基于YOLOv7的木材缺陷检测模型Wood-Net的研究

为改善利用人工方式识别木材缺陷存在的效率低、人工成本高的问题,同时实现在木材加工过程中使用新兴方式对不同的缺陷进行快速准确检测以提高木材利用率,针对现有的目标检测网络在木材缺陷检测方面存在诸如检测精度低、报错率高以及识别种类少等局限,设计了用于木材缺陷检测的深度学习网络Wood-Net。Wood-Net将注意力机制ECA(efficient channel attention module)引入YOLOv7的主干网络,以便更好地区分木材缺陷之间的细微差别;将ECA与Res2Net结合后形成ECA-Res2Net模块,ECA-Res2Net模块克服了单纯的Res2Net跨通道交流能力不足的问题,增强了网络对更细粒度特征的提取能力;将ECA-Res2Net模块与SPPCSPC(spatial pyramid pooling and channel spatial pyramid convolution)并联形成ResSPPCSPC模块,增加了描述图像本身特征数量的能力,由此构成新方法Wood-Net。本研究将准确度、召回值、mAP@0.5以及mAP@0.5∶mAP@0.95 4个数值作为系统性能的评价指标。利用自建数据集训练Wood-Net,得到试验数据。试验结果表明:Wood-Net模型比基准模型YOLOv7在木材优选上精确率提高了4.52%,mAP@0.5∶mAP@0.95提高了6.62%;比基准模型YOLOv5s在木材优选上精确率提高了6.79%,mAP@0.5∶mAP@0.95提高了5.67%。ECA注意力机制能够有效提升E-ELAN的通道间信息交互能力;Res2Net模块具有很强的细粒度特征提取能力,在网络中引入Res2Net模块后,网络各项性能指标收敛速度快,在Res2Net中加入ECA后能够使单纯的Res2Net考虑多通道特征之间的关系,完成信息融合,提高检测性能。

用于颈部超声图像的SED-UNet分割方法研究

超声图像作为目前常用的医疗诊断手段之一,人工判读超声图像很大程度上依赖于医生主观经验知识,耗时耗力,难以满足快速、批量的临床诊断需求,因此提出了一种基于深度学习和可变形卷积U-Net的图像分割模型SED-UNet。用可变形卷积结合BN和Dropout层对原网络的卷积运算进行优化改进,提升网络收敛性、增加网络模型的鲁棒性、提升模型的训练效率,用SENet模块在解码阶段的跳跃连接处进行优化改进,提升分割准确率,进而构建适用于颈部超声图像分割的卷积神经网络模型。测试结果表明,提出的SED-UNet模型在颈部超声图像的自动分割方面性能良好,F1系数、精确率、MIoU参数相比传统U-Net结构分别提升了3.94%、7.61%、7.15%,从客观评价指标上达到了较好的分割效果。

基于改进U-net的少样本煤岩界面图像分割方法

煤岩图像语义分割技术是煤岩界面识别的重要研究方向,现有的语义分割模型通常依赖于大样本数据集进行训练,然而目前已标注的煤岩图像数据样本难以获取,并且缺乏公开数据集。针对以上问题,提出了一种基于改进U-net模型的样本煤岩界面图像分割模型。将裁剪后具有更强特征提取能力且结构上更为简单的VGG16替换U-net的原始骨干特征提取网络,提升对图像信息的特征提取能力并获得更快的训练速度,在U-net网络的跳跃连接和解码器上采样部分引入注意力机制模块,对提取的特征层进行处理,提升模型对煤岩界面图像关键特征的提取能力,提高分割精度。使用迁移学习方法对改进的模型进行预训练,提高模型泛化能力同时避免过拟合,使模型更适用于小样本数据集训练。通过使用自制的煤岩界面数据集对所改进的网络模型性能进行验证,并将该模型与经典Unet、DeepLabv3+、PspNet、HrNet网络模型进行了对比。试验结果表明:在同样使用由125幅煤岩界面图片构建的小样本数据集进行训练的情况下,所提改进模型相较于经典U-net模型在分割精确度和检测效率方面都有显著提升,模型精确度提高了1.84%,平均交并比提高了5.34%,类别平均像素准确率提高了0.48%,检测速度增幅为5.3%。同时,与其他网络模型相比,所提改进模型在小样本煤岩界面图像的语义分割中优势显著,表明所提改进思路的有效性。

