基于U2-Net的广域In SAR开采沉陷区自动识别方法研究

我国井工煤矿量大面广,地下开采隐蔽性强,现有的人工调查、遥感探测、现场实测等方式难以满足大范围开采沉陷区自动识别实现要求,不利于实现高效监管、动态监测。为此,提出了一种基于U2-Net的广域合成孔径雷达干涉测量(Interferometric Synthetic Aperture Radar,InSAR)开采沉陷区自动识别方法,该方法通过各种形变梯度和噪声水平的模拟数据集训练卷积神经网络(Convolutional Neural Network,CNN),使其能够实现由差分干涉图一步输出包含开采沉陷位置信息的二值矩阵。试验表明:U2-Net的平均像素准确率(Mean Pixel Accuracy,MPA)和平均交并比(Mean Intersection Over Union,MIoU)分别达到了0.9163、0.9119,均高于试验中的其他2种模型,能够更好地抑制噪声,突出形变信号。在覆盖神东矿区不同时间间隔的In SAR干涉图上,U2-Net自动识别了覆盖面积超过54600 km2的干涉图,检测出了多处边界信息清晰平滑的沉陷区,识别的平均准确率达到92.45%。结果表明:对比其他网络,U2-Net通过2级嵌套的“U”形结构能够以较小的计算量融合多尺度和多层次特征,在噪声抑制和形变区域识别方面具有显著优势。由此可见,联合深度学习可服务于精细化开采沉陷区详细调查,促进In SAR技术的应用,为广域开采沉陷区智能识别提供了一种新的技术方法。

基于改进U2-Net网络的多裂肌MRI图像分割算法

针对腰间盘突出患者MRI图像多裂肌病变部位分割精度较低的问题,提出一种改进的U2-Net网络的新模型,目标是使得编码和解码的子网络通过一系列嵌套的跳跃路径来相互连接.重新设计U2-Net模型中RSU-7、RSU-6、RSU-5、RSU-4中间的跳跃连接,RSU-4F部分不变,用来降低编码解码子网络中特征图的语义缺失.为了提取到高质量的多裂肌特征,加入通道注意力模块,通过学习每个通道的权重,使网络能够更好地关注对任务有贡献的通道,从而提升模型的性能.为验证模型的有效性,在多裂肌MRI图像数据集上进行实验,发现相较于U-Net、U2-Net、U-Net++网络结构,骰子系数(Dice)、豪斯多夫距离(HD)以及均交并比(MIoU)3个指标均有优化.实验结果表明,本文提出的算法对于多裂肌的MRI图像分割有较好的效果,能够辅助医生对病情做出判断.

基于U2-Net深度网络和投影波谷法的在架图书错序检测

针对在架图书错序检测中图书索书号区域的准确定位关键问题,提出一种基于U2⁃Net深度网络和投影波谷法的在架图书索书号区域定位识别方法。该方法首先使用U2⁃Net深度网络对在架图书索书号区域进行预分割,然后通过投影波谷法对每本图书的索书号区域进一步精确分割,最后对分割出的索书号区域图像使用光学字符识别技术,完成对索书号的识别,通过对识别结果进行排序关系判断,完成错序检测过程。实验结果表明,该方法能实现准确的索书号区域图像分割,为图书馆智能化管理提供了有效的解决方案。

基于YOLOv7+U2-Net的指针式仪表检测与识别

针对复杂环境下指针式仪表检测与识别过程中存在定位仪表困难和推理精度低等问题,本文提出一种基于YOLOv7+U2-Net的多量程仪表识别方法.为了提高U2-Net模型的输入图像质量,选择推理精度和速度快的YOLOv7检测器,将检测、裁剪好的图像作为模型的输入图像数据集,同时对输入图像进行了旋转矫正,使模型适用于多角度仪表识别.针对仪表读数推理精度差和速度慢等问题,将U2-Net解码阶段的RSU4-RSU7的普通卷积更换成了深度可分离卷积,在此基础上引入了Attention机制,加快整体推理速度和精度.此外,为了提高该方法的普遍适用性,提出了多阈值范围内的识别准确率判别方法来适配多种应用场景.通过对比实验表明,在收集到的数据集上进行评估,相较于模板匹配、SegNet、PSPNet、Deeplabv3+及U-Net方法,本文方法识别准确率达到96.5%,在多个阈值区间内都具有良好性能表现.

