基于改进Res-UNet网络的织物瑕疵图像识别方法

复杂花色织物的纹理和色彩常常是非规则的,导致织物表面瑕疵识别难度较高。针对上述问题,研究一种基于改进Res-UNet网络的织物表面瑕疵图像识别方法。采集织物图像并对其实施灰度化、去噪以及直方图均衡化处理,利用蝙蝠算法求取最佳提取网络层数,通过增加特征提取网络层数改进Res-UNet网络,利用改进后的Res-UNet网络识别织物表面瑕疵,并且采用迁移学习算法进一步优化识别模型的参数,实现织物表面瑕疵准确识别。结果表明:本文方法应用下,无论是素色样本,还是花色样本,其识别系数均达到0.9以上,相比基于标签嵌入方法的织物瑕疵识别方法和双路高分辨率转换网络的布匹瑕疵检测方法,本文方法对复杂花色样本的轮廓系数识别更高,适用性更好,识别能力更强。

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。

基于Unet网络的烧结混合料粒度检测模型

目前烧结生产中混合料粒度主要通过人工检测方式获取,该操作方式不连续,且准确度有待提高,难以确定粒度分布与烧结生产参数之间的定量关系。因此,本文提出一种烧结混合料粒度检测模型,该模型采用CCD工业相机和工业光源作为混合料图像的主要采集设备;在图像预处理过程中,使用加权平均法用于图像的灰度化处理;在粒度检测模型构建中,应用Unet网络对烧结混合料图像进行分割处理。结果表明:工业光源的使用提高了采集时的亮度,也能在最大程度上降低外界光线的影响,确保烧结混合料图像的稳定性;图像预处理有助于分辨烧结混合料的颗粒特征,在此基础上,使用中值滤波和直方图均衡化更适合表征图像中混合料颗粒的边缘,并将颗粒内部特征模糊化,对噪声及其他不利因素有很好的去除效果;训练好的Unet网络分割模型对烧结混合料的分割准确率达到91%以上,分割精度误差低于9%,对混合料图像的分割效果较好。该模型的应用可为烧结生产提供及时、准确的粒度分布数据,有助于提高烧结混合料粒度检测效率,帮助企业提升经济效益和社会效益。

基于LOFUnet深度卷积神经网络低序级断层多属性识别方法

低序级断层控制圈闭及油气富集,对油气勘探开发具有重要的意义。但其识别描述难度大、效率低,严重制约了该类油藏的勘探开发进程。随着人工智能的发展,深度学习为低序级断层识别提供了新的途径。这里在样本集构建及方法上都有创新之处:建立了同相轴错动、扭动、微扭动地震响应特征的低序级断层样本集,为智能识别奠定了良好的样本库;LOFUnet网络是在UNet基础上进行的改进,可以获取样本中更多低序级断层信息的特征。笔者通过方差属性、倾角属性和振幅属性融合获得新的断层体,用构建的LOFUnet网络进行低序级断层识别。网络通过残差块构建编码器端可以获取更多的低序级断层特征,解决梯度消失问题,提高模型的收敛速度,增强模型的稳定性以及低序级断层检测的精度和效率。选用正演模拟数据和实际地震数据分别对UNet模型、LOFUnet模型进行测试,结果表明,基于LOFUnet深度卷积神经网络低序级断层多属性识别方法提取的信息更加丰富,提高了低序级断层识别的准确度。

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N-Unet视网膜血管分割

针对在现阶段视网膜血管分割过程中存在的分支断裂问题,提出一种非局部Unet的模型Non-local Unet(N-Unet)。N-Unet模型保留了编码器-解码器的对称结构,在编码器阶段引入非局部块,使模型在提取特征的过程中关注非局部信息,能更好地捕捉图像中非相邻像素之间的关系。该模型在公开的DRIVE数据集上进行评估,得到的准确性、敏感性、特异性、曲线下面积分别为0.9523、0.8021、0.9743、0.8949。实验结果表明,该方法在解决血管分割过程中的分支断裂问题表现良好,具有研究意义。