基于残差U-Net和自注意力Transformer编码器的磁场预测方法

利用有限元方法对几何结构复杂的电机和变压器进行磁场分析,存在仿真时间长且无法复用的问题。因此,该文提出一种基于残差U-Net和自注意力Transformer编码器的磁场预测方法。首先建立永磁同步电机(PMSM)和非晶合金变压器(AMT)有限元模型,得到深度学习训练所需的数据集;然后将Transformer模块与U-Net模型结合,并引入短残差机制建立ResUnet-Transformer模型,通过预测图像的像素实现磁场预测;最后通过Targeted Dropout算法和动态学习率调整策略对模型进行优化,解决拟合问题并提高预测精度。计算实例证明,ResUnet-Transformer模型在PMSM和AMT数据集上测试集的平均绝对百分比误差(MAPE)均小于1%,且仅需500组样本。该文提出的磁场预测方法能减少实际工况和多工况下精细模拟和拓扑优化的时间和资源消耗,亦是虚拟传感器乃至数字孪生的关键实现方法之一。

基于VGG-Net的X射线全脊柱冠状面图像分割方法

在计算机辅助脊柱图像分析和疾病诊断应用中,从X射线脊柱图像中自动分割脊柱和椎骨是一个关键且具有挑战性的问题。为进一步提升脊柱图像分割精度,提出一种基于VGG-Net改进的模型。首先,将VGG16网络去掉了后面的全连接层,用作U-Net的特征提取网络;其次,为了增强图像的细节信息,在特征提取网络引入小波分解模块;最后,在上采样网络中设计了一种逐像素相减的自空间注意力模块(SUB-SSAM)机制,进一步提高网络模型识别关键特征的能力。实验结果表明,改进后的模型相较于原VGG-Net模型在平均交并比(mIoU)上提高了2.39%、召回率(recall)提高了0.96%、准确率(accuracy)提高了1.31%,训练的该网络模型可以定位到每一块椎骨,准确分割椎体区域。

一种道路裂缝检测的变尺度VS-UNet模型

为解决目前现有的图像分割算法存在检测精度低、对裂缝检测缺乏针对性等问题,采用多尺度特征融合方法,提出一种扩展LG Block模块Extend-LG Block,其由多个并行不同膨胀率的空洞卷积组成.通过参数可调节分支数量和空洞卷积膨胀率,从而改变其感受野大小,进而提取和融合不同尺度的裂缝特征.对比在深层使用多尺度特征融合模块的网络以及使用固定尺度结构进行多尺度特征融合的网络的优劣,提出一种变尺度结构的UNet模型VS-UNet,使用多个不同参数的Extend-LG Block替换UNet网络中的基本卷积块.该结构在网络浅层进行多尺度特征融合,多尺度特征融合模块提取的尺度随网络层加深逐渐减少.此结构在加强图像的细节特征提取能力的同时保持原有的抽象特征提取能力,还可避免网络参数的增加.在DeepCrack数据集以及CFD数据集上进行实验验证,结果表明,相较于其他两种结构和方法,提出的变尺度结构的网络在有更高检测精度的同时,在可视化实验对比上对各种大小的裂缝有更好的分割效果.最后与其他图像分割算法进行对比,各项指标与UNet相比均有一定程度提升,证明了网络改进的有效性.研究结果可为进一步提升道路裂缝检测效果提供参考.

