于Vgg+Unet模型在线性工程扰动图斑的应用研究

文章以在线性工程扰动图斑的应用为背景,以Vgg+Unet模型为基础展开了深入而全面的研究。探索了该模型在处理复杂工程扰动图斑时的性能和适用性,实验结果清晰显示,在不同程度的扰动下,Vgg+Unet模型展现出卓越的性能,特别是在复杂环境下对细节的出色捕捉能力。文章通过翔实的实验设计、精湛的数据分析及多角度的性能评估为深度学习在工程视觉任务中的应用提供了深刻而全面的见解,凸显了Vgg+Unet模型在处理工程扰动图斑方面的强大潜力。

基于改进UNet模型的截断脉冲高度估计器

针对测量系统本身导致的脉冲截断给脉冲高度分析带来的挑战,本研究提出一种复合神经网络模型,用于预测产生了截断的脉冲高度。该模型将长短期记忆模型(Long and Short-term Memory,LSTM)嵌入UNet结构,采用模拟脉冲数据集对模型进行训练,使用相对误差指标对模型性能进行评估。结果显示:在对模拟脉冲序列进行脉冲高度估计时,UNet-LSTM模型的平均相对误差约为2.31%,相较于传统的梯形成形算法的平均相对误差降低了1.91%;在粉末铁矿样品和粉末岩石样品的实际测量中,不同截断率的实测脉冲序列也进一步验证了UNet-LSTM模型的脉冲高度估计性能,在两种样品、8组离线脉冲序列的高度估计中得到的平均相对误差为2.36%,表明该模型可以准确估计截断脉冲的高度。

基于改进UNet++的地震断层识别方法研究

断层解释是油气勘探开发过程中的重要工作,但是随着勘探规模的增大,传统的人工解释断层的方法已经无法满足实际生产的需要。针对人工标注断层特征费时费力、传统断层识别结果连续性不足的局限,以及地震资料中断层与非断层样本分类不均衡的问题,提出基于CBAM-UNet++模型的地震断层识别方法。采用合成地震数据自动生成地震数据和断层标签,提高断层标注的效率。首先,将CBAM注意力模块引入UNet++,从通道和空间两个维度抑制地震振幅信号干扰,增强地震断层的检测能力,采用DropBlock模块抑制网络中产生的过拟合问题;其次,引入Dice Loss损失函数用于减小断层识别任务中数据不均衡问题对模型的影响;再次,对断层预测结果进行霍夫变换,提取骨架,使断层预测结果更好地应用于地质目标;最后,在合成地震数据集、北海地区F3区块真实地震数据上评估CBAM-UNet++模型,与UNet++、UNet、SegNet进行对比。结果表明,基于CBAM-UNet++的断层识别方法在准确率、断层连续性方面表现优异,可自动、有效地识别地震图像中的断层。

基于UNet网络的无人机影像建筑模型单体化应用

以瑞安市发改局“万亩千亿”三维可视化平台辅助决策系统项目为依托,获取研究区域内无人机影像,利用倾斜摄影自动三维建模的技术机理,搭建了基于UNet网络的正射影像建筑物轮廓提取,对实现三维建筑物模型单体化实践具有一定的参考意义。

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UNet模型的赛道识别算法研究

随着赛道识别问题不断升级,赛道识别的精确度需求大大提升,传统的赛道识别方法受环境变化的影响大。近几年来,深度学习方法在赛道识别方面也取得了很好的效果。本文就赛道识别问题提出了一种基于Keras的UNet模型的赛道识别方法,该方法是对赛道图像根据UNet模型训练结果进行分割,并用细化算法来识别中线,由此判断小车接下来的行径。最后,经实际对比实验测试,新方法识别时效性一般,识别准确率高。

基于Unet++分割模型的全自动高通量菌落计数仪

目的:研制满足检验检测机构管理体系要求和实验室LIMS系统应用的全自动高通量菌落计数仪。方法:采用GigE工业相机、可变镜头和多光源组合照明系统进行菌落图像的连续采集,并采用Unet++分割模型进行图像识别处理和菌落计数。结果:该菌落计数仪完成1个平板的图像采集仅需38 s,采集效率较高;完成1个平板的图像传输和菌落识别计数整个过程仅需3~5 s,数据处理速度快且传输性能好;计数结果与现行标准要求的计数方法相比误差<8%,准确率高;具有结果重复性好等特点,同时实现了菌落总数检测原始数据的自动化处理。结论:该设备不仅能高通量进行图像采集,自动进行图像处理和菌落计数,还可实现与实验室LIMS系统的融合,有效提高工作效率,而且能确保数据的溯源性,减轻试验人员工作强度,满足菌落总数计数方法的误差要求。