基于YOLOv5和U2-Net的高铁桥梁裂缝智能检测方法研究

传统数字图像处理技术在处理桥梁结构裂缝时由于裂缝形态和环境影响的复杂性导致检测效果不佳,且缺乏自适应和智能化的能力。为此,基于深度学习提出了一种结合YOLOv5和U2-Net的裂缝检测系统。YOLOv5可实现裂缝实时高精度识别和定位,引入更适用与显著性目标且特征提取能力强的U2-Net图像分割模型,提出了基于计算轮廓最大内切圆算法的裂缝宽度测量法,通过模拟高铁桥梁的破坏性实验,采集2560张测试图像作为系统的输入端对该系统进行评估。结果表明,识别定位模型测试集的准确率、召回率、平均精确度分别为92.21%、94.63%、95.32%;分割模型测试集准确率、召回率、平均精确度分别达到92.86%、95.61%、93.35%,并能够准确计算出裂缝的宽度。

一种基于U2-Net模型的电阻抗成像方法

电阻抗成像(EIT)是一种实现场域内电导率分布情况图像重建的成像技术。传统的电阻抗成像算法成像精度较低,为解决此问题,提出一种基于U2-Net深度学习模型的新型电阻抗图像重建方法。首先,以U2-Net模型为基础,创新地提出了拼接层(CAT)的概念用于数据扩展,使得U2-Net的输入层结构简单,运算速度快;其次,使用仿真数据集对该网络进行训练,使用验证集选择最优的模型参数,结果表明,提出的算法测量精度高、鲁棒性好,在仿真数据集的表现优于其他算法。最后,提出一种新的EIT成像质量评价指标:中心和面积误差(CAE)用于验证算法在实验中的表现,实验结果表明,所提算法的CAE为4.975,对于目标物的中心和面积预测更为准确,成像效果优于其他对比算法。

基于改进U2-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U 2-Net深度学习模型的沿海水产养殖塘遥感信息提取

针对近海沿岸复杂地理环境中“同谱异物”效应导致传统方法提取水产养殖塘边界模糊、精度较低的问题,提出了基于U 2-Net深度学习模型的沿海水产养殖塘遥感信息提取方法。首先,对遥感影像进行预处理,选择合适的波段组合方式以区分养殖塘和其他地物;其次,通过目视解译进行样本制作;然后,利用U 2-Net深度学习模型训练并提取沿岸养殖塘;最后,利用局部最佳法确定养殖塘范围。实验结果表明,该方法平均总体精度达到95.50%,平均Kappa系数、召回率和F值分别为0.91,91.45%和91.01%;在养殖塘个数及面积评价方面,提取出养殖塘区19块,共计9.79 km^(2),区块数和面积的平均准确度分别为94.06%和93.18%。本研究能够快速、准确地开展海岸带区域养殖塘制图,能够为海洋资源管理和可持续发展提供技术支持。

基于深度学习的无人机多光谱图像柑橘树冠分割

树冠信息的准确获取是研究柑橘树生长及产量预测的重要指标,但复杂的树木结构给树冠的准确提取带来一定影响,深度学习的快速发展为柑橘树冠信息准确获取提供了可能。采用一种新的基于深度学习的柑橘树冠自动提取方法,即将消费级无人机采集的多光谱图像与一种新的深度学习模型U2-Net结合,通过对获取的图像进行几何变换以构建柑橘树冠图像数据集。将U2-Net模型和当前3种主流深度学习模型(即PSPNet、U-Net和DeepLabv3+)分别在3个典型试验分区进行试验以提取柑橘树冠信息,并对提取结果进行对比分析。结果表明,在3个试验分区,U2-Net模型的柑橘树冠提取精度最高,其中交并比(IoU)、总体精度(OA)和F1分数(F1-score)分别为91.93%、92.34%和93.92%。与其他3种深度学习模型相比,U2-Net模型的IoU、OA和F1-socre分别提高了3.63%~8.31%、1.17%~5.25%和1.97%~4.91%。此外,U2-Net模型柑橘树冠提取面积和测量面积之间具有较高的一致性,3个试验分区决定系数(R2)均高于0.93,且与其他3种深度学习模型相比,U2-Net模型的错误率也较低,均方根误差(RMSE)为1.35 m2,均方误差(MRE)为8.15%。此研究将无人机多光谱图像与U2-Net模型相结合的方法能够实现柑橘树冠的精确提取,且提取树冠轮廓完整性较好,可为柑橘动态生长变化监测和产量预测提供基础数据与技术支撑。