改进Unet++的肾脏肿瘤分割方法

针对人工方式分割CT图像肾脏肿瘤区域耗时费力且存在主观因素影响等问题,提出一种基于卷积神经网络的肾脏肿瘤自动分割算法。算法以Unet++分割网络为基础框架,将预训练的ResNet-34网络中四个特征提取模块作为Unet++网络特征编码器,来提取图像特征信息;并将重新设计的空洞空间金字塔池化网络嵌入到Unet++每条解码路径中;不同的解码路径通过特征融合得到肾脏肿瘤分割结果。在KiTS19竞赛提供的数据集上进行验证,实验结果表明,该算法有效提高了CT图像肾脏肿瘤的分割精度。

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。

融入CBAM的Res-UNet高分辨率遥感影像语义分割模型

针对现有语义分割方法处理复杂遥感影像细节特征识别能力差、信息丢失等问题,提出一种融合注意力机制的遥感影像语义分割网络模型。模型主干网络采用编码器-解码器架构的U-Net模型,为了缓解梯度和网络退化问题,将残差结构嵌入到主干网络中;同时融入通道、空间注意力模块,兼顾影像的细节特征和模型鲁棒性。在ISPRS Potsdam数据集上进行分析验证,实验结果表明,在去除“噪声”、地物边缘“平滑”、细窄地物“连续”、细小目标分割等方面,融入CBAM模块的ResUNet语义分割精度要优于传统网络模型。

基于注意力门UNet网络的CT金属伪影去除方法

目前,UNet基本模型对带有金属伪影的CT图像的去除能力无法有效满足需求,UNet的结构简单无法提取出足够精确的有效结构和细节信息,并且深层卷积对低级特征的信息利用不够充分;针对上述问题,提出了一个基于注意力门的UNet金属伪影去除网络,该网络采用了注意力门对低层级和高层级的信息进行注意力权重处理,并利用跳跃连接机制到特征解码结构以提高生成CT图像的质量,通过多层级的编解码结构得到最终的去除金属伪影CT图像;实验结果表明,该方法在视觉上取得了更好的条状和带状伪影去除效果的CT图像,并在PSNR指标上取得了35.5913,在FSIM指标上取得了0.9613,在SSIM指标上取得了0.9288的成绩;与ADN、cGANMAR、UNet、CNNMAR、CycleGAN等目前已有的方法相比,该方法在诸多方面均取得了显著的优势。

基于多阶段渐进式UNet压制地震勘探随机噪声

数据处理是地震勘探的关键环节,UNet网络作为典型的神经网络架构之一,近年来也被用于地震勘探领域,作为一种压制随机噪声的手段。UNet网络基于其对称的编码和解码结构,可以提取广泛的上下文信息,但由于其编码部分过度使用下采样操作,容易丢失输入图像的空间细节部分。其次,UNet架构是一种单阶段模型,网络结构简单,在空间精确度和多尺度信息之间难以达到平衡。基于此,提出多阶段渐进式UNet网络(MPUNet),网络前两个阶段采用编码器-解码器学习丰富的多尺度信息,最后一个阶段通过原始分辨率子网络保留精确的空间细节。每两个阶段之间引入监督注意模块,用来重新校准进入下一阶段的特征,以及引入跨阶段特征融合机制,使整个网络框架连接更加紧密,避免有效信息的丢失。人工合成记录和实际地震数据实验结果表明:相比于时频峰值滤波(TFPF)、残差密集网络(RDNet)、传统UNet和加入残差密集块的UNe(t RDBUNet),MPUNet具有更显著的去噪效果,能够有效提高地震数据的信噪比和分辨率,为后续地震资料的分析解释提供了有利的依据。

基于改进Unet的电流互感器红外图像检测

电流互感器作为电力设备中的重要目标,其检测受到高度重视。分析了电流互感器红外图像数据集,在Unet语义分割模型的基础上添加全维注意力动态卷积模块和条纹池化模块,分别替换原网络的常规卷积和最大池化,在中间层添加空间变换网络模块,设计了一种Odconv-stn-spm net(Ossnet)语义分割模型。对于验证集的898张电流互感器红外图像,Unet模型OA值为91.30%,Ossnet模型OA值为97.97%。由此可知,所提出的方法有利于提高互感器识别率及其定位精度。

