5个研究背景和意义示例,教你写计算机U-Net++论文

今天分享的是关于U-Net++的5篇计算机毕业论文范文, 如果你的论文涉及到U-Net++等主题,本文能够帮助到你

基于U-Net++神经网络模型的细胞计数方法研究与应用

这是一篇关于细胞计数,U-Net++,细胞分割,全连接神经网络的论文, 主要内容为细胞计数是一项常见的实验室技术,可以确认一个生物样本中细胞的数量,在生物学、医学、农业和环境科学等领域一些重要的科学问题上都有广泛的应用。现今主要的计数方式是传统的人工计数方式和基于计算机图像的自动计数方式。传统的细胞计数方法需要手动进行显微镜观察,不仅费时费力,而且易受人为因素干扰,结果往往容易具有主观性且易出现较大误差。与人工计数相比,基于图像处理技术的细胞计数方法可以通过数字图像处理算法自动识别和计数细胞,提高计数效率和准确度,同时也可以保证数据的客观性和可重复性。近年来,随着人工智能技术的发展,深度学习网络也逐渐应用于细胞计数任务中,用来提供更准确和可靠的细胞计数结果。但它们更多适用于细胞轮廓清晰,没有发生重叠的计数场景,对于密集型、粘连重叠较多层次不明显的细胞图像计数效果并不理想,无法将粘连细胞分割开进行精准计数,误差率大。针对上述问题,本文提出了一种基于改进U-Net++神经网络模型的细胞计数方法,通过与现有方法比较验证方法效率,最后开发了基于本文方法的细胞计数系统。主要内容如下:(1)本文提出了一种基于改进U-Net++神经网络模型的细胞计数方法。本文利用融合了自注意力机制的U-Net++网络模型作为主干网络提取细胞图像的高维特征,再使用全连接神经网络训练提取出的高维特征实现计数,将分类问题转化成回归问题,可以更有效地检测和分割细胞,同时更准确的计算图像中的细胞数量。本文提出的方法在两个显微镜图像数据集上进行了测试,与其它六种方法进行了对比分析。结果表明,本文提出的基于U-Net++网络模型的细胞图像计数方法在精度和速度上均优于现有方法,其准确率可达到97.4%。本文比较发现拉普拉斯算子在图片分割的交并集及最终的计数中表现较好,优于Roberts算子、Prewitt算子和Sobel算子。本文还发现U-Net++对重叠细胞的分割也更加清晰,FCN网络模型分割后的交并集在70.8%,U-Net网络分割后的交并集在78.3%,而U-Net++为86.1%。(2)本文开发了一款基于本文方法的细胞计数系统。为实现本文算法的桌面应用,本文选择了前后端分离的开发方式,前端项目运行在浏览器内核中,然后将浏览器内核嵌入到后端项目中,前端通过Http请求的方式调用后端接口进行数据的交互和处理,后端将处理完后的数据存入SQLite数据库并通过直接调用Vue的方法发送到前端,这种方法大大加快了开发进度以及降低了学习的成本。细胞计数系统包含图像基础功能、显微图像处理、目标测量/颗粒统计、绘图与标注、报表打印六大功能模块。支持直接导入细胞图像,进行去噪、调整,增强对比度等预处理操作;利用本文计数算法,系统自动定位细胞位置,分析细胞大小、形状,最终实现细胞分类计数。本文开发的细胞计数系统,功能全面、计数准确、自动化程度高,更加符合研究人员的实际需求。

