基于YOLOv5和U-Net3+的桥梁裂缝智能识别与测量

为了克服传统数字图像处理方法进行桥梁裂缝识别时面临的效率低、效果不佳等问题,提出了集成深度学习YOLOv5和U-Net3+算法的一体化桥梁裂缝智能检测方法.通过调整算法宽度和深度参数,优化边界框损失函数,构建基于YOLOv5目标检测算法的裂缝识别定位模型,实现桥梁裂缝快速识别与定位;引入结合深度监督策略及预测输出模块的U-Net3+图像分割算法,训练并构建桥梁裂缝高效分割模型,实现像素级裂缝智能化提取;建立结合连通域去噪、边缘检测、形态学处理的八方向裂缝宽度测量法,基于U-Net3+裂缝分割结果实现裂缝形态及宽度高精度测量;利用LabelImg图像标注软件制作包含4 414张图像的裂缝识别定位模型训练数据集;利用LabelImg图像标注软件及CFD数据集制作包含908张图像的裂缝分割模型训练数据集;利用无人机航拍的485张5 280×2 970 pixels桥梁索塔裂缝图像,来制作裂缝智能检测模型的测试对象.将所提出的裂缝检测方法应用于上述裂缝测试对象,其裂缝识别定位准确率91.55%、召回率95.15%、F1分数93.32%,裂缝分割准确率93.02%、召回率92.22%、F1分数92.22%.结果表明,基于YOLOv5与U-Net3+的桥梁裂缝智能检测方法,可实现桥梁裂缝高效率、高精度、智能化检测,具有较强的研究价值和广泛的应用前景.     

多尺度卷积核U-Net模型的视网膜血管分割方法

针对病变视网膜血管结构的计算机辅助诊断问题,提出了一种多尺度卷积核U-Net模型的视网膜血管分割方法.在U-Net模型基础上设计了融合Inception模块和最大索引值上采样方法的多尺度卷积神经网络结构.在网络训练阶段,采取旋转、镜像等操作进行数据集扩充,运用CLAHE算法进行图像预处理;训练后得到的双通道特征图,进行Softmax归一化;最后通过改进的代价损失函数对归一化结果迭代优化,得到完整的视网膜血管分割模型.实验结果表明,所提方法在DRIVE数据集上分割的准确率达到0.9694,灵敏性达到0.7762,特异性达到0.9835,比U-Net模型具有更优的分割效果和泛化能力,与其他现存方法相比具有一定的竞争力.     

基于全局优化方法的SAR图像快速分割算法

为解决变分水平集分割模型能量泛函的非凸性及其易陷入局部极小值解的问题,研究变分水平集分割模型的全局优化问题.基于Aubert-Aujol (AA)去噪模型和变分水平集方法,提出一个局部统计活动轮廓模型;然后通过凸松弛技术将提出的模型转换成全局优化模型;再利用分裂Bregman技术将全局优化模型转化为两个易于计算的Shrinkage算子和Laplace算子.通过对合成图像和Envisat SAR图像的分割实验,提出的全局分割模型不仅能够快速地得到全局最小值,而且比经典模型更准确地得到图像分割边缘.      

一种新的基于U-Net和ResNet的病理图像细胞核分割方法

医学图像分割是图像处理的重要环节,而细胞核分割结果是病理学家进行癌症分类和评级的重要依据,提高其分割的准确率一直是研究的热点。但由于同器官的不同细胞核存在形态可能不一样、细胞之间相互重叠、细胞边界不清楚等现象,导致细胞核图像难以准确分割。为提高相互接触和重叠细胞核分割的准确性和精确率,本研究提出一种新型的细胞核分割网络模型。该模型首先是对原始细胞图进行ZCA白化预处理,并基于经典的U-Net网络结构,通过U-Net和ResNet残差模块进行训练,使用Batch Normalization方法实现数据归一化处理,解决训练过程中梯度震荡问题。在MoNuSeg和ISBI2018Cell两个数据集上的实验结果表明,本研究所提出的模型的分割准确率较高,分割出的细胞没有出现细胞核大面积粘连的现象,细胞核轮廓更加清晰。本研究所提的分割网络基于经典的U-Net网络结构,通过构造ResNet残差模块实现对细胞核上下文特征的提取,同时在残差模块使用Batch Normalization使得梯度的传输更加便捷,减少了训练时间,而且在分割相互接触的细胞核时,具有精确定位和准确分割的能力,是一种有效的细胞核分割方法。     

