边缘增强的变感受野自注意力撕囊评估算法

为了解决前囊的透光性、器械遮挡和较大的场景差异造成的分割困难,实现撕囊操作的定量评估、缩短医生的学习曲线、提供更规范的治疗,通过边缘增强的方法使得结合了自注意力的变感受野网络关注边缘特征,更加准确地分割出撕囊形成的前囊孔洞并对其进行定量评估。首先利用变感受野的空洞卷积网络获取多尺度的语义依赖,接着通过自注意力机制建立边缘和目标内部的依赖关系,最后利用分割结果计算出用于手术评估的圆度、居中度和半径指标。自建了白内障撕囊数据集,并利用球面化算法对其进行了增广和误操作模拟,提出的分割算法在该数据集上进行了测试,实验结果表明所提出的算法明显优于传统分割算法,精确度、交并比分别达到了96.51%、93.25%。可见,该算法能够实现更精准的前囊孔洞分割和术后评估。     

结合注意力机制和卷积神经网络的X射线焊缝缺陷检测

焊接是一种重要的连接技术,但是焊缝缺陷会直接影响焊接结构的性能和使用寿命。焊缝缺陷的种类和特征的多样性增加了缺陷检测的复杂性。首先,提出一种新颖的并行残差注意力模块,在通道和空间维度上充分利用全局平均池化和全局最大池化来捕获全局特征,并与输入特征相乘,自适应的选择缺陷特征,显著提升了网络模型的特征表达能力。其次,针对焊缝缺陷长宽比悬殊的问题,利用注意力机制指导锚框自学习图像特征,预测锚框的位置和形状,围绕缺陷区域自适应生成非均匀分布的任意形状的感兴趣区域。最后,设计了端到端的由注意力引导感知的深度学习网络模型。为验证所提模型的有效性,在包含3 403张图像(其中1 001张有缺陷)的X射线焊缝数据集上,通过定性的分析和定量的对比。实验结果表明：检测指标平均精度均值(mean average precision, mAP)达到了66.74%,与原算法相比提升了5.78%,平均交并比(mean intersection over union, mIoU)提升了7.21%,基本满足对焊缝缺陷的高精度检测。