基于U-NET的双分支海上SAR溢油检测模型

为提高海上溢油SAR(Synthetic Aperture Radar)检测的准确率,本文提出一种基于U-NET和注意力门的海上溢油SAR检测模型(AW-net),该模型将U-NET中传统的单输入编码器替换为双分支编码器,分别输入纹理特征和SAR灰度特征,并进一步采用注意力门融合纹理信息和灰度信息。实验利用1景海丝一号(HISEA-1)SAR数据构建样本训练集进行AW-net模型训练,分别应用1景HISEA-1 SAR数据和1景Radarsat-2SAR数据开展模型测试,溢油检测准确率均优于U-NET、AttentionU-NET和FCN等语义分割模型,说明该模型具有较强的强鲁棒性和应用潜力。

基于身份认证的BACnet/IP分析与改进

为了解决BACnet/IP身份认证存在多种可攻击漏洞和密钥泄露带来的安全问题,提出了一种安全增强的BACnet/IP-SA协议认证方案。研究协议身份认证消息流模型,基于着色Petri网理论和CPNTools对身份认证消息流建模,采用Dolev-Yao攻击者模型和形式化分析方法对BACnet/IP进行安全性分析,发现协议漏洞并提出改进方案。BACnet/IP-SA协议使用设备的伪身份来保护真实身份信息,使用PUF响应进行认证,通过多信息集合的验证值来验证端身份的真实性并生成会话密钥。结合BAN逻辑和非形式化方法,对协议的安全性进行了证明。实验结果表明,所提方案能有效抵抗多类攻击和密钥泄露带来的安全威胁,在减少计算开销的同时增强了协议身份认证的安全性。

基于改进Res-UNet的昼夜地基云图分割网络

针对昼夜地基云图在分割中细节信息丢失、分割精度低等问题,提出一种基于改进Res-UNet(Residual network-UNetwork)的昼夜地基云图分割网络CloudRes-UNet(Cloud ResNet-UNetwork),整体采用编码器-解码器的网络结构。首先,编码器使用ResNet50提取特征,增强特征提取能力;其次,设计多级特征提取(Multi-Stage)模块,该模块结合分组卷积、膨胀卷积和通道打乱这3种技巧,获取高强度语义信息;再次,加入高效通道注意力(ECA‑Net)模块,在通道维度上聚焦重要信息,加强对地基云图中云区域的关注,提高分割精度;最后,解码器使用双线性插值对特征进行上采样,提高分割图像的清晰度并减少目标和位置信息丢失。实验结果表明,与当前基于深度学习表现较好的地基云图分割网络(Cloud-UNet)相比,CloudRes-UNet在昼夜地基云图分割数据集上的分割准确率提升了1.5个百分点,平均交并比(MIoU)上升了1.4个百分点,更准确地获取了云量信息,对天气预报、气候研究和光伏发电等方面具有积极意义。

基于多尺度U-Net与Transformer特征融合的航空遥感图像飞机检测方法

航空遥感图像(ARSI)飞机检测一直是一个重要且具有挑战性的课题。针对现有ARSI飞机检测方法(ARSIAD)检测目标的边缘模糊、小目标的检测精度低、没有充分利用ARSI的全局上下文信息等问题,提出一种基于多尺度U-Net与Transformer(MSU-Trans)特征融合的ARSIAD方法。通过多尺度卷积模块Inception提取ARSI中多样性目标的分类特征,通过Transformer增强模型的全局语义检测性能,通过特征融合模块整合高层和低层特征,得到航空目标图像完整的边缘和纹理特征。该模型结合多尺度U-Net较强的局部特征提取能力和Transformer较强的全局上下文依存关系提取能力,进而提高MSU-Trans的整体检测性能。在ARSI集上的试验表明,与U-Net、多尺度U-Net、注意力U-Nets相比,MSU-Trans具有较高的检测精度,精度超过95%,该方法为ARSIAD提供一定的技术支撑。