多分辨超声心动图像分割模型

提出了一种新的基于水平集的多分辨空间超声心动图像分割模型，该模型在粗尺度上实现预分割，然后通过解传递方法将结果传递到细尺度上进行优化分割．在粗尺度上采用基于区域的高斯噪声模型分析图像，并和测地线模型相结合实现预分割，预分割结果表明了组合模型能自动和精确地提取边界．提出了基于数学形态学算子的尺度间快速解传递方法，该方法不需要进行插值运算，避免了常规方法效率低的问题．在细尺度上提出了一种局部活动轮廓优化模型，定义了新的基于局部亮度的目标函数．优化后的平均相似性从0．9862提高到0．9985．对左心室图像的分割实验证明了多分辨模型和常规方法相比具有更好的精确性和鲁棒性．     

基于梯度向量流的活动轮廓模型

针对当前活动轮廓模型对噪声敏感, 难实现弱边界图像的准确分割问题, 提出一种基于梯度向量流的活动轮廓模型. 首先采用Contourlet变换对图像进行去噪处理, 解决了噪声对图像分割的干扰; 然后在活动轮廓模型中引入一个指示函数, 用于描述向量场与轮廓曲线间的关系, 通过轮廓曲线演化过程实现图像分割; 最后用实验对本文模型的图像分割性能进行验证. 实验结果表明, 该方法可以快速、 准确地实现多种类型的图像分割, 分割精度和抗噪能力优于其他活动轮廓模型.     

采用改进Snake模型的胸片肺野自动分割方法

为了解决传统Snake模型应用于X光胸片肺野分割时,对人工初始化轮廓的选择敏感、对凹陷区域分割不准确等问题,提出一种基于自动初始化Snake模型的X光胸片肺野自动分割方法.该方法首先通过Otsu法对原始图像进行二值化,得到包含肺野、背景区域的二值图像,并经过图像取反和连通域处理,运用形态学方法,得到只含有肺野区域的二值图像;然后,通过边界提取,完成对Snake模型轮廓的自动初始化;最后通过Snake模型的演化,得到分割结果.实验结果表明:该方法能摆脱Snake模型对人工初始化轮廓的依赖,提高分割的鲁棒性,同时对凹陷区域的分割更准确,具有更好的分割效果.     

基于模糊C均值聚类能量最小化的超声图像分割

 提出了基于模糊C均值能量最小化的活动轮廓模型.该模型首先对待分割图像进行模糊C均值聚类得到前景和背景的模糊隶属度值,然后将待分割目标的局部像素信息和它的隶属度值作为活动轮廓模型的水平集函数的初始值,改进了传统的求解Euler-Lagrange方程使活动轮廓的能量极小化的模型,利用快速算法直接计算模糊C均值能量最小化驱动传统活动轮廓模型的曲线演化.将提出算法与经典的活动轮廓模型分割算法比较,对仿真和临床的超声图像分割实验结果表明：提出算法能很好地分割像素不均匀、边界模糊、含有斑点噪声的超声图像,具有较好的分割性能和较快的分割速度.     

基于FCM和标记分水岭的粘连岩石颗粒图像分割

模糊C均值算法可利用图像的多种特征值进行准确的图像分割,但不能分割粘连物体;传统的分水岭分割算法能够获得准确的物体边缘轮廓,但容易造成过分割.为了解决这个问题,提出基于FCM和标记分水岭的粘连图像分割.该方法首先对原始彩色图像中值滤波后进行基于LUV颜色空间的FCM聚类;对聚类后的图像用形态学方法去杂质、空洞填充后进行距离变换;然后根据距离变换图像找出局部最大值,得到种子图像;最后对距离变换图像进行基于标记的分水岭分割,得到最终的分割图像.该方法对粘连岩石颗粒图像进行分割,取得了较好的实验效果.     

基于残差U-Net网络的染色体图像分割方法

针对染色体识别的难题,提出一种基于残差U-Net网络的染色体图像分割方法.以残差网络和U-Net网络为基础简化深层网络的训练,利用丰富的跳跃连接促进信息传播;通过将U-Net网络底层的卷积层替换成不同尺度的空洞卷积,保持特征空间分辨率不变的同时扩大特征感受野,实现多尺度感受野提取图像特征的同时减少特性信息的丢失;压缩路...     

