基于改进ResNet的多标签胸部X光图像分类

针对目前胸部X光图像分类方法存在X光特异性特征表达不充分、高频图像特征提取效果差、疾病样本数量不平衡等问题,提出一种基于改进ResNet的多标签胸部X光图像分类方法(multi-label chest X-ray image classification based on improved ResNet, MLC-ResNet)。首先,设计一个多尺度特征提取和融合模块,以获取更丰富的特征信息;其次,将八度卷积替换为残差结构中的普通卷积,解决X光特异性特征表达不充分问题;再次,为改善高频特征提取效果,在ResNet中引入改进后的多层感知器(multilayer perception, MLP),更好地揭示图像的细节和整体结构,增加分类性能;最后,使用加权交叉熵损失函数增加样本数较少的类别权重,改善样本分布不平衡问题。在ChestX-Ray14和CheXpert数据集上进行实验测试,其平均AUC分别是0.858 7和0.844 7,相较于ResNet分类算法分别提高了4.47%和3.20%。通过与现有方法的对比实验,进一步证明MLC-ResNet模型具有更好的性能。

基于迁移学习与残差网络的快递包裹X光图像识别

针对快递包裹违禁物品识别存在种类繁多、依赖人力和X光图像获取难度大等问题,为提高快递包裹违禁物品识别的效率和准确度,本研究提出一种迁移学习与残差网络相结合的快递包裹X光图像识别方法(TL-ResNet18)。首先构建了相似度高的源领域数据集和目标领域数据集;其次,选用ResNet18作为预训练模型,调整初始化参数结构,并将ResNet18学习到的内容作为初始化参数迁移到目标领域,实现快递包裹X光图像分类;最后,将相同数据集作为三种模型的输入并对结果进行对比。实验结果表明,TL-ResNet18模型的局部微调和全局微调的识别准确率分别为93.5%、95.0%,相比于ResNet18模型提高了7%、8.5%,且精确度、召回率和F1值都优于ResNet18模型,该方法性能更优,且不受小型数据集对深层网络训练的限制,有利于快递包裹X光图像识别的智能化发展。

基于增量学习的安检X光图像违禁品检测

针对开放域的安检X光图像违禁品检测难题,在YOLOv8系列模型基础上,从模型结构、训练策略和损失函数三个角度创新性地融入增量学习算法。通过设计一种新颖的蒸馏损失函数,促使新模型从旧模型中保留旧类别信息的同时,学习新类别知识,抵抗灾难性遗忘。通过在PIDray和CLCXray两个公开的安检X光图像数据集上进行实验,其结果表明:增量训练后的YOLOv8系列模型在新类别数据上的平均识别精度均超过了70%,而在旧类别数据上的平均识别精度仅降低约10%,并且具有更高的训练效率。

面向安检X光图像的违禁物品语义分割与识别研究

针对安检X光图像中违禁物品大小不一、物品摆放随意且存在重叠遮挡的技术难题,提出了一种改进的HRNet多尺度特征融合网络模型,实现图像中违禁物品的自动分割与识别。在编码阶段,利用HRNet网络中的多分辨率并行网络架构,提取多尺度特征,解决安检X光图像违禁物品尺度多样化的问题。在解码阶段,提出一种多层级特征聚合模块,采用数据相关上采样方法减少信息丢失,并聚合编码阶段提取的特征,以对物品进行更完整表征。在网络整体架构中,嵌入基于注意力机制的去遮挡模块加强模型的边缘感知能力,缓解安检X光图像中物品重叠遮挡严重的问题,提高模型的分割识别精度。通过在PIDray安检图像公开数据集进行实验,结果表明,在Easy、Hard、Hidden 3个验证子集上分别取得了73.15%、69.47%、58.33%的平均交并比,相比原始HRNet模型,分别提升了0.49%、1.17%、5.69%,总体平均交并比提升约2.45%。

