1 西安工业大学 电子信息工程学院,陕西 西安 710021
2 西安工业大学 发展规划处,陕西 西安 710021
3 西安工业大学 机电工程学院,陕西 西安 710021
为解决X射线底片焊缝缺陷分割精度不高、边界信息模糊的问题,本文提出一种改进的Dilated_Pooling_Unet(DP_Unet)网络分割模型。首先,在上下采样间加入编解码信息提取模块DP_block,旨在下采样后最大限度地保留原始缺陷语义信息及减少连续卷积与池化操作造成的损失;然后,在模型中添加GAM注意力机制重点关注焊缝缺陷部分,有效提升缺陷特征通道的学习能力,降低背景噪声影响;最后,提出一种融合二元交叉熵和DiceLoss的混合损失函数,用于解决网络训练时不均衡的正负类数据问题。实验数据集由公开数据集GDX-ray缺陷数据集组成。实验结果表明,本文所提方法在GDX-ray数据集上有较好表现,Dice值达到了93.45%,与基线算法相比均有显著提高。该方法具有良好的分割性能,优于传统的分割算法,有效提高了底片焊缝缺陷分割精度。
焊接检测 缺陷分割 DP_Unet 注意力机制 welding detection defect segmentation DP_Unet attention mechanism
1 成都大学 电子信息与电气工程学院成都 610106
2 成都理工大学 核技术与自动化工程学院成都 610059
3 南洋理工大学 电气与电子工程学院新加坡 639798
针对测量系统本身导致的脉冲截断给脉冲高度分析带来的挑战,本研究提出一种复合神经网络模型,用于预测产生了截断的脉冲高度。该模型将长短期记忆模型(Long and Short-term Memory,LSTM)嵌入UNet结构,采用模拟脉冲数据集对模型进行训练,使用相对误差指标对模型性能进行评估。结果显示:在对模拟脉冲序列进行脉冲高度估计时,UNet-LSTM模型的平均相对误差约为2.31%,相较于传统的梯形成形算法的平均相对误差降低了1.91%;在粉末铁矿样品和粉末岩石样品的实际测量中,不同截断率的实测脉冲序列也进一步验证了UNet-LSTM模型的脉冲高度估计性能,在两种样品、8组离线脉冲序列的高度估计中得到的平均相对误差为2.36%,表明该模型可以准确估计截断脉冲的高度。
UNet 长短期记忆模型 脉冲截断 脉冲高度估计 UNet Long and short-term memory model Pulse truncation Pulse height estimation
西南交通大学物理科学与技术学院,四川 成都 610000
车轮是铁路列车走行部的重要部件,车轮踏面上产生的缺陷严重危害着铁路列车的安全运行。由于实际中车轮踏面缺陷样本有限,有监督检测模型对缺陷的检测不具有鲁棒性。针对此问题,提出使用无监督的知识蒸馏异常检测模型实现对车轮踏面的异常检测任务。首先,使用UNet对踏面区域进行分割,减少非踏面区域对异常检测模型的影响;然后,在多尺度特征聚合之后添加一个注意力机制,提升反向知识蒸馏结构中学生网络对正常特征的重建能力,增强学生网络对正常特征重建的效果。实验结果表明:在铁路车轮踏面数据集上,改进后的模型能够达到93.8%的受试者工作特性曲线下的面积、82.3%的精准率、95.4%的召回率、87.0%的准确率。与原模型相比,改进后的模型检测性能得到提升。
车轮踏面 无监督 知识蒸馏 异常检测 UNet 激光与光电子学进展
2023, 60(24): 2415002
1 国网吉林省电力有限公司电力科学研究院, 吉林长春 130021
2 南昌工程学院电气工程学院, 江西南昌 330099
红外图像处理是实现电气故障诊断的有效手段, 而电气设备分割是故障检测的关键环节。针对复杂背景下红外图像电气设备分割难问题, 本文采用深度残差网络与 UNet网络相结合, 深度残差网络替代 VGG16对 UNet网络进行特征提取和编码, 构建深度残差系列 Res-Unet网络实现对电气设备的分割。以电流互感器和断路器两种电气设备红外图像分割为例测试 Res-Unet网络分割效果, 并与传统的 UNet网络和 Deeplabv3+网络进行对比。通过对数量为 876的样本进行测试, 实验结果表明, Res18-UNet能够准确地分割电气设备, 对电流互感器和断路器的分割准确率超 93%, 平均交并比大于 89%, 且分割准确性优于 UNet及 Deeplabv3+网络模型, 为实现电气故障智能诊断奠定基础。
红外图像 电气故障 图像分割 infrared image electrical fault diagnosis image segmentation UNet UNet
北京理工大学光电学院光电成像技术与系统教育部重点实验室,北京 100081