联合Swin Transformer和UNet的GAN人脸修复算法

基于GAN的人脸修复技术大都采用CNN进行修复,忽略了人脸修复的全局信息和整体均匀性,从而导致修复结果不理想。基于此问题,提出一种联合Swin Transformer和UNet的GAN人脸修复算法,进行人脸图像修复。该方法整体采用GAN生成器-判别器架构,使用Swin Transformer作为主干网络,用于捕捉图像的全局依赖关系;采用UNet的编码-解码结构,在局部区域进行特征提取和重建。实验结果表明,相较于以往方法,该方法能更好地处理人脸图像修复任务。

一种基于改进的Unet网络的遥感影像建筑物分割方法

针对传统语义分割方法在山地、丘陵等地区提取建筑物噪声大、鲁棒性差、精度不高的问题,提出了一种改进的Unet网络的遥感影像建筑物分割方法。该方法结合模型结构和非结构优化,使用随机数据增强模块增强样本,利用空洞卷积增加卷积层感受野,利用FRN数据归一化方法解决小批量对数据归一化的影响并缓解梯度弥散问题,利用ELU激活函数减少噪声、提升鲁棒性、缓解梯度消失,使用随机投票预测模块提高预测准确率。使用重庆农村地区的遥感影像,在Unet、Segnet、Deeplabv3plus及本文改进模型之间对比实验,结果表明,所述方法在复杂环境下的建筑物分割中表现更好,验证样本中的分类总体精度为95.08%,mIoU为81.28%,显著高于其余3种分类算法。该研究可以为山地城市、丘陵地区遥感影像建筑物提取研究提供参考。

基于UNet的医学图像分割综述

UNet作为卷积神经网络(CNN)中最重要的语义分割框架之一,广泛地应用于医学图像的分类、分割和目标检测等图像处理任务。对UNet的结构原理进行了阐述,并对基于UNet网络及变体模型进行了全面综述,从多个角度对模型算法进行了充分研究与分析,试图建立起各个模型间的演进规律。首先,将UNet变体模型根据其应用的七种医学成像系统的不同而进行分类研究,且将核心构成相似的算法进行了对比描述;其次,对每个模型的原理、优缺点和适用的场景等内容进行分析;再次,对主要UNet变体网络从结构原理、核心组成结构、数据集和评价指标四方面进行总结;最后,结合深度学习的最新进展,客观地描述了UNet网络结构存在的固有不足和解决方案,为未来继续改进提供了方向。同时,对UNet可结合的其他技术演进与应用场景等内容进行详述,进一步展望了基于UNet变体网络未来的发展趋势。

基于改进Unet与动态阈值可变FCMSPCNN的医学图像分割

针对深度学习的医学图像分割模型训练时间长和精度不精的问题,提出结合动态阈值可变FCMSPCNN的多尺度上下文编解码结构和注意力机制的CoA Unet(Context Attention Unet)分割方法。首先,使用动态阈值可变的FCMSPCNN预分割出目标矩形区域并使用掩码遮盖背景部分;然后,更深层卷积块加入快捷连接交叉融合不同层次的特征,并通过注意力门突出对目标特征的学习;最后,在编解码器最底层加入改进的多尺度上下文提取器可以更好地提取目标特征信息。模型分别在LiTs和DRIVE数据集上进行验证,肝脏分割指标Miou、Aver_HD、Aver_Dice分别为0.8905、6.3699、0.9477,视网膜血管分割指标分别为0.5892、9.2559、0.7409。实验表明,预处理能缩短4.3%~20.33%的训练时间并提升2%~6%分割精度,与其他5种分割方法相比,CoA Unet能取得更好的整体分割性能。

