基于Unet++网络的数字岩心图像分割泛化能力

图像分割是数字岩心技术的重要组成部分,深度学习为数字岩心图像分割提供了新方法。在优选的深度学习模型的基础上确定网络结构、训练数据量来平衡计算效率,进一步在不同类型的岩心数据集上讨论网络的泛化能力及其影响因素。结果表明：Unet、Segnet和Unet++网络中,Unet++网络可以在保证分割精度的同时具有最好的物性参数预测效果;Unet++网络在训练数据量和预测数据量为1∶1,网络结构设计2次采样的条件下,Unet++网络的分割精度可以达到98%;基于多类岩心训练的Unet++网络分割不同岩心图像的平均分割精度达95%,相较于岩心的类型,岩心图像的质量更能影响Unet++网络的识别效果。     

基于Mask R-CNN的防波堤复杂护面块体检测和分割方法

针对斜坡式防波堤护面层块体个数统计效率和精确率低的问题,提出了基于Mask R-CNN深度学习网络的斜坡式防波堤扭王字块体的识别和分割方法。该方法利用Mask R-CNN深度学习网络学习实验室采集图像的特征信息,通过调整交并比(IOU)阈值得到评价指标最好的模型,并将该模型应用于现场防波堤图像护面块体的识别和分割。测试结果表明,IOU取0.5时,目标分割的平均精确率为91.83%,平均召回率为92.94%;将训练得到的网络用于识别无人机航拍现场的防波堤图像,扭王字块识别率可达90.7%,且拍摄角度和高度对识别精度影响不大。Mask R-CNN深度学习网络可实现密集、复杂护面块体的准确识别,具有良好的移植性和通用性。     

多特征融合的道路场景语义分割算法

为提升道路场景语义分割的性能以及实际应用性,本文将传统的图像处理算法与深度学习技术相结合,提出了一种多特征融合的轻量级道路场景语义分割网络模型。该模型首先利用颜色空间转化、图像均衡化、边缘检测等算法来对图像多种特征信息进行增强;其次,以深度可分离卷积为基本单元搭建高效率特征提取结构,对特征增强后的图像进行信息融合和提取,并结合跳层上采样操作完成初步分割;最后,引入边缘检测支路来对分割图像的目标边界信息进行细化,保障网络高精度分割。通过实验结果表明,所提网络在分割精度、计算效率上得到了较好的平衡,同时,在实际变电站道路场景应用中,该网络也能实现高效语义分割,为巡检机器人提供有效的道路信息。     

基于深度学习的图像实例分割

提出了一种基于深度学习的精确图像分割方法。在Mask-R-CNN网络基础上给出一种实例分割网络。针对精确边界分割问题,提出通过重新设计掩码分支结构,来改善边界分割精度。在掩码分支上使用了前后层特征融合的方法可以更好的保留边缘信息。进一步通过增大RoIAlign层的分辨率,得到了更加精确的边界信息。在不影响算法精度的前提下采用深度可分离卷积减少了训练参数,提高了分割算法的效率。实验时通过比较mAP(平均准确率)的结果和检测定量图片需要的时间以及消耗的内存表明该算法的精确性和高效性。     

基于深度学习的三维乳腺超声影像自适应分割

针对传统乳腺超声影像分割算法存在准确率低、精度低且耗时长等问题,提出基于深度学习的三维乳腺超声影像自适应分割算法。首先预处理图像,采用深度多示例学习方法检测病变图像块,删除正常图像块。然后对乳腺超声影像数据集扩增处理,用于神经网络训练。其次构建残差卷积神经网络模型,设计残差学习单元,结合扩增数据集形成特征映射,采用softmax函数训练网络并进行特征块判断,并结合阈值设置实现三维乳腺超声影像自适应分割。实验结果表明,该算法能更细致地完成图像分割,算法平均运行耗时为52.3 s,图像分割精度为95.5%,且F1分数值高,整体性能佳,为卷积神经网络分割应用提供参考。     