针对高浑浊水体环境散射严重、目标成像不清晰和对比度低的问题,在传统UNet结构的基础上,结合偏振成像理论,提出了基于残差UNet(Mu-UNet)网络的水下Mueller矩阵图像去散射算法。该算法依据Mueller矩阵图像提供的目标强度信息和偏振信息,建立不同浑浊度水下多个目标物的图像数据集。在UNet基础上引入残差模块,利用构建的Mu-UNet网络提取目标底层信息,学习标签图像特征,重建出对比度高、细节信息更丰富的水下目标复原图像。对比实验结果表明,所提算法在峰值信噪比方面较原图提升了89.40%,结构相似度提升了82.37%。相比传统算法和UNet网络,所提算法得到的复原图像具有更明显的去散射效果,细节更精细,为水下偏振清晰成像探测提供了一种新思路。
图像处理 水下散射 偏振成像 Mueller矩阵 残差UNet 目标探测 光学学报
2022, 42(24): 2410001
1 东北林业大学 信息与计算机工程学院, 黑龙江 哈尔滨150040
2 黑龙江省林业智能装备工程研究中心, 黑龙江 哈尔滨 150040
针对传统的遥感图像分割方法效率低下, 复杂场景下分割精细度不够, 以及UNET模型对于图像中包含的较小目标以及较大目标的边缘分割效果不佳等问题, 本文提出了一种UNET结构与FPN结构相结合的方法, 提升UNET模型整合多尺度信息的能力, 同时辅以能更好地捕捉目标边缘的BLR损失函数, 提升UNET模型对目标边界的分割效果。实验结果表明, 本文所使用的方法有效提升了语义分割的精度, 较好地缓解了对小尺度目标和大尺度目标边缘分割不佳的问题。该方法对目标边缘分割更精准, 达到更好的分割效果。
深度学习 deep learning UNET UNET FPN FPN BLR BLR
1 北京工业大学信息学部计算智能与智能系统北京市重点实验室, 北京 100124
2 先进信息网络北京实验室, 北京 100124
切连科夫激发的荧光扫描成像(CELSI)是一种新兴的成像技术,在生物医学领域有着广阔的应用前景。本课题组前期分别基于Tikhonov正则化和稀疏正则化实现了CELSI断层成像,但重建图像的质量仍有待提高。基于此,本文提出了一种基于Unet的图像后处理算法。该算法将Tikhonov方法只迭代一次得到的低质量图像作为Unet网络的输入,通过网络学习对重建的图像进行一定的修正,以进一步提高重建图像的质量。实验结果表明,所提算法可以提高计算效率,而且当荧光目标在深度50 mm处时重建图像的峰值信噪比和结构相似度分别能达到28 dB和0.92。所提算法基于单荧光目标数据集训练的网络模型能够较好地重建出多荧光目标,表明了该算法具有较好的泛化能力。
医用光学 切连科夫激发的荧光扫描成像 断层成像 Tikhonov正则化 Unet神经网络 中国激光
2021, 48(17): 1707001
1 南京信息工程大学海洋科学学院, 江苏 南京 210044
2 自然资源部海岸带开发与保护重点实验室, 江苏 南京 210024
3 南京信息工程大学地理科学学院, 江苏 南京 210044
4 国家海洋信息中心, 天津 300171
基于语义分割神经网络UNet,利用GOCI(Geostationary Ocean Color Imager)卫星传感器数据,构建出能够有效提取大型漂浮藻类的深度学习模型,实现了对大型漂浮藻类信息端到端、像素到像素的分割识别。验证结果表明:所提出的深度学习模型对验证集中大型漂浮藻类的平均识别精度达到88.54%;通过与传统的归一化植被指数法和替代型漂浮藻类指数法进行对比,发现基于UNet构建的大型漂浮藻类监测模型具有更高的准确率且受云的影响较小。利用UNet大型漂浮藻类提取模型的识别结果对2017年东海藻类暴发过程进行了分析,模型显示出很好的实用性。
海洋光学 大型漂浮藻类 遥感监测 深度学习 语义分割 UNet
1 中国科学院上海技术物理研究所,上海 200083
2 上海科技大学信息科学与技术学院,上海 200120
为了提高红外遥感图像地物 信息自动提取的精确性,同时避免人工提取遥感 信息的低效性,提出了一种基于UNet深度学习模型 的遥感信息提取算法。该算法用于从红外遥感图像中分割 出5类地物信息(包括道路、建筑、树木、农田和水 体)。首先,对分辨率高但数量较少的训练数 据进行小像幅的随机裁剪,并对其进行相应的数据增 强处理。然后搭建UNet深度学习模型,并用它 自动提取遥感图像的特征信息。采用交叉熵损失函数 以及Adam反向传播优化算法对该模型进行训练,并对测 试样本中的5幅遥感图像进行精确的地物信息提取。最后,运 用Jaccard指数对测试结果进行精度评定。实验结果表明,该 方法对高分辨率红外遥感图像信息和可见光 遥感图像信息进行了充分融合,对于不同种类地物 的定位和分类都取得了较高精度。
深度学习 语义分割 多光谱遥感 deep learning UNet UNet semantic segmentation multispectral remote sensing