基于改进的脉冲耦合神经网络与U-Net结合的眼底血管分割
这是一篇关于脉冲耦合神经网络,U-Net,眼底血管分割,可变形卷积的论文, 主要内容为视网膜的病理变化与许多人类疾病密切相关,如高血压和糖尿病。在临床医学中,通常利用视网膜血管的病理状况来诊断人体内的多种相关疾病。视网膜血管分割是这种医学诊断的基础,并且在相关疾病的筛查和诊断中起着重要作用。由于眼底血管的整体的管状结构较为复杂,血管图像中的血管目标像素与背景像素的对比度较低,微小血管难以识别并准确分割,所以对眼底血管进行分割面临着一定的困难。针对分割过程中血管微小细节丢失,血管连通性差等问题。本文提出了一种新的分割算法,该算法应用了双池化SE(Squeeze-and-Excitation)模块的密集可变形卷积U-Net,结合应用自适应阈值的Simplified Pulse Coupled Neural Network(SPCNN,简化的脉冲耦合神经网络)模型进行血管分割,旨在保证准确性的同时保留更多的微小血管细节、减少血管断裂,提高分割网络的鲁棒性和灵敏度。本文主要工作内容如下:(1)设计了基于U-Net的眼底血管图像增强算法,该算法中的网络主要基于U-Net编码解码网络结构,并引入了密集可变形卷积模块和具有双池化机制的SE模块,且将原有的池化方式更换为Softpool,目的在多尺度提取血管特征,更多的关注全局信息以提高毛细血管分割的准确性和并保留更多的微小血管细节。(2)在眼底血管图像增强的基础上,将增强后的图像与原始图像相结合,设计了A-SPCNN(Adaptive Simplified Pulse Coupled Neural Network,自适应简化脉冲耦合神经网络)网络来对融合后的图像进行分割,目的是结合监督学习和无监督学习的优点来提高视网膜血管分割的性能,自适应阈值使分割更具有针对性,PCNN的耦合特性在保留更多微小血管的同时能够将断裂的血管连接起来,保证血管的连通性。在DRIVE和STARE数据集上进行分割效果检测,该模型在DRIVE和STARE数据集上灵敏度分别达到0.8335、0.8315,精确度分别达到0.9767、0.9777,准确率分别达到0.9749、0.9570,整体性指标优于现有算法。
基于图像目标检测的油田生产安全管理系统研究
这是一篇关于卷积神经网络,目标检测,VarifocalNet,可变形卷积,PANet的论文, 主要内容为数字油田概念的提出,把传统的石化能源行业同计算机科学、石油工程学、信息学和管理学等多个学科相结合。在油气田开采生产现场,工作人员往往面临着各种各样的生产风险,佩戴安全帽是有效保护工作人员免受事故伤害的重要保护措施之一。因此工作人员在进入作业区域时,所有人都应按照规定正确佩戴安全帽。为了加强油田生产安全,通常需要在施工场地安排专门人员检查安全帽佩戴情况,但是传统的人工检查存在成本高、效率低、易漏检错检等问题,无法满足当下需求。随着人工智能技术的发展,使用卷积神经网络技术能够使检测效率大幅度提升,从而方便安全检查员的监察工作。本文基于Varifocal Net网络模型,研究在油田工业生产场景下的安全帽佩戴检测算法,具体研究与改进工作如下:针对Varifocal Net网络模型的主干网络,使用了可变形卷积对主干网络中的卷积计算进行优化,通过为卷积核的每个采样点位置加一个偏移,使卷积操作能够更精准地集中在目标物体上,进一步提升检测效果。针对检测的多尺度问题,本文用PANet替代了网络模型中的FPN,PANet引入了与FPN特征融合相反的自下而上的路径扩展,通过增加新的网络结构和特征层次来融合更多的特征,同时缩短了底层到顶层之间的信息路径。针对目前油田生产现场暂无公开数据集的问题,本文自创建数据集并将其用于经典算法、原算法以及改进后的算法,通过进行多组实验比较分析使得本研究更有针对性。本文通过大量实验,结果表明改进后的Varifocal Net网络模型在安全帽识别中的平均精确度达到94.51%,相比于原网络模型精度提升了2.88%,同时对于小尺寸的目标提升更为明显。最后本文基于改进后的Varifocal Net网络模型对安全帽识别的需求进行分析,设计开发了安全帽识别软件,该软件能部署到实际的油田生产工作中可以满足实际需求。