基于FG-YOLOv7-tiny算法的耐张线夹X光图像压接缺陷检测

为保证输电线路的安全可靠运行,电力巡检的重要任务是耐张线夹压接缺陷检测。为此,提出了快速幽灵YOLOv7-tiny(faster neural networks ghost convolution-you only look once version 7-tiny,FG-YOLOv7-tiny)算法进行耐张线夹压接缺陷检测。首先,构建包含5类常见压接缺陷的耐张线夹X光图像数据集;其次,使用快速神经网络(faster neural networks,FasterNet)替代YOLOv7-tiny的高效聚合网络(efficient layer aggregation networks,ELAN)以减小模型大小;最后,使用幽灵空间金字塔池化交叉阶段部分连接网络(ghost spatial pyramid pooling cross stage partial connection networks,GhostSPPCSPC)替换YOLOv7-tiny使用的空间金字塔池化交叉阶段部分连接网络以提升检测精度。实验结果表明,FG-YOLOv7-tiny算法的精度、平均精度均值分别达到91.30%、94.28%,相比于原始YOLOv7-tiny算法分别提升了3.99%、1.59%;模型大小为22.25 MB;检测速度达到172.41帧/s,能满足实时检测的要求。因此,FG-YOLOv7-tiny算法提升了检测精度,可实现耐张线夹压接缺陷的有效检测,并满足边缘设备部署的要求。

基于稠密高分辨率并联网络的安检X光图像分割

针对安检X光图像检测中违禁物品尺度差异大、杂乱无章且存在重叠遮挡现象的技术难题,对高分辨率网络(high-resolution network, HRNet)模型进行改进,同时融合去遮挡单元,提出了一种新的多尺度特征融合网络结构,实现安检X光图像中的违禁物品语义分割。在编码阶段,基于HRNet的多分支并联网络结构,设计了一种单分支内稠密连接的方式,增强深、浅层的信息融合,提取多尺度特征,解决安检X光图像违禁物品尺度多样化的问题。在网络整体架构中,融入基于注意力机制的去遮挡单元,加强模型的边缘感知能力,有效抑制安检X光图像中物品重叠遮挡对分割精度的影响。在PIDray安检图像公开数据集的Easy、Hard、Hidden三个验证子集上验证了所提方法的有效性。结果表明:该模型分别取得了74.69%、69.92%、56.77%的平均交并比,相比原始HRNet模型,分别提升了2.03、1.62、4.13百分点,总体平均交并比提升约2.59百分点。

基于YOLOv3的X光图像违禁品目标检测

基于人类视觉的X光图像违禁品检测往往受限于工作强度和复杂人流环境,给安检工作带来巨大挑战。使用人工智能方法对违禁品进行自动检测与判别,对辅助安检工作具有重要的现实意义。提出基于YOLOv3的X光图像违禁品目标检测模型,在传统YOLOv3的基础上增加了一个检测尺度,实现实时的X光图像违禁品的自动判别,即不仅能够辨别出违禁品的种类,还能对违禁品在图像中所处的位置进行标定。实验结果表明,改进后的YOLOv3在Precision、Recall、mAP和F1四个模型评价指标上均取得提高,其中mAP值达到96.2%,对于安检X光图像违禁品目标具有良好的检测效果。

基于图像处理的轮胎X光图像缺陷检测

在图像处理的基础上使用深度学习方法对轮胎X光图像缺陷进行自动检测。轮胎X光图像具有高分辨率、形状狭长、缺陷目标较小的特点,通过将每张X光图像按照640×640像素进行切割,对切割出的每个区域进行标注,把存在缺陷的区域划分到训练集,对训练集进行直方图均衡化以增强图像前景与背景的对比度,进而继续对训练集进行数据增强以提高模型的泛化能力,最后在Faster R-CNN深度学习缺陷检测模型上训练出最优权重。在模型推理阶段,完整的X光图像会被送入模型,缺陷范围被框出,重组为原始X光图像;若某个缺陷具有多个选框,则将所有邻近的选框合成为一个选框。该方法能够有效降低小缺陷目标的漏检率,提高检测的准确率,间接解决了原始X光图像特征丢失的问题。

基于改进YOLO-v5模型的子午线轮胎X光图像病疵自动检测方法

由山东科技大学申请的专利(公布号CN115690029A,公布日期2023-02-03)“基于改进YOLO-v5模型的子午线轮胎X光图像病疵自动检测方法”,公开了一种基于改进YOLO-v5模型的子午线轮胎X光图像病疵自动检测方法,包括如下步骤:(1)采集子午线轮胎X光图像进行分割处理.

