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。

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。

一种用于地震断层图像识别的SPD-UNet模型

断层是控制油气田形成和分布的主要因素,断层检测和识别对于油气勘探具有重要作用。基于AttentionUNet神经网络模型,构建一种面向地震断层图像识别的SPD-UNet模型。引入空洞卷积,在保证卷积核感受野大小且不损失原始图像分辨率的情况下,增强SPD-UNet模型的断层图像特征提取能力。将金字塔结构的空洞卷积组合成SPD模块,解决空洞卷积的局部信息丢失问题,提高断层信息关联性及图像识别精度。实验结果表明,SPD-UNet模型对于地震断层图像的识别精度优于SegNet与ResUNet模型,并且识别结果与实际标注的地震断层形状及位置更接近。

基于GF-2影像和Unet模型的棉花分布识别

为探讨深度学习方法在干旱区棉花分布识别中的适用性及优化流程,以渭干河—库车河三角绿洲典型作物棉花为研究对象,利用国产GF-2影像,结合野外调查数据,采用Unet深度学习方法,借助Unet网络多重卷积运算的特点充分挖掘棉花在遥感影像上的深层次特征,从而提高棉花的提取精度。结果表明,Unet模型提取研究区棉花、玉米、辣椒的识别效果优于面向对象和传统机器学习算法分类结果,总体精度为84.22%,Kappa系数为0.8047,相比面向对象方法以及传统机器学习算法SVM和RF的总体精度分别提高了7.94,11.93和11.73百分点,Kappa系数提高了10.13%,14.72%,14.60%。Unet模型分类结果中,棉花的制图精度和用户精度均高于其余3种方法,分别为94.95%和89.07%。利用Unet模型在GF-2高分辨率遥感影像上高精度提取干旱区棉花空间分布信息具有可行性和可靠性。

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。

改进UNet的轻量化道路图像语义分割算法

针对传统道路图像语义分割方法精度低、速度慢,并且难以部署在移动端设备的问题,提出基于UNet的轻量化语义分割模型Faster-UNet,该模型继承UNet编码-解码的结构特点并兼具多层特征感知能力。针对道路场景景深变化特点,Faster-UNet模型仅进行3次下采样来提取图像特征,在减少了模型参数量的同时,又最大限度保留了物体边缘特征;针对削减深层特征导致的类别模糊问题,在模型拼接编码与解码的部分,使用空间金字塔池化(ASPP)模块提取图像多尺度信息进行特征增强;为了进一步整合各通道特征的权重,在模型解码部分嵌入通道注意力模块,进行特征图权重的自适应调节。所提模型在以上三点创新的基础上,在道路场景Camvid数据集上进行验证实验,结果表明:Faster-UNet的MIoU由UNet的60.5%提升到65.0%,并且模型大小由UNet的118.42 Mb下降至Faster-UNet的20.76 Mb,网络模型性能优良。所提算法在针对道路分割问题优化模型结构的同时提高了分割精度,从而为自动驾驶技术提供了一定的理论基础和工程应用参考。

面向无人船的水域分割模型设计与通道剪枝加速方法

内河无人船在资源探索调查,水质监测等方面发挥着重要作用,提出了一种基于船载摄像头的实时图像水域分割方法,用于辅助内河无人船的自主运动控制。提出一种改进的基准图像分割模型UNet++,并引入可微分二值化方法,有效提高了水域分割精度;在此基础上,提出一种基于特征分辨率的通道剪枝策略,实现模型的内存占用率低、识别速度快的效果,进一步提高了模型的推理效率。在市内河道的实验验证了方案的可行性,模型分割结果的平均交并比达0.966,推理速度达57FPS,均优于基准模型。表明所提方法能有效完成实时视觉感知和环境分割任务,为自主化运动和决策提供有力支撑。

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。

基于注意力机制和隐马尔科夫的高精密螺纹全自动精确测量

基于机器视觉的螺纹测量易受到工业环境(例如灰尘、铁屑、油渍等)的干扰,且需要人工半自动干预,导致测量结果不稳定。通过加入Attention机制对R2Unet模型进行改进,提出一种基于AA R2Unet深度学习模型和隐马尔科夫模型的高精密螺纹全自动精确测量方法。首先,为了克服工业环境中灰尘、铁屑等因素的干扰,设计了AA R2Unet模型对外螺纹进行有效边缘识别与提取;然后,通过计算螺纹边缘点梯度方向特征信息,使用隐马尔可夫模型对螺纹边缘点进行分类,达到螺纹零件在测量过程中可以任意角度放置的目的。通过实际采集工件图像制作数据集进行实验验证,结果表明,基于AA R2Unet的螺纹边缘提取方法分割精度达到95.92%,基于隐马尔可夫模型的螺纹边缘点分类准确率达到86%以上,外径测量误差在0.01 mm以内。

基于语义分割的棉花垄间实时道路识别

为解决棉花垄间道路识别准确性和实时性差的问题,建立用于棉花垄间道路实时识别的Quarter-Unet模型,深度学习语义分割模型FCN和Unet对棉花垄间道路识别的适应性,选择适应性更好的Unet模型,对其VGG16主干进行剪枝,得到Half-Unet和Quarter-Unet,采用640幅图像组成的训练集和160幅图像组成的验证集进行研究,结果表明,与Unet模型相比,在识别的MIoU基本不变的情况下,Quarter-Unet的内存占用量降至19.5%,而处理速度提高至155%,为后续研发棉花田间智能农机导航设备提供了技术基础。

联合上下文注意力机制的水位检测算法分析

智能水位监测有助于及时的水资源管控和灾情防范。针对拍摄视角不同、恶劣天气和水面污染等问题,提出联合上下文注意力机制的水位检测算法,基于上下文注意力机制的UNet模型(CAM-UNet)和最小二乘多项式拟合函数,实现复杂背景下的水位信息远端智能获取。结果表明,在摄像头安装错位、镜头抖动及水面脏污等干扰造成水位定位困难的情况下,所提算法能够准确分割水位线,并在不依赖于水尺装置的情况下,将水位像素高度低偏差映射到实际高度,测定保证率和最大偏差符合《水位观测标准》。研究结果对解决复杂监控场景中的实时水位准确检测难题及洪涝预警具有重要应用价值。