一种自动分割股骨区域的R-U-Net神经网络

针对目前X线片骨组织分割主要靠医生手工标记耗时且准确率不稳定的问题,本文以股骨为研究对象,提出一种结合深度残差网络和U-Net架构优势的R-U-Net神经网络,并将其应用于股骨区域自动分割.首先对原图像预处理后标注目标区域制作标签图,并对训练集进行数据增强;接着将其输入到R-U-Net神经网络训练调参,保存优化后的网络模型;最后将待分割的测试图像输入到保存的网络模型中得到股骨区域的轮廓,填充连通区域后进行自定义掩码操作得到股骨区域的分割结果.以PhotoShop人工分割结果作为参考,测试结果表明基于R-U-Net的分割效果优于传统方法和U-Net,能够实现批量股骨区域的自动分割,执行效率更高,分割效果更佳.

基于改进Faster R-CNN与U-Net算法的桥梁病害识别与量化方法

为实现桥梁病害检测的自动化,对基于图像处理技术的混凝土桥梁表观病害的智能识别和尺寸确定方法展开研究.提出基于改进Faster R-CNN算法的病害识别方法,利用K均值聚类和遗传算法对区域候选网络锚框进行优化设计;以裂缝预测区域为基础,提出ResNet34结合U-Net的裂缝形态提取方法,并结合裂缝形态学研究了裂缝像素宽度和长度的确定方法.结果表明:锚框优化设计可改进Faster R-CNN算法的表观病害识别效果,5类常见病害的预测准确率、召回率、平均精确率分别由68.40%、69.87%、74.64%提升到85.40%、83.59%、83.72%;利用病害预测框,结合改进U-Net算法的裂缝像素尺寸计算,可实现裂缝病害尺寸的自动测量;基于改进Faster R-CNN和改进U-Net的方法可实现混凝土桥梁常见病害的智能识别和尺寸量化,从而提高桥梁病害检测效率并促进桥梁技术状况评定的智能化.

基于深度学习的图像分割技术综述

近年来,深度学习在图像处理领域取得了显著的进展,特别是在图像分割方面。作为计算机视觉和图像处理的重要任务之一,图像分割旨在将图像划分为多个有意义的区域或对象。文章综述了基于深度学习的图像分割技术,重点介绍了全卷积网络(FCN)、U-Net、Mask R-CNN和DeepLab系列等主流方法,并分析了它们的原理、优缺点及应用场景。

基于Faster R-CNN和U-Net的变电站指针式仪表读数自动识别方法

随着人工智能和自动化水平的提高,机器人被越来越广泛地应用于变电站巡检,为图像采集带来了便利,但是指针式仪表图像的读数识别准确性问题尚未很好解决,成为了瓶颈。基于Faster R-CNN目标检测和U-Net图像分割技术,提出了指针式仪表读数自动识别方法。首先引入Faster R-CNN检测仪表图像中的表盘、指针所在区域,并对仪表进行分类;然后以图像分割技术取代图形检测算法,结合仪表图像特点,改进了U-Net网络,有效提取了区域中的刻度线和指针。针对分割类别不平衡问题,构造了U-Net的Dice损失函数;针对仪表旋转问题,提出了基于图像分割信息的透视变换方法对图像进行校准。最后通过算例对比了文中方法和传统机器学习算法、霍夫变换在指针式仪表图像读数识别上的效果。结果表明,文中方法在检测识别复杂图像中小目标的准确性和实用性上提升明显。

综合应用Faster R-CNN和U-net的心脏MRI图像分割

为解决现有MRI神经网络分割中存在因输入端图像信息多样导致分割精度下降的问题,提出了引入Faster R-CNN和U-net机制的MRI图像分割方法。选择公开心脏MRI分割挑战赛数据集ACDC和SCD,清洗和修改数据集格式后送入后续神经网络。首先,应用Faster R-CNN对目标图像进行检测,以对原始输入图像进行预处理,并去掉冗杂的背景信息。其次,对预处理后的图像进行U-net分割,同时为检验引入Faster R-CNN后,对分割网络的性能和精度是否提高,采用了消融实验和对比实验。消融实验去掉了U-net分割网络中的检测裁剪模块,选择U-net及其改进网络分别做一组消融实验结果。实验结果表明,新方法的平均交并比和Dice系数在ACDC数据集上为0.89和0.94,分别提高了7.3%和5%,在SCD数据集上为0.96和0.98,分别提高了5%和3%,实现了MRI图像的自动预处理和分割。