基于机器视觉的可燃气体探测器外观缺陷检测技术研究

这是一篇关于缺陷检测,可燃气体探测器,机器视觉,U-Net++,YOLO-X的论文, 主要内容为随着机器视觉的不断发展,机器视觉逐渐应用到各个领域当中。机器视觉可以极大程度上提高生产效率和产品质量,降低时间和人力成本,同时减少人工产生的不确定因素对质量控制效果的影响。表面缺陷检测是在机器视觉的应用中上用的最多的一种功能,可以在线检测产品表面的一些信息,表面是否有刮伤、破损、油污灰尘、注塑件有无缺角不满等,从而在生产过程中就把次品剔除,保证了产品质量的稳定性。可燃气体探测器在日常生产生活中起到了重要的作用,是工业气体泄漏检测报警装置中的一种工业可燃气体和有毒气体安全检测仪器。可固定安装在室内、有被测气体泄漏的危险场所,发挥现场监控的作用。本文应用了机器视觉技术,针对可燃气体探测器的外观缺陷,在避免复杂的生产环境的干扰,提高检测精度的同时,建立了一个新的机器视觉检测系统。根据可燃气体探测器的尺寸及检测距离,对机器视觉检测系统进行了硬件的选型,包括工业相机、工业镜头、工业光源等。并使用张氏标定法对挑选出来的工业相机进行了标定,以去除工业镜头工艺原因产生的畸变所带来的影响。利用工业相机驱动软件对可燃气体探测器的外观缺陷进行图像采集。针对不同的算法,通过不同的方式建立不同的数据集类型,并使用平移变换、旋转变换、镜像变换、放缩变换等几何变换对两种类型的数据集进行数据增强,以扩充可燃气体探测器的数据集。另外,挑选了多种背景分割算法,使用不同的算法对处理好的可燃气体探测器数据集进行背景分割,根据输出结果与实验数据,挑选出语义分割算法UNet++对可燃气体探测器数据集的背景进行处理,并在此基础上对语义分割算法UNet++的网络结构进行了改进。应用Dense Net121结构对语义分割算法U-Net++的特征提取部分进行替换,以实现更好的特征提取效果。将普通卷积替换为深度可分离卷积,对U-Net++的参数进行缩减,实现U-Net++的轻量化处理。针对U-Net++的损失函数进行了优化,使用Dice损失函数进行loss的计算,使U-Net++在训练时迭代的效果更好。在使用U-Net++对分割完背景的基础上,挑选了多种目标检测算法,使用不同的算法对可燃气体探测器外观缺陷进行检测,根据输出结果与实验数据,挑选出YOLO-X作为可燃气体探测器外观缺陷的算法,并在此基础上应用Ghost Net结构对YOLO-X进行了轻量化处理,在保留原有特征的同时,对特征进行了提取,并减少了网络参数,同时更换了YOLO-X的损失函数,使用CIo U计算loss可以更准确的获得目标框的的位置。最终改进后的YOLO-X在准确率和MAP方面达到了97.4%和96.8%的实验结果。实验结果表明,本实验建立的机器视觉检测系统满足可燃气体探测器外观缺陷检测的需要。