基于CNN的金属表面缺陷检测算法与平台研发
这是一篇关于金属表面缺陷检测,多尺度卷积,可变形卷积,注意力模块的论文, 主要内容为作为工业制造领域的基础材料,金属产品的质量会直接影响轨道交通、航空航天、机械制造等诸多领域工业产品的使用寿命和可靠性,目前,各行各业对于金属表面材料的需求和质量要求都在不断提高。然而,因为工艺、环境或人为失误等因素造成金属表面产生缺陷的现象往往很多见,严重影响金属表面产品的性能,现有的人工目检及相关的传统方法因其局限性无法满足产线上大批量生产时的检测要求。而随着人工智能技术的发展,基于机器视觉的方法如使用卷积神经网络(Convolutional Neural Network,CNN)检测缺陷的方法被大量采用。本项目选题于企事业科研合作项目,针对金属表面缺陷检测问题,本文开展了基于CNN的缺陷检测算法研究,并设计实现了金属表面缺陷检测平台,为基于人工智能的智慧工厂典型应用提供了可行方案。具体工作内容如下:1)本文对金属表面缺陷检测的应用场景进行了描述,分析了检测中的主要挑战,然后对相关研究方法进行了总结,最后给出了开发金属表面缺陷检测平台的相关技术。2)针对金属表面缺陷尺度差异大、类间差异大,相关数据集稀缺,且算法部署在边缘计算设备端,计算能力有限等问题,在产线大批量生产金属表面产品的场景下,本文提出了基于CNN的金属表面缺陷检测算法。所提算法在ShuffleNetV2网络的基础上进行轻量化设计,采用1×1卷积核裁剪方法减少检测算法的计算量;然后,在ShuffleNetV2网络中引入了可变形卷积与注意力模块保证检测算法的精确度;进一步,考虑到实际应用中缺陷尺度大小是可变的,引入了多尺度卷积进一步提升检测算法精确度。实验结果表明,所提算法能够在降低计算量的同时有效提高了检测准确度。3)针对金属表面缺陷检测中用户使用的便捷性和交互性问题,本文设计实现了金属表面缺陷检测平台。从平台的功能性需求等出发,设计实现了包含数据采集模块、数据储存模块、算法分析模块、平台服务模块、平台管理模块、可视化模块等六大功能模块。最后,对平台各个模块进行了功能测试和性能分析,保证了平台的稳定性与可靠性。
基于图像目标检测的油田生产安全管理系统研究
这是一篇关于卷积神经网络,目标检测,VarifocalNet,可变形卷积,PANet的论文, 主要内容为数字油田概念的提出,把传统的石化能源行业同计算机科学、石油工程学、信息学和管理学等多个学科相结合。在油气田开采生产现场,工作人员往往面临着各种各样的生产风险,佩戴安全帽是有效保护工作人员免受事故伤害的重要保护措施之一。因此工作人员在进入作业区域时,所有人都应按照规定正确佩戴安全帽。为了加强油田生产安全,通常需要在施工场地安排专门人员检查安全帽佩戴情况,但是传统的人工检查存在成本高、效率低、易漏检错检等问题,无法满足当下需求。随着人工智能技术的发展,使用卷积神经网络技术能够使检测效率大幅度提升,从而方便安全检查员的监察工作。本文基于Varifocal Net网络模型,研究在油田工业生产场景下的安全帽佩戴检测算法,具体研究与改进工作如下:针对Varifocal Net网络模型的主干网络,使用了可变形卷积对主干网络中的卷积计算进行优化,通过为卷积核的每个采样点位置加一个偏移,使卷积操作能够更精准地集中在目标物体上,进一步提升检测效果。