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。

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。

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U-net神经网络的油浸式变压器绕组流-热耦合快速计算

该文针对采用传统数值方法进行大型油浸变压器绕组温升仿真时间较长的问题,提出一种基于U-net神经网络训练的快速计算方法,可以迅速地预测变压器绕组温升及热点。首先,根据流热耦合原理筛选输入变量,并运用流热耦合方法计算不同工况下的输出结果,并将之制作成训练集和测试集。同时,详细讨论3个对网络训练影响最显著的超参数;其次,将归一化后的训练集输入U-net神经网络进行训练,并设置超参数最佳组合;最后,将预测集输入训练好的模型进行预测计算及反归一化操作,预测绕组热点与Fluent仿真结果相差仅0.44 K,单次仿真时间从200 s缩短为0.07 s。预测结果与实验温度平均误差最大为2.31 K,最小为0.98 K,预测方差为0.31左右。结果表明:该方法可用于快速获得油浸式变压器绕组的温度及热点,可满足变压器温度热点数字孪生的实时性仿真要求。

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.

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MSCAU-Net的视网膜眼底图像的硬渗出液分割

硬渗出液是早期糖尿病性视网膜病变(diabetic retinopathy,DR)的主要病症之一,在眼底图像中占据的像素点较少,其检测容易受视盘、软渗出液的干扰。针对这些问题,在U型网络(U-Net)结构的基础上,通过在编码器和解码器中融入残差模块和残差通道注意力模块学习硬渗出液的细微特征,在跳跃连接中加入一种新的多尺度通道注意力(multi-scale channel attention,MSCA)模块提升网络对稀疏小病灶的分割能力,提出了MSCA U-Net。基于超广角眼底图像数据集和印度糖尿病性视网膜病变图像数据集的实验结果表明,与其他基于卷积神经网络的图像分割方法相比,所提方法具有更高的硬渗出液分割精度。

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U-Net模型的遥感影像道路提取方法研究

针对高分辨率遥感影像背景信息复杂,道路提取难度大,自动化程度低等问题,论文提出了一种改进的U-Net的道路提取方法。首先,编码器使用VGG16网络结构替代原始U-Net编码器结构;然后,在每个编码器和解码器块后加入特征压缩激活模块(SENet)增强网络特征学习能力;最后,使用Dice损失函数和二分类交叉熵损失函数复合的损失函数进行训练,减轻了道路提取任务中的样本不平衡问题。在Massachusetts Road数据集上的结果表明,改进后的算法对道路提取结果得到了有效的提升。所提方法在测试集上的精确度、召回率、F1-score和mIoU评价指标分别达到82.5%、77.8%、80.0%及82.1%,在测试影像中对错综交叉的道路具有更好的识别效果。

基于改进3D U-Net模型的肺结节分割方法研究

由于肺部CT图像的特征信息复杂度较高,经典3D U-Net网络在肺结节分割方面准确率较低,存在误分割等问题。基于此,提出一种基于改进3D U-Net的网络模型。通过将加入了密集块的3D U-Net网络和双向特征网络(Bi-FPN)融合,提高了模型分割精度。同时采用深度监督训练机制,进一步提高了网络性能。在公开数据集LUNA-16上对模型进行比较实验和评估,结果显示,改进后的3D U-Net网络,Dice相似系数较原模型提高4%,分割精度为93.9%,敏感度为94.3%,证明该模型在肺结节分割精度及准确率方面具有一定的应用价值。

DU-Net:基于改进型U-Net的视网膜血管分割模型

使用视网膜血管的图像可以识别各种疾病,很多眼部疾病需要通过眼球的毛细血管状况来进行判别,因此视网膜血管的准确分割对一些疾病的早期诊断非常重要。医疗影像数据量与U-Net模型在体量上相匹配,有效避免了过拟合。但U-Net网络通常包含大量的层和参数,特别是在处理大型图像数据集时训练和推理的时间较长。为更好地分割视网膜血管,提供一个基于改进U-Net的视网膜血管图像分割方式,用Do卷积代替U-Net路径上的卷积运算,在不增加网络推理运算的情况下加快收敛速度并改善网络性能。在DRIVE数据集上的实验结果表明,与原始U-Net相比,IoU提升了1.2%,Dice提升了1.7%,Global correct提升了0.1%。

一种基于改进U-Net的苹果表皮缺陷无损检测方法探讨

针对目前苹果外观品质通过人工筛选成本高昂且效率低下,而传统机器视觉方法准确率较低、鲁棒性较差等问题,提出了一种运用语义分割技术自动识别苹果及其表皮缺陷的方法。该方法以U-Net网络为基础,首先在编码器的CNN分支使用resnet50作为网络backbone,同时加入Transformer分支,用于兼顾局部信息与全局信息的特征提取能力;使用PatchMerging模块替换原始网络中的最大池化下采样操作,避免空间信息丢失;在解码器部分,使用dualup-sample提升网络的分割精度。改进后的网络平均像素准确率(MPA)达到98.14%,相比于原网络提高了7.33%,平均交并比(MIoU)95.57%,提高了14.14%。与原网络相比,改进后的网络有更好的特征提取能力与分割精度,针对不规则的缺陷特征也有更好的分割效果。