基于深度卷积神经网络融合模型的路面裂缝识别方法

现有的路面裂缝识别方法大多仍局限于基于主动特征提取的处理技术,对路面图像来源有专一性要求,算法不具备泛化能力,现有的基于神经网络识别算法对设备有特定要求,且路面裂缝的定位准确性不高。为此,提出基于深度卷积神经网络融合模型的路面裂缝识别方法。首先,应用多目标SSD卷积神经网络模型对路面裂缝进行分类检测,然后使用深度残差网络对SSD模型的特征提取结构进行改进,并根据损失函数的收敛程度对模型中的超参数进行优化,提高路面裂缝分类和定位的准确率;其次,针对裂缝分类检测模型对路面裂缝定位存在的偏差,提出基于U-Net模型的路面裂缝分割方法,并改进模型的特征提取网络,提高裂缝分割精度,实现精确的裂缝分割;最后,将裂缝分类检测模型与分割模型进行融合,加载2个模型并导入上述训练得到最优权重,根据裂缝分类网络判断路面图像有无裂缝,若存在裂缝则给出具体类别和置信度,并将这些信息和原始裂缝图像输入U-Net分割网络,根据分割结果计算线性裂缝的长度、宽度及网状裂缝的面积。试验结果表明:给出的路面裂缝识别方法对于横向裂缝、纵向裂缝和网状裂缝的识别精度分别为86.6%、87.2%和85.3%;该方法不仅能够给出路面裂缝的类别信息,还可以给出路面裂缝的精确定位和几何参数信息,可直接用于路面状况评价。     

基于深度相机的室内障碍物检测算法

常用的背景差分法、GrabCut等图像分割算法存在分割效率较低且易受环境噪声干扰等问题,导致室内移动机器人对障碍物的检测精度不高,为此本文提出一种融合深度信息的目标分割算法,并在此基础上实现较高精度的障碍物尺寸测量.首先通过SSD网络模型得到障碍物的检测框,将检测框中图像转换到H SI颜色空间,并根据得到的饱和度和亮度...     

基于改进编解码网络的钢箱梁疲劳裂纹分割

针对基于图像的疲劳裂纹检测方法精度受焊缝、涂层等复杂背景因素影响较大的问题,提出了一种基于深度学习的空洞金字塔注意力网络(APA-Net)模型用于疲劳裂纹分割．在传统编解码网络的基础上引入预训练ResNet34模型、密集空洞卷积(DAC)模块、尺度感知金字塔融合(SAPF)模块和注意力门控(AG)机制,极大地提升了模型提取多尺度上下文信息的能力．通过图像裁剪制作了包含多种干扰因素的钢箱梁疲劳裂纹分割数据集,然后利用该数据集对APA-Net,FCN,U-Net,Attention U-Net,U-Net++和CE-Net等经典网络进行测试,结果表明：所提出的APA-Net在复杂背景干扰下对钢箱梁表面图像中的疲劳裂纹提取能力最佳,分割结果的平均交并比达72.2%,比其他经典网络中表现最优的CE-Net的平均交并比提高了约4%．最后通过消融实验讨论了所提模块对裂纹分割精度的影响．     

深度图像引导的岩石颗粒分割方法

堆石料的形状、尺寸以及级配等参数直接影响堆石坝的稳定性和抗渗性能.当前主要采用人工的方式筛分堆石料,效率低下;而传统的图像分割算法分割精度低,无法准确测量岩石的参数信息.针对这一问题,本文提出一种深度图像引导的岩石颗粒分割方法.首先对深度图像进行预处理,去除深度图像的噪声;然后提取深度图像与可见光图像的随机特征和显著性...     

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.     

基于U-net和YOLOv4的绝缘子图像分割与缺陷检测

输电线路上绝缘子的完整性直接影响了输电的安全与可靠性.采用深度学习方法,对绝缘子图像识别提取和缺陷检测问题进行了研究.首先基于优化的U-net模型获取绝缘子区域掩模图像,实现对绝缘子串语义分割;然后基于YOLOv4模型获取缺陷绝缘子的位置,实现对自爆绝缘子目标的检测.为充分利用高分辨率图像的像素信息,提出“切分-识别-合成”的检测思路,精确分割出绝缘子以及判断并获取缺陷区域;最后设计了多组实验并进行对比,验证了模型的有效性.采用优化的U-net模型分割绝缘子的Dice系数达0.92;采用YOLOv4模型检测自爆绝缘子的识别精度达0.96,平均重叠度IOU达0.88.研究结果对实现电力系统运维的智能化具有较高的应用价值.     