针对检测的多尺度问题,本文用PANet替代了网络模型中的FPN,PANet引入了与FPN特征融合相反的自下而上的路径扩展,通过增加新的网络结构和特征层次来融合更多的特征,同时缩短了底层到顶层之间的信息路径。针对目前油田生产现场暂无公开数据集的问题,本文自创建数据集并将其用于经典算法、原算法以及改进后的算法,通过进行多组实验比较分析使得本研究更有针对性。本文通过大量实验,结果表明改进后的Varifocal Net网络模型在安全帽识别中的平均精确度达到94.51%,相比于原网络模型精度提升了2.88%,同时对于小尺寸的目标提升更为明显。最后本文基于改进后的Varifocal Net网络模型对安全帽识别的需求进行分析,设计开发了安全帽识别软件,该软件能部署到实际的油田生产工作中可以满足实际需求。
基于深度学习的OCTA图像视网膜血管分割方法研究
这是一篇关于OCTA,视网膜血管分割,深度学习,注意力机制,可变形卷积的论文, 主要内容为光学相干断层扫描血管造影(OCTA)凭借其无创性、高分辨率等优势,在临床医学领域得到了广泛的应用。OCTA视网膜血管的自动分割在糖尿病、青光眼、高血压等眼底疾病的诊疗中发挥了重要的辅助诊断作用,具有一定的临床研究价值。然而,现有的大多数深度学习分割方法都是基于区域分割的,对于分支多而密、形态多样的视网膜血管很难在没有显著强度差异的区域实现准确分割。因此,对视网膜血管这一复杂曲线结构进行准确分割是一个极具挑战性的工作,需要进一步优化其分割方法。基于以上背景,本文针对视网膜血管分割任务进行重点研究,提出了基于深度学习的OCTA图像视网膜血管分割方法。主要包含以下方面:(1)针对OCTA图像中微细血管不易被关注,容易被错误分割的问题,提出了一种基于U型网络的SS-Net实现OCTA图像视网膜血管分割。在SS-Net中,提出了一种名为SRes Block的模块,该模块结合了残差结构和分离注意力机制以形成编码器和解码器架构主干,有效解决梯度消失的问题,并赋予微细血管特征更大的权重。此外,SS-Net增加了空间注意力模块,提取空间维度的关键信息,关注空间结构上的特征。SS-Net从不同维度提高微细血管的被关注程度,解决了以往网络中微细血管误分割的问题,如不连续微细血管被连续分割等。在ROSE两个不同深度的子集数据集A和数据集B中,准确度这一重要指标分别达到0.9258/0.9377,并且与最先进的分割模型相比,Dice系数提高了约三个百分点。(2)针对OCTA图像高噪声、血管结构复杂、粗血管被断续分割等问题,提出了一种基于Seg Net的DAS-Net实现特征图的像素级分割。DAS-Net编码器集成了可变形卷积块,捕获血管结构的几何变换,根据视网膜血管的大小和形状自适应调整感受野,更好地检测不同尺度的血管结构,特别增强了对粗血管连续性的检测。DAS-Net增加了全局注意力模块,在特征图的通道维度和空间维度上赋予关键特征更大的权重,突出和增强形状各异的血管特征,刻画血管的整体依赖关系,同时也关注了微细血管,利用消融实验证明了DAS-Net不同成分的有效性。与不同的先进网络模型相比,多个数据集的实验结果验证了DAS-Net的先进性。在ROSE、OCTA-500＿3M、OCTA-500＿6M三个不同的数据集上,准确率这一重要指标分别达到0.9278/0.9612/0.9480,Dice系数均提升了约两个百分点。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码助手 ，原文地址：https://m.bishedaima.com/lunwen/48612.html