基于显著性特征的蝴蝶兰组培苗夹取点检测方法

为了提高蝴蝶兰自动化快速繁育过程中组培苗夹取点视觉检测的适应性和效率,该研究提出了一种基于改进U2-Net显著性检测网络(MBU2-Net+)的组培苗夹取点定位方法。首先,通过显著性检测网络得到蝴蝶兰组培苗的显著性图像;然后,对显著性图像进行骨架提取,并经过形态学分析计算定位组培苗夹取点;最后,将夹取点位置数据发送给机械臂进行夹取。在图像显著性检测试验中,MBU2-Net+的平均绝对误差为0.002,最大F1分数为0.993,FPS(frames per second,每秒帧率)为33.99帧/s,模型权重大小为2.37 MB;在组培苗夹取试验中,4组共112颗苗的夹取点提取成功率为85.71%。为验证该研究的适应性,将其应用于各阶段组培苗以及部分虚拟两叶苗共11株种苗的夹取点提取,成功率为81.82%,使用该方法对不同时期的蝴蝶兰组培苗进行夹取点检测,具有较高的成功率。研究结果可为发展组培苗自动化快速繁育技术提供参考。

面向检索应用的商标显著性检测方法

商标显著性检测是商标检索的重要前提之一,待申请商标需要商标显著性判断,商标相似或侵权判定也需要对商标显著性特征加以判别。考虑到商标多由图案组成,该文提出了一套面向商标图像的显著性检测方案。首先,基于中国商标数据库内的商标图像抽取、加工并制成商标数据集,搭建商标数据库并陆续开源一批商标显著性检测数据集。基于已有显著性检测框架,开发并评估了多种主流显著性检测算法。结果表明一种适配商标图像的U 2-Net深度模型对商标显著性检测效果较好,综合准确率在92%左右,后续还需要深入优化和评测。最后,提出一个面向相似商标检索的显著性检测服务和特征生成解决方案,并开发了相关搜索系统,为后续工业级应用奠定基础。

基于显著性检测和EfficientNet的垃圾分类算法研究

垃圾分拣的智能化和自动化对改善城市环境具有重要的意义,论文基于西安市2021垃圾分类数据集,提出了一种基于物体显著性检测和EfficientNet的垃圾分类算法。首先针对数据特点,采用U-Net物体显著性检测模型获取物体语义显著区域,进而获取物体区域,去除复杂背景影响,然后结合数据增强及余弦调整策略,基于EfficientNet迁移学习构建垃圾分类模型。试验结果表明,该方法识别精度可达94.2%,可有效提升垃圾分类效率。

基于深度学习的高分辨率遥感影像农业大棚提取

农业大棚在农业发展中具有举足轻重的地位,大棚提取对于农业的可持续发展和环境治理尤为重要。针对传统的大棚提取方法已无法满足当下的管理需求等问题,提出一种新的U^(2)-Net模型,该模型是在U-Net模型上进行了改进,在提高分割质量的同时可以减小计算量,解决了农业大棚提取精度低的问题。将该模型与目前比较流行的U-Net、DeeplabV3+和PSPNet模型进行对比分析,结果表明U^(2)-Net模型可以更好地提取大棚信息,模型的精确率为90.35%,召回率为90.57%,F1分数为90.46%,精度高于对比模型。研究结果表明:U^(2)-Net模型可以有效地用于解决遥感影像中的大棚分割问题,极大地提高大棚提取的完整性和准确性。

深度学习提取不透水面的自然环境影响因素研究

针对遥感影像提取不透水面通常会受到自然环境因素影响的问题,该文采用改进的U2-Net模型对北京市五区和南京市五区的Landsat 8 OLI影像进行季节性不透水面提取,探索深度学习提取不透水面时的自然环境影响因素及其影响机制。选择植被、水、裸土及地表温度作为影响因素,通过地理探测器研究以上因素对不透水面提取的影响机制。基于改进的U2-Net模型提取不透水面精度较高,其中北京市研究区域的提取精度为93.81%,南京市研究区域的提取精度为94.04%;4项自然环境因素对不透水面提取精度均有影响,单因素分析中地表温度影响最大,交互作用分析中地表温度与植被覆盖影响最大。研究结果表明:夏季不透水面提取精度最高,受自然因素及交互作用影响最小;提取不透水面建议采用夏季影像。本文探究了自然因素对不透水面提取的影响机制,为进一步不透水面遥感提取和动态差异分析提供有力支撑。