基于轮胎X光图像样本重采样图像缺陷检测

针对生成对抗网络轮胎X光图像缺陷检测,训练阶段生成器会丢失部分图像特征,并且难以确定样本的潜在空间维度,导致部分不必要的图像特征重建。为了解决这些问题,构建了样本重采样生成对抗网络SRGAN(Sample Resampling Generate Adversarial Networks),生成器以VQ-VAE为基本框架,利用注意力特征融合模块(Atten-tion Feature Fusion,AFF)搭建了新的跳连层,并在SRGAN的生成器中加入了转换损失函数LVQ。最后,使用自制的轮胎X光图像数据集对SRGAN和已经提出的部分生成对抗网络模型进行训练和测试,并将得到的AUC值进行对比,进一步证明了SRGAN具有更好的图像缺陷检测能力。

基于卷积神经网络的安检X光图像违禁品多标签识别

在安全检查工作中,违禁品的检测与识别仍然过度依赖于安检员的视觉经验。如何自动判别出X光图像中存在的常见违禁品,进而辅助安检员进行决策,成为安检领域的一个亟待解决的问题。基于深度学习技术研究安检X光图像中的违禁品多标签识别方法。通过引入multi-hot向量标注法对安检X光数据集进行标注,迁移训练Darknet-53卷积神经网络实现对X光图像中违禁品的类别判定。实验结果表明,安检X光图像违禁品多标签识别平均精度达到了98%以上,满足现实安检场景下的应用需求。

改进YOLOv7的X光图像危险品检测算法

针对X光安检图像在危险品检测时背景复杂、遮挡严重、尺度多变等问题,对YOLOv7算法进行了改进,在提高检测精度的同时使网络更加轻量化。首先构建PS-ELAN模块替换原主干网络中的ELAN模块,减少网络计算量和内存占用,同时提升网络的特征提取能力。其次将无参注意力机制SimAM与可变形卷积DCNv2融合至颈部网络的下采样阶段,提高网络对X光图像危险品关键特征的捕捉能力。最后引入Dynamic Head模块,增强检测头的尺度感知、空间感知和任务感知,提高网络的检测性能。实验结果表明,改进后的算法在自制数据集和CLCXray数据集上的平均精度均值(mean average precision,mAP)比原YOLOv7模型分别提高了4.7个百分点和1.2个百分点,参数量和计算量分别下降了16.2%和23.1%。改进后的算法提高了检测能力,同时更为轻量化,可在实际安检中起到很好的辅助作用。

基于小波变换的红外与X光图像融合方法研究

红外与可见光图像融合只能反映构件表面信息和温度场分布,由于小波变换具有良好的时域和频域多分辨率性,为了获得构件内部发热源,采用了基于小波变换的红外与X光图像融合方法。首先将红外彩色图像做灰度化处理;然后采用MALLAT算法对红外与X光图像作小波分解,用低频系数平均、高频系数取绝对值大的融合规则进行融合,并利用YIQ空间变换将红外图像的彩色温度信息迁移至小波融合图像上;最后采用信息熵、标准差、方差等质量评价参量对融合后的图像进行评价。结果表明,经过小波变换融合的红外与X光图像融合在继承了两幅图像信息基础上进行了折中,既包含了构件的温度场分布,同时也反映了构件内部清晰的结构。