基于遗传算法最佳阈值分割的矿石图像分割

为了实现选矿的自动化,通过利用工业摄像机对传送带上的矿石颗粒图像进行采集,Matlab对采集的图像依次进行双边滤波降噪处理、遗传算法最佳阈值分割、分水岭分割、矿石颗粒像素标定以及像素面积检测的方法研究了矿石的粒度分布,结果表明：与人工筛分的数据进行对比,显示图像处理的结果在误差允许范围内。可见运用图像处理的方法进行矿石粒度的检测是可行的,能够为矿石的破碎提供数据指导,促进矿业生产的自动化和智能化。     

基于U-Net多尺度和多维度特征融合的皮肤病变分割方法

针对皮肤病变区域尺度不同和形状不规则, 传统U-Net网络方法缺乏从不同尺度分析目标的鲁棒性, 并在提取图像高层语义特征时丢失部分空间上下文信息而影响后续分割精度等问题, 提出一种基于U-Net多尺度和多维度特征融合的医学图像分割方法. 首先, 用空洞卷积融合不同尺度的空间上下文信息; 其次, 用通道上下文信息融合模块提取特征图各通道间的权重信息; 最后, 将特征图中的多尺度和多维度信息进行融合, 以保留更多的空间上下文信息. 实验结果表明, 该方法在皮肤病变数据集上对皮肤病变区域进行分割的分割效果较好.     

聚类分析和活动轮廓模型相融合的图像分割算法

针对当前图像分割算法存在的分割误差大、 分割时间长及无法进行在线图像分割的不足, 提出一种基于聚类分析和活动轮廓模型相融合的图像分割算法. 首先, 对原始图像进行去噪处理, 采用聚类分析算法对原始图像进行粗分割, 将粗分割结果作为活动轮廓模型的初始轮廓线; 其次, 将活动轮廓模型根据初始轮廓线对图像不同区域轮廓进行拟合, 实现图像的精细分割； 最后与聚类分析算法、 活动轮廓模型以及当前经典图像分割算法进行对比测试实验. 实验结果表明, 本文算法克服了当前图像分割算法存在的缺陷, 提高了图像分割效率和精度, 对噪声不敏感, 并具有较强的鲁棒性, 图像整体分割效果显著优于对比算法.     

聚类分析和活动轮廓模型相融合的图像分割算法

针对当前图像分割算法存在的分割误差大、 分割时间长及无法进行在线图像分割的不足, 提出一种基于聚类分析和活动轮廓模型相融合的图像分割算法. 首先, 对原始图像进行去噪处理, 采用聚类分析算法对原始图像进行粗分割, 将粗分割结果作为活动轮廓模型的初始轮廓线; 其次, 将活动轮廓模型根据初始轮廓线对图像不同区域轮廓进行拟合, 实现图像的精细分割; 最后与聚类分析算法、 活动轮廓模型以及当前经典图像分割算法进行对比测试实验. 实验结果表明, 本文算法克服了当前图像分割算法存在的缺陷, 提高了图像分割效率和精度, 对噪声不敏感, 并具有较强的鲁棒性, 图像整体分割效果显著优于对比算法.     

带式输送机物料瞬时流量激光测量方法

针对高带速、大运量带式输送机物料瞬时流量难以实时精准测量问题,提出一种基于激光扫描的带式输送机物料瞬时流量高精度实时测量方法.利用二维激光测距仪和测速传感器获取带式输送机高速运行下物料流三维激光点云数据,经滤波、异常值剔除、数据平滑等预处理后,通过分析扫描线上激光点云空间形态特征提出一种物料流轮廓自动提取方法,并建立基于面元积分的带式输送机物料瞬时流量计算数学模型.开发的带式输送机物料瞬时流量测量系统用于测量带宽为200mm槽型带式输送机在带速0.5~1.5m/s下物料流瞬时流量时,数据重复性和相关性都达到98%以上.实验结果表明,该方法采样间距小、测量精度高、实时性强,具有较强适用性和可靠性,有助于为港口带式输送机自适应节能控制技术提供实时、精确的数据来源.     

基于注意力机制的U-Net脑脊液细胞分割

为解决脑脊液病理图像中部分细胞膜较为模糊，与图像背景难以区分的问题，采用了基于注意力机制的U-Net深度学习方法对脑脊液病理图像做全自动分割.在深度学习网络中加入注意力机制对细胞进行定位，抑制无关信息，提高语义的特征表达，提高对细胞整体分割的精确性.通过镜像、旋转等操作对数据集进行扩充预处理.采用VGG16预训练模型进行迁移学习，交叉熵与Dice损失相结合作为损失函数，分别在脑脊液临床图像与公开数据集2018 Data Science Bowl上进行验证；并与Otsu， PSPnet， Segnet， DeeplabV3+， U-Net进行对比，结果表明， 本文方法在各项指标上均优于其他分割方法.