基于优化DeepLabv3+的混凝土梁裂缝分割及特征量化

目前基于深度神经网络的裂缝分割模型存在着训练参数多、裂缝边缘分割粗糙、分割精度不足、缺少深度特征语义信息等问题。为解决以上问题,对分割性能较好的DeepLabv3+模型进行研究,嵌入Non-local注意力机制,并改进了主干网络ResNet101得到优化模型DeepLabv3+(N-S),最后基于优化模型的输出并使用裂缝骨架提取的方法来量化裂缝特征参数。使用的数据集为自制的混凝土梁裂缝图像数据集,并对优化前后模型作对比实验,分析了模型在各项性能上优化的有效性,并使用实测数据来验证评估裂缝各项特征参数量化方法。实验结果表明,DeepLabv3+(N-S)网络在数据集上的平均像素准确率(mean pixel accuracy, mPA)、平均交并比(mean intersection over union, mIoU)分别达到了88.86%、82.04%,较于原模型分别提高2.21%、2.54%,裂缝分割效果优于原模型,且裂缝样本各项特征参数量化的平均误差为+8.7%,低于原模型,可满足工程上的检测精度需求。     

基于深度学习的盾构隧道渗漏水病害混合样本集构建与精细分割

渗漏水病害是盾构隧道运营期间最为常见的一种表观病害，对隧道结构安全与周边地层稳定具有不利影响.基于深度学习的图像病害识别方法，构建了包含检测装置与人工巡检两种方式采集图像的混合样本集.以平均准确度为评估指标，训练得到Mask R-CNN深度学习模型的分割准确度达到0.447,优于原样本集(0.386)与扩容样本集(0.403).考虑隧道渗漏水病害形态复杂的特点以及不同病害间较大的特征差异，进一步采用条件卷积动态生成的分割模型参数代替Mask R-CNN模型中静态的模型参数，提高了模型的分割速度与精度.以每秒运算图像数量(Frames Per Second, FPS)为评估指标，模型分割速度由7FPS提升至10FPS,且分割结果与病害真实轮廓更为接近，从而有利于对渗漏水病害的严重程度进行量化分析.     

基于深度学习的眼角膜图像自动化分析研究

为使本科生了解生物医学影像处理技术,掌握深度学习方法,结合吉林大学大学生创新创业训练计划,设计了"基于深度学习的眼角膜图像自动化分析研究"实验项目.在研发治疗角膜新生血管(CNV:Corneal Neovascularization)等疾病的药物过程中,人们需要观察并获取小鼠眼角膜血管在药物影响下的生长情况及数据.为此设计了基于深度学习的眼角膜图像自动化分析程序,以合作医院提供的经凝胶处理的小鼠眼角膜图像为项目研究对象,通过Matlab工具以及神经网络等深度学习算法完成对眼角膜特征的提取和分割.采用SegNet语义分割网络和基于SVM(Support Vector Machine)的图像分割两种方法实现小鼠眼角膜图像的自动提取,分析了两种方法下眼角膜提取的精度与可靠性.结果 表明,使用SegNet语义分割网络得到的结果精度较高,其准确率可以达到97.75％.     