融合Swin Transformer与UNet的云检测架构

目前在遥感图像云检测的领域中,对于薄云和碎云以及不同下垫面的云检测精度还有待进一步提高,且存在较多误判漏判和数据不均衡等问题。针对这些问题,提出了一个结合Transformer和卷积思想的云检测网络架构Cloud TransUnet。首先,使用Transformer模块替换掉UNet编码器阶段的卷积模块,利用Transformer的全局注意力机制提取出更多的细节特征信息,减少误判和漏判的发生;同时,添加边缘检测模块,加强对边缘信息的提取,提高检测的精度;最后,使用中值频率平衡对损失函数进行改进以处理数据不平衡的问题。实验结果表明,Cloud TransUnet对薄云和碎云的检测、不同下垫面的云检测都具有良好的表现,与卷积语义分割网络UNet、SegNet、ResUnet和Swin_Unet相比,Cloud TransUnet在检测速度略微提升的同时,其MIoU、总体精度、精确率等指标都得到了一定的提升。

一种Unet图像分割模型的联邦蒸馏优化算法

联邦学习致力于保证用户隐私与数据安全条件下,有效地解决医疗领域数据孤岛的问题,是一个极巨潜力的发展方向.然而,现存的联邦学习在医疗领域的应用中存在两大难点:高额的通信开销与不平衡数据导致的性能下降.基于此,设计一种应用在图像分割领域的联邦蒸馏优化算法.在算法中,首先设计本地教师模型-全局学生模型的框架,重构轻量的Unet作为学生模型,并用蒸馏损失保证模型性能的稳定.然后,在服务器上部署调节器筛选聚合的参与方,缓解数据不平衡对模型的影响.实验结果表明,该算法降低16倍以上的通信数据总量与约25%的单次训练时间,在异质性的数据集下,不会因为极端数据导致梯度爆炸与性能下降.此外,本文使用真实的COVID-19与HAM10000医疗数据,证明该模型的有效性.

LK-CAUNet:基于交叉注意的大内核多尺度可变形医学图像配准网络

经典的UNet网络可用于预测全分辨率空间域的密集位移场,在医学图像配准中取得了巨大成功。但对大变形的三维图像配准,还存在运行时间长、无法有效保持拓扑结构、空间特征易丢失等缺点。为此,提出一种基于交叉注意的大内核多尺度可变形医学图像配准网络(large kernel multi-scale deformable medical image registration network based on cross-attention,LK-CAUNet)。在经典UNet模型基础上,通过引入交叉注意力模块,实现高效、多层次的语义特征融合;配备大内核非对称并行卷积,使其具有多尺度特征和对复杂结构的学习能力;通过加入平方和缩放模块,实现拓扑守恒和变换可逆。基于脑部MRI数据集,将LK-CAUNet与18种经典图像配准模型进行了比较,结果表明,LK-CAUNet的配准性能较其他模型有明显提升,其Dice得分较TransMorph配准方法提高了8%,而参数量仅为TransMorph的1/5。

基于FM-UNet++和高分二号卫星影像的露天矿区范围变化检测

利用遥感和深度学习技术实现露天矿区土地利用变化信息的自动提取对于矿区开采监测、生态环境保护具有重要意义。针对复杂异质矿区场景下土地利用类型的变化,构建新型深度学习模型FM-UNet++,利用高分二号(GF-2)卫星影像实现露天矿区的自动变化检测。首先,通过资料调查和目视解译制作露天矿区变化检测数据集,通过数据增强对其进行扩充;其次,通过在UNet++模型中引入特征增强坐标注意力机制FECA(Feature-enhanced Coordinate Attention)和Mish激活函数构建面向露天矿区变化检测的FM-UNet++模型;最后,训练FM-UNet++及7种对比模型进行露天矿区变化检测实验,并比较不同深度学习模型的检测结果。结果表明:特征增强坐标注意力机制FECA和Mish激活函数均提升了UNet++模型的露天矿区变化检测性能。FM-UNet++模型对露天矿区变化检测的精确率(Precision)、召回率(Recall)、F1-Score和交并比(IoU)值分别达到95.6%、89.2%、92.3%和85.7%,相较于FCN、PSPNet、Deeplabv3+、LANet、UNet、UNet++和DA-UNet++等深度学习模型均有显著提升。FM-UNet++模型的变化检测速度与上述7种对比模型保持在同一数量级,且其训练过程稳定,验证了FM-UNet++模型应用于露天矿区变化检测的可行性。