基于神经网络深度学习模型的踝关节X线片标志点自动定位研究

目的探索基于神经网络深度学习模型的踝关节X线片标志点自动定位方法及其应用价值。方法选取陕西省人民医院2019年1月至2022年11月间行X线检查的360例成年人正常左踝关节正、侧位片影像资料为研究对象,将其随机分配至训练集(210例)、验证集(90例)和测试集(60例)。以人工标注作为参考,对图像预处理后分别建立基于神经网络Unet架构的踝关节X线片标志点预测模型,生成对应的热力图,并用测试集数据进行验证。结果在踝关节X线正位片6个标志点的预测中,2 mm阈值的平均正确估计比例(Percentage of Correct Keypoints,PCK)可达99.7%,总体平均径向误差(Mean Radial Errors,MRE)为0.411,总体标准差(Standard Deviation,SD)为0.290。距骨顶端内点的预测准确度最高,1 mm阈值时的PCK可达100%,同时其MRE及SD在正位片6个点中最小,分别为0.290和0.178。在踝关节X线侧位片9个标志点的预测中,2 mm阈值的平均PCK达到95.0%,总体MRE为0.669,总体SD为0.710。胫骨下段最前点的预测准确度最高,1 mm阈值时的PCK可达100%,同时其MRE及SD在侧位片9个点中最小,分别为0.334和0.173。正位片和侧位片所有标志点的预测位置坐标与对应参考标准标志点位置坐标差异均无统计学意义(P>0.05)。结论基于神经网络深度学习模型能够实现对踝关节X线片标志点的有效自动定位,对辅助踝关节X线片形态学自动测量和疾病诊疗具有应用价值。

印花面料的边缘轮廓快速提取方法

工业协作型缝纫机器人代替操作工自动完成缝合是未来发展的必然趋势,但当前的工业协作型缝纫机器人难以快速精准地定位面料边缘轮廓信息,影响缝纫效率与缝纫质量。针对印花面料提出线下使用深度学习建立面料检测模型,线上调用面料检测模型分割面料与背景并结合传统轮廓检测算法快速准确提取面料边缘轮廓的方法。首先,建立面料图像数据集,并通过卷积拆分和融合损失函数对VGG-UNet模型进行优化,将面料数据集输入至优化的VGG-UNet模型进行训练学习并构建最优面料检测模型;其次,利用最优面料检测模型分割面料与背景;然后,采用数学形态学算法对分割后的面料图像进行自适应开运算去除面料边缘的毛边;最后,利用Canny算子对去除毛边后的面料图像进行轮廓提取。实验结果表明,本文方法可较好去除面料毛边并快速精准提取印花面料的边缘轮廓,所提取的轮廓与面料边缘轮廓高度拟合,轮廓提取精度高于99%,轮廓提取时间仅需0.216 s。本文研究可为后续机器人的轨迹规划提供快速准确的坐标信息,提高缝合质量和效率,推进无人化、自动化缝合生产线的实现。

一种基于高分辨率遥感影像的近岸筏式养殖区提取方法

利用WorldView-2高分辨率遥感影像,提出一种SS-UNet网络模型用于筏式海水养殖区信息提取.在顾及筏式海水养殖区形状特征的情况下,SS-UNet模型在U-Net模型的“U”形架构上,引入SPM和SA模块.测试结果表明SS-UNet模型取得了最高的精度水平,其中M IoU和Kappa系数分别达到91.72%和0.9123.并且该模型可以更加准确地提取筏式海水养殖区,遗漏和错误分类等现象出现较少.与U-Net模型相比,在增加极少模型复杂度的情况下,SS-UNet模型的M IoU和Kappa系数分别提升了10.41%和0.126.结果表明,SS-UNet模型实现了在高分辨率遥感影像中近岸海域筏式海水养殖区提取的结果精度和提取性能的有效提升.