基于改进U-Net的根系表型参数测量系统

为解决背景噪声干扰下,从微根管采集的原位根系图像中难以直接提取准确的表型参数问题,提出一种基于改进U-Net的微根管根系表型参数测量系统。在U-Net网络中引入优化后的空洞空间金字塔池化模块(Atrous Spatial Pyramid Pooling,ASPP)和高效通道注意力模块(Efficient Channel Attention,ECA),增大感受野,提升模型捕捉根系细节特征的能力,获取精确的根系分割图像。结果表明,改进的U-Net模型平均交并比和平均像素精度分别为87.07%和91.85%,相较原始U-Net分别提高了2.49%和2.3%。与WinRHIZO根系分析软件测量值相比,根长度和面积决定系数分别为0.951 8和0.984 9,Spearman相关系数分别为0.972 5和0.975 7,可以实现根系长度和面积的准确测量。

改进注意力机制嵌入PR-Net模型的水稻病害识别仿真

针对现有的CNN模型在水稻叶部病害的识别中准确率较低的问题,提出了一种结合并行结构和残差结构的混合卷积神经网络模型PRC-Net(parallel residual with coordinate attention network)。引入并行结构,提高卷积的感受野;结合残差结构,使特征信息完整的连续传递;在骨干模型PR-Net中嵌入改进的空间注意力机制,增强对不同尺度病斑特征信息的凝聚程度;为进一步提升病害识别的准确率,并减少模型的训练时间和推理时间,通过改变加权方式对模型结构进行优化。仿真结果表明:与InceptionResNetV2等分类模型相比,PRC-Net具有更少的训练参数、更短的训练时间和更高的识别精度,性能优于其他作物病害识别模型。

面向青花瓷碎片图像的U-Net++拼接网络

针对现有图像拼接方法存在拼接处伪影以及非重叠区域内容失真,导致较低的准确性和鲁棒性的问题,提出一种基于U-Net++消除伪影的青花瓷碎片图像拼接方法.首先估计待拼接图像单应性矩阵;然后将单应性矩阵应用于结构拼接阶段,得到图像粗拼接结果;最后以图像粗拼接结果作为先验信息,在内容校正阶段改进现有的U-Net,利用U-Net++细化粗拼接结果,得到最终图像精确拼接.以青花瓷碎片图像数据集与相关经典方法进行实验的结果表明,在3个评价指标中,所提方法的峰值信噪比提高约13%,均方根误差降低约33%,均方误差降低57%左右;该方法具有较小的误差比,不仅能够提高图像拼接质量,而且表现出较好的鲁棒性.

基于ReSE-AG-Net的青光眼视盘视杯分割方法

分割视盘视杯是诊断青光眼的主要依据,因此提出了一种基于改进U-Net网络的青光眼视盘视杯分割方法,称为ReSE-AG-Net。并将ReSE-AG-Net、U-Net、M-Net、CE-Net和CDED-Net分别在Drishti-GS1数据集和RIM-ONE-R3数据集上进行测试,对得到分割后的视盘视杯的Dice系数和IoU进行对比。实验结果表明,在Drishti-GS1数据集上,分割视盘的Dice系数和IoU分别是0.989 1和0.959 0,分割视杯的Dice系数和IoU分别是0.931 0和0.871 0,在RIMONE-R3数据集上,分割视盘的Dice系数和IoU分别是0.978 9和0.958 7,分割视杯的Dice系数和IoU分别是0.863 7和0.760 1,对比U-Net模型和现有的分割模型均有一定的提升,证明了该方法的可行性。

一种改进U-Net网络的心电图分类算法研究

基于CPSC-2018十二导联数据,提出了一种U-Net网络和注意力机制结合的心电图分类算法。首先,针对数据集数据长度长短不一的问题,对数据进行等长处理和归一化处理。然后,利用U-Net网络中跳层连接和编码解码方式,对预处理后较长的数据进行处理。在U-Net网络解码的最后一层加入注意力机制对抗噪声,提升模型的有效信息关注度和准确性。最后,利用CPSC-2018数据集进行验证。实验结果表明:所提模型能够取得较好的分类效果,识别房颤(AF)和右束支传导阻滞(RBBB)心律失常的精准率、召回率、F1值都可以达到90%以上,平均F1值可以达到82.5%。