基于改进残差结构的肺结节检测方法

针对肺结节检测方法中网络结构复杂所导致的模型计算量大、过拟合的问题,提出了一种结合深度可分离卷积和预激活的改进残差网络结构,将提出的网络结构应用于肺结节检测模型。该模型以目标检测网络Faster RCNN为基础,采用U-Net编码解码器结构,利用深度可分离卷积和预激活操作改进了三维残差网络结构。首先,通过使用深度可分离卷积,模型复杂度和计算量大幅度降低;其次,通过使用预激活,模型的正则化得到改善,缓解了过拟合现象;最后,采用矩形卷积核在少量增加模型计算量的前提下扩大了卷积操作的感受野,有效地兼顾了肺结节的全局和局部特征。在LUNA16数据集上的检测中所提方法的灵敏度为96.04%,无限制接收者操作特征曲线下面积(FROC)得分为83.23%。实验结果表明:该方法提高了肺结节检测的灵敏度,又有效降低了检测结果的平均假阳性个数,同时提高了检测效率,可有效辅助放射科医师对肺结节进行检测。

基于Faster R-CNN和U-net改进的混合模型绝缘子故障检测

在航拍影像中定位绝缘子爆裂的位置是一项艰巨的任务。针对绝缘子和绝缘子爆破位置在图像中占比过小、背景复杂以及拍摄图像角度和大小不一等问题,采用一种注意力机制与Faster R-CNN和U-net相结合的绝缘子识别模型,对某电力科学研究院提供的绝缘子航拍图像进行测试和对比试验,结果表明,该模型识别绝缘子的平均精度(Average Precision,AP)为92.1%,识别绝缘子爆裂故障的平均精度(AP)为91.9%。所提出的绝缘子自爆故障检测模型在绝缘子定位、爆裂位置判定等应用方面的效果优于部分经典方法。

基于深度学习的高分遥感影像建筑物提取研究

传统的建筑物提取方法普遍存在过分依赖人工设计、自动化程度低、泛化能力弱等问题。随着深度学习算法在高分辨率卫星图像分类领域的应用,本文基于深度学习方法,以福建南安地区为研究区,以国产高分遥感影像为数据源,选取4块典型区域制作建筑物数据集,搭建U-Net和Mask R-CNN深度学习模型在自建的南安数据集上训练,从定量和定性的角度对比两种模型对建筑物提取的效果,最终选定精度更高的U-Net方法作为最终的提取算法;再对数据集中正负样本的比例进行调整,进一步提高了模型分割的精度,实现了基于深度学习方法的南安地区建筑物的识别和提取。

基于多任务学习的高分辨率遥感影像建筑提取

建筑物的自动提取对城市发展与规划、防灾预警等意义重大。当前的建筑物提取研究取得了很好的成果,但现有研究多把建筑提取当成语义分割问题来处理,不能区分不同的建筑个体,且在提取精度方面仍然存在提升的空间。近年来,基于多任务学习的深度学习方法已在计算机视觉领域得到广泛应用,但其在高分辨率遥感影像自动解译任务上的应用还有待进一步发展。本研究借鉴经典的实例分割算法Mask R-CNN和语义分割算法U-Net的思想,设计了一种将语义分割模块植入实例分割框架的深度神经网络结构,利用多种任务之间的信息互补性来提升模型的泛化性能。自底向上的路径增强结构缩短了低层细节信息向上传递的路径。自适应的特征池化使得实例分割网络可以充分利用多尺度信息。在多任务训练模式下完成了对遥感影像中建筑物的自动分割,并在经典的遥感影像数据集SpaceNet上对该方法进行验证。结果表明,本文提出的基于多任务学习的建筑提取方法在巴黎数据集上建筑实例分割精度达到58.8%,在喀土穆数据集上建筑实例分割精度达到60.7%,相比Mask R-CNN和U-Net提升1%~2%。