Attention U-Net在雷达信号图像化分选中的应用研究

针对海战场复杂电磁环境对雷达信号分选的挑战,采用改进的U-Net网络结合注意力机制提出新的分选方法。首先,将脉冲描述字转化为图像序列以适应深度学习处理。通过优化U-Net架构,融入注意力机制,有效提升模型对关键脉冲特征的识别与提取能力,实现像素级分类。通过此方法,系统能够精准搜索并归类所有雷达脉冲。实验证明,在海战场复杂电磁环境中,该方法显著提升了雷达信号分选准确率,提供了一种应对强干扰环境下的高效解决方案。这一研究成果证实了Attention U-Net在雷达信号智能分选中的优越性和实用性。

基于空洞多尺度U-Net的胸部图像分割方法

基于深度学习地进行X射线胸片疾病检测方法研究是具有挑战性的。针对胸部X射线图像中疾病诊断与病变区域定位,提出一种基于空洞多尺度U-Net的胸部图像分割方法。该方法把提取到的多尺度信息与本身网络对应通道信息进行融合,从而实现不同感受野的上下文信息融合和图像的表层轮廓信息和深层纹理信息的融合,无论是大尺度目标分割还是小尺度目标分割均可以获得更完备的语义信息。实验结果表明,该方法能够为疾病分类、病灶区域定位等问题提供技术支持,具有非常重要的临床实际应用价值。

基于轻量化U-Net网络的果园垄间路径识别方法

针对目前果园垄间导航路径识别方法存在准确性与实时性难以同时兼顾、泛化能力弱等问题,本文在U-Net模型的基础上进行优化,采用MobileNet-v3 Large作为U-Net的主干特征提取网络,并在跳跃连接处引入坐标注意力机制(Coordinate attention,CA),构建轻量化路径识别模型。以该模型分割的垄间可行驶区域为基础,利用最小二乘法重塑可行驶区域边缘点,并进一步提取垄间导航线。首先采用数据增强的草莓垄间数据集进行模型训练,并进一步迁移到葡萄和蓝莓数据集上进行权重微调,以提高模型适应能力。最后在相应的验证集上进行导航路径识别,并通过可视化对比不同模型识别结果,以验证模型准确性。试验结果表明,网络模型在草莓、蓝莓和葡萄果园垄间路径识别的平均交并比分别为98.06%、97.36%和98.50%,平均像素准确度分别达到99.13%、98.75%和99.29%。模型处理RGB图像分割可行驶区域的理论推理速度可达19.23 f/s,满足导航实时性和准确性的要求。

基于级联U-Net的遥感影像道路分割和轮廓提取方法

针对基于深度学习的遥感图像道路信息提取模型往往只能输出单任务结果且多任务之间相关性利用不充分的问题,提出了一种基于级联U-Net的道路语义分割和轮廓联合检测方法,将道路语义分割后的特征图与原始图像融合后进行道路轮廓的提取,实现道路语义分割和边界轮廓的联合训练。首先使用U-Net网络结构提取光学遥感图像丰富的层次化特征,通过级联结构将特征串联融合,分别用于提取道路的语义类别和边界轮廓。其次在每级U-Net结构中引入注意力机制模块,进行空间上下文信息和深层次特征提取,改善网络提取过程中出现的细节模糊现象。最后,使用骰子系数和交叉熵误差组成的联合损失函数进行多任务整体训练,实现深度学习模型对遥感图像中道路语义类别和边界轮廓的同时提取。通过在加拿大渥太华城市地区的光学遥感数据集上进行实验,基于级联U-Net的道路信息联合提取方法在分割指标上分别获得了42%的精确度、58%的召回率、48.2%的F1分数以及71.6%的平均交并比,在道路检测指标上取得了0.896的全局最佳阈值(ODS)。结果表明,该模型在满足联合提取道路多任务信息的同时具有更优的检测精度。

基于改进U-Net网络的花岗伟晶岩信息提取方法

利用遥感手段进行花岗伟晶岩型锂矿的识别是锂矿找矿勘查中的重要方法之一。为提高深度学习语义分割方法在花岗伟晶岩这一特殊场景中的信息提取精度,文章对经典U-Net网络进行了改进。在编码部分卷积单元层中加入批量归一化模块,使用ReLU6激活函数代替ReLU激活函数,同时构建复合损失函数,以提高运算效率,减少训练过程中的精度损失。使用国产GF-2花岗伟晶岩型锂矿影像制作数据集进行实验,结果表明,改进U-Net模型对GF-2影像研究区内花岗伟晶岩信息的识别效果较好,相比原始U-Net网络、基于VGG主干网络的U-Net模型、基于MobileNetV3主干网络的U-Net模型以及传统随机森林模型,平均交并比分别提高了14.69,0.95,5.08和35.34百分点,F 1-score分别提高了18.38,1.02,5.7和54.59百分点,实现了低植被覆盖区域遥感影像中含矿花岗伟晶岩信息的高精度自动化提取。