一种新的骨肿瘤X光图像边缘检测技术

在骨肿瘤Ｘ光片中，由于肿瘤与周围组织Ｘ光吸收系数相差不大，肿瘤本身边缘模糊，加上Ｘ光片拍摄过程中由于光线照度不均匀和光线的照射角度不同带来的影响，使得传统的边缘检测方法难以实施。本文运用一种径向搜索方法，从肿瘤内部向四周扫描，最后经双线性插值，形成完整的边缘曲线。实验结果表明，本方法检测的边界真实，定位准确，连续性好，适合对骨肿瘤Ｘ光图像进行定量分析。

基于自适应多尺度焊缝X光图像缺陷分割研究

焊缝X光图像中的缺陷包括近似圆形和近似条形缺陷。由多尺度边缘检测理论可知:在适当尺度下,圆形缺陷在相互正交的两个方向上都是屋脊边缘,而条形缺陷只在一个方向上是屋脊边缘。利用区域一致性测度自适应确定小波滤波尺度。并在缺陷存在区域自适应确定LOG算子和方向可调滤波器的滤波尺度用以分割两种缺陷。理论分析和实验结果表明,算法有较好的分割效果。

基于改进同态滤波的医用X光图像增强算法

针对医用X光图像对常规图像增强算法较敏感、易失真的特点,提出一种基于改进同态滤波的X光图像增强算法.算法将X光图像特性及同态滤波方法在图像增强上的优势结合起来,构建基于医用X线图频域的同态滤波器,通过指定最大增频位置及最高增益系数2个控制参数实现同态滤波控制,在不削减低频信号的基础上适当放大中高频信号,保留X光图像暗区易丢失的灰度及细纹信息,同时突出重要的组织边缘及纹理特征.实验证明,该算法失真率低、操作简便且运行效率高,对医用X光图具有较理想的增晰效果.

基于正弦灰度变换的X光图像增强

介绍了灰度变换法的几种形式 ,提出了一种正弦非线性变换法 ,对三幅数字X光医学图像进行了处理 ,获得了令人满意的对比度增强效果 。

基于BP神经网络的X光图像畸变校正技术的研究

为解决基于图像导航的机器人辅助外科手术过程中X光图像的畸变特性问题,提出了一种新型的基于BP神经网络的X光畸变图像校正方法。该方法首先从一个标准模板的X光畸变图像中提取标定样本位置信息作为神经网络输入,以模板的标定样本真实位置信息为神经网络输出,构建BP神经网络。该BP神经网络能够实现畸变图像与真实模板之间的映射关系,从而达到图像畸变校正的目的。最后通过机器人辅助髓内钉锁孔实验对该方法进行了实验验证,证明了该方法的有效性。

基于深度学习的儿童手骨X光图像骨龄评估方法

目的提出一种基于深度学习的端到端儿童手骨X光图像骨龄评估框架,以实现高精度全自动骨龄评估。方法由手骨分割网络和骨龄回归网络组成模型,手骨分割网络采用Mask-RCNN分割出手骨区域,分割后的手骨区域直接输入回归网络进行骨龄评估。其中,回归网络以Xception为基础模型进行改进,在Xception输出后接入卷积块注意模块,以从通道和空间两个独立的维度细化特征映射,来获取更有效的特征;同时,将图像和性别信息作为网络的双输入,通过增加性别信息平衡不同性别的手骨发育差异。在RSNA儿童骨龄挑战数据集上评估模型。结果预测骨龄的平均绝对误差为4.96个月,超过6个研究团队所用骨龄评估方法的精确度。结论通过分割手骨区域、嵌入卷积块注意模块并关联性别信息,能提高骨龄评估的精确度,可应用于实际临床评估。

一种轮毂X光图像的快速区域分割方法

由于轮毂X光图像的复杂性,传统区域图像分割算法难以对其准确和快速地分割,直接影响轮毂质量检测的评判。文中提出了一种基于轮毂X光图像的灰度信息和几何特征的快速区域分割方法。实验结果表明,该算法能准确快速地分割轮毂X光图像目标区域,为后续区域缺陷检测奠定良好基础,具有很强的实用性。