基于深度学习的建筑表面裂缝缺陷识别

针对传统建筑表面裂缝缺陷中存在识别效率低下、且识别精度较低的问题,为此,提出了基于深度学习的建筑表面裂缝缺陷识别方法。首先采集建筑表面裂缝缺陷的图像数据,然后将采集图像采样与量化,以实现缺陷图像的数字化处理。将上述数字化后的图像数据进行阈值分割、滤波以及以及增强等,完成建筑表面图像的预处理;构建R-CNN深度学习模型,模型结构分为四部分,包括输入图像模块、生成模块、提取卷积特征模块以及分类和边框回归模块。将建筑表面裂缝图像输入构建的深度学习模型中,完成建筑表面裂缝缺陷的识别。实验结果表明,采用所提方法识别建筑表面裂缝缺陷的效率较高,且识别的精度较好。     

基于像素分类的图像语义分割方法及其应用研究

为了提高药片外观缺陷检测效率,提出一种使用深度学习进行药片外观缺陷检测的基于像素分类的图像语义分割方法 .首先,利用全卷积神经网络对预处理后的样本数据集进行训练,提取药片外观的缺陷特征,然后,采用像素精度和交并比来评估模型分割的精确度,最后,使用训练得到的模型分割出药片的缺陷位置并加以语义的描述.实验结果 表明,该方法...     

基于残差网络的河流表面时空图像测速法

针对在耀光、紊流、降雨等复杂含噪场景下时空图像中有效纹理特征变得模糊，使得现有纹理主方向检测算法精度受限的问题，结合深度学习的思想，提出了一种基于残差网络回归模型的时空图像测速(ResNet50-STIV)法，并借助残差网络回归模型强大的非线性学习能力构建了回归预测函数。通过构建人工合成数据集和包含复杂场景时空图像的天然河流数据集对残差网络回归模型进行试验，结果表明：提出的残差网络回归模型在人工合成数据集下的检测精测可达到0.1°,对于天然河流数据集，具有残差结构的ResNet回归模型的检测精度优于VGG16;从模型层数看，基于ResNet50的回归模型能较好地平衡检测精度以及执行效率，在正常场景下的检测精度达到0.7°,而在耀光、紊流、降雨场景下能控制在1.3°以内，ResNet50-STIV优于现有的时空图像测速法；与流速仪法在多场景下表面流速比测的最大相对误差小于12%。     

基于多尺度特征和反向注意力的肝脏肿瘤自动分割方法

肝脏肿瘤分割旨在定位肝脏肿瘤区域，以辅助医生进行精准诊治。鉴于深度学习能自动学习医学图像中复杂的特征和结构，已成为肝脏肿瘤分割的主流方法之一。但肝脏肿瘤的大小、形态存在显著差异及边缘模糊等问题，限制了深度学习模型的分割性能。基于此，该文提出了一种融合多尺度特征和反向注意力机制的深度网络，并用于肝脏肿瘤的自动分割。具体地，基于U-Net模型的框架，分别设计了多尺度特征提取模块和基于深度监督的反向注意力模块，使得网络能根据分割目标的大小自适应地选择不同尺度的特征，并引导网络关注分割目标的边缘特征，进而提高网络的边缘分割能力。此外，设计了一种新的混合损失，以解决医学图像分割中的类别不平衡问题。最后，在MICCAI2017 LiTS挑战赛数据集的数值实验结果表明，所提方法的Dice系数、平均对称表面距离ASSD分别为76.12%和3.25 mm。     

基于ResNet网络的红绿灯智能检测算法研究

提出了一种基于深度学习的红绿灯目标检测算法.在Yolo V3模型中引入残差模块学习方法,提出以ResNet残差网络模块作为特征提取网络,优化网络结构深度,对图像模型裁剪、训练参数等方面进行调整,利用PaddlePaddle深度学习平台AI Studio对红绿灯目标检测模型进行训练,得到了红绿灯的准确检测结果,红灯测试精...     

基于Mask R-CNN的荧光编码微球图像检测方法

为降低荧光编码微球技术的应用成本,提出了一种基于Mask R-CNN目标检测算法的荧光编码微球图像检测方法.首先基于TensorFlow和Keras深度学习框架搭建Mask R-CNN网络模型,整体网络由特征提取网络,候选区域生成网络和分支处理网络3部分构成;通过有标注定性图像样本集训练网络模型,并使用合成图像实现训练集数据增强;将待检测定性图像样本输入训练完成的网络模型获得定性图像的语义掩膜.实验结果表明,对于单色和双色微球定性实验图像,平均检测准确度分别达94.17%和95.96%,可实现荧光编码微球定性图像的边界框检测、分类以及语义掩膜生成.