基于改进U-Net网络的遥感图像山体滑坡分割提取

针对遥感图像山体滑坡分割提取难度大、精度低等问题,提出了一种基于改进U-Net网络的遥感图像山体滑坡分割提取方法。首先将原始网络中的特征提取模块用残差网络ResNet进行替换,加深网络防止梯度消失,可以学习到更深层的特征;其次,融入(multi-scale features fusion module)多尺度特征融合注意力模块增强发现山体滑坡区域的能力;最后,采用广义的损失函数FTL(Focal Tversky Loss)替换带权重的交叉熵损失函数以平衡准确率和召回率之间的关系。实验结果表明,改进后算法mIoU为65.92%,比改进前提升了2.5个百分点,mPA为73.93%,比改进前提升了3.56个百分点,F1-score综合得分指标为60.08%,比改进前提升5.09个百分点。改进后模型算法能有效提高山体滑坡分割性能。

应用自适应注意力机制U-net的地震数据高分辨处理

随着油气勘探开发的不断深入,薄储层与岩性油气藏逐渐成为重要的勘探目标,这也对地震资料的分辨率提出了更高的要求。文中提出了一种基于自适应注意力机制的U-net地震数据高分辨处理方法。该方法首先利用U-net结构学习地震数据的特征表示,通过下采样过程的编码器提取地震数据的抽象特征,然后通过上采样的解码器进行特征重建和细化。在上采样的过程中引入了注意力机制,用于自适应地调整网络对不同地震特征的关注程度,网络能够更加有效地捕捉到地震数据更多的细节和特征。Marmousi模型合成地震记录和实际数据实验结果表明,新网络比原U-net误差更小、更稳定,可有效提高预测精度,实现对地震数据的高分辨率处理。

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.

基于改进HybridNets的多任务驾驶感知方法

针对计算资源有限的自动驾驶系统和多任务驾驶感知算法精度低问题,提出了一种改进的HybridNets多任务驾驶感知算法。选择EfficientNetV2-S作为该算法的主干网络,降低参数数量,提高训练速度和识别准确率;结合深度可分离卷积并采用shuffle-channel方式卷积降低模型计算量;使用三个独立的解码器来解决不同难度的问题,并在主干网络与Neck端之间加入A2-Nets双重注意力机块,充分提取全局特征。与基础网络HybridNets相比,该模型在车辆检测任务中mAP50可达79.8%,提高了2.6%;可行驶区域分割任务中mIoU可达91.8%,提高了1.2%;车道线检测任务中IoU可达32.55%,提高了0.93%。运行速度达到38 FPS。实验结果表明,与现有方法相比,所提方法的准确率有较大提高。

基于改进U-Net的轻量级眼底病变分割算法设计

精准的糖尿病视网膜病变的分割是实现视网膜病变自动诊断的前提条件和关键步骤,然而现有大部分的分割模型存在着参数量大、模型训练效果不理想、甚至是无法正常处理数据集等局限性。为此,在原U-Net网络中加入改进的Ghost卷积模块与多尺度特征融合模块,提出一种改进U-Net眼底病变分割图像的算法。该模型能以少量的参数量、较低的计算复杂度获得良好的分割结果。利用GhostModel替换原始卷积,设计出Ghost卷积与Ghost下采样卷积模块,在保证准确度的同时降低参数量;设计出一种轻量级的Half-UNet多尺度特征融合模块来获取多尺度信息,针对不同尺度病变目标,引入CBAM注意力机制以改善其适应性,从而更好的提取细小的病变信息。改进后的模型在e_optha与IDRiD两个公开数据集上的mIoU分别为61.42%、61.84%,F1-Score分别为70.59%、69.41%。模型参数量、FLOPs分别仅为5.48M、35.46GMac,较U-Net、Att-UNet等模型更加精简,分割精度更高。