基于U-Net++的脑部图像分割算法研究与实践

这是一篇关于U-Net++,OneSide,婴儿脑部MRI,医疗影像分割,数据增强的论文, 主要内容为将婴幼儿大脑的磁共振影像(Magnetic Resonance Imaging,MRI)精确分割成白质(White Matter,WM)、灰质(Gray Matter,GM)和脑脊液(Cerebrospinal Fluid,CSF)是医学研究人员研究大脑早期的发展过程中形态学变化和一些婴儿时期所发生的异常发育如自闭症、精神分裂症、双相情感障碍和注意力缺陷等的发展过程不可缺少的研究基础。但由于人脑固有的髓鞘化现象,五至八个月处在等密度器的婴儿大脑在MRI中呈现出极低的对比度,这是对该阶段婴儿脑部磁共振影像的分割任务中的巨大挑战。早期研究人员试图使用针对成年人脑部MRI分割的SPM、CIVET、BrainSuite等系统进行分割,但由于等密度期脑部MRI的特性,分割效果并不理想。因此,如何对处于等密度期婴儿脑部MRI进行精确分割是目前研究的重要方向。考虑到医疗影像处理尤其是影像分割任务所需人力成本极高和近年来计算机视觉技术在辅助医疗影像领域迅猛发展,众多针对医疗影像分割的模型算法不断被提出,比如U-Net、V-Net、U-Net++等网络结构,利用计算机视觉技术对婴儿脑部MRI进行分割是一个极具研究意义的方向。综上,针对等密度期婴儿脑部MRI分割的计算机视觉技术问题,本文展开了关于婴儿脑部MRI分割算法的相关研究。其中具体的任务目标为:设计一个将婴儿脑部MRI数据进行逐像素进行四分类的医学影像分割算法模型。在现有的医疗影像分割算法模型中,U-Net++无疑是性能优异的网络之一,因此本文基于U-Net++网络结构,进行婴儿脑部MRI分割算法的研究,设计并实现了基于U-Net++网络的RU-Net++网络结构和针对婴儿脑部MRI的OneSide数据增强方式,主要针对在研究过程中遇到的两个核心问题:一是网络模型结构需要优化,使其更拟合婴儿脑部MRI分割的任务,达到更好的分割效果;二是婴儿脑部MRI数据集样本数量不足,这将影响网络的训练结果。针对U-Net++网络结构在婴儿脑部MRI分割任务中性能不佳的问题,本文尝试多种激活函数,更换了最适合该任务的激活函数,并尝试通过调整网络的深度优化网络性能。通过实验结果分析,本文提出了 RU-Net++网络架构,以解决网络训练效率低,性能不足的问题。实验证明,RU-Net++相比于U-Net++网络,减少了 28.14%的训练时间和12.18%的分割损失。针对婴儿脑部MRI数据集样本数量不够的问题,本文从传统的数据增强手段入手,对数据集进行数据增强,扩充用于训练的数据。通过实验对比不同数据增强方式如加性高斯噪声和图片翻转对网络分割结果的增益,本文确定了该数据集各种数据增强方式的最优参数。另外,针对图片翻转的数据增强方式,对实验结果的分析提出了婴儿脑部MRI堆成特性对数据增强方式的影响。基于此,本文进而提出了一种利用脑部组织对称性的新数据增强方式——OneSide,实验证明,该数据增强方式能够在仅增加了 4.27%的网络训练时间的前提下,降低了 10.49%的分割误差。

基于YOLOv5与U-Net++的南疆棉花异纤图像检测技术研究

这是一篇关于棉花异纤,图像处理,YOLOv5,U-Net++的论文, 主要内容为我国是棉花的消费大国,作为国内最大的产棉区,新疆的棉花产量和质量对中国棉纺织业的加工、生产和发展起着至关重要的作用。近年来,随着机采棉模式大规模推广,棉叶、棉杆等异性纤维大量混入原棉,导致原棉中的杂质种类繁多,如何快速有效检测原棉杂质进而去除,是当前首要问题。本研究选用原棉杂质图像作为研究对象,提出基于YOLOv5与U-Net++模型的原棉杂质检测算法,通过采集原棉异纤图像,实现异纤目标的检测。研究的具体内容和结果如下:(1)建立图像采集系统并采集原棉异纤图像。根据实际生产的技术规范,设计了一种棉花异纤图像获取系统,并对系统内部CCD相机、光源、镜头和其他主要器材挑选,确立棉层宽度为178.24mm、镜头距棉层440 mm,以获取原棉异纤图像。共采集8类棉花杂质图像分别为:棉叶、棉杆、死棉、头发、白纸、棉线、编织袋、铁丝一共2787张图像,对采集到的原棉异纤图像进行图像增强,得到16709张原棉异纤图像,分为目标检测数据集PD-Dataset和图像分割数据集CRACK200。(2)提出改进YOLOv5和U-Net++模型。根据异纤的特点在YOLOv5网络结构中添加卷积注意力,改进K-means聚类锚框尺寸,采用GIo U Loss为损失函数,实现对异纤的检测。在YOLOv5模型中,块状异纤、伪异纤的检测准确率度均达到98.80%,条状物异纤精确度均为80%以下,表明改进后的YOLOv5可以检测块状异纤,且具有良好的检测效果。针对条状物棉花异纤的误检、漏检和精确度低的问题,引入添加卷积注意力的U-Net++模型,对其进行条状物检测,检测的准确率为96.22%。(3)提出YOLOv5-U-Net++模型。首先,将异纤图像数据集输入YOLOv5模型中进行检测,然后将异纤检测置信度低于90%的图片作为输入数据,在U-Net++模型中进行检测。最后对YOLOv5-U-Net++进行优化改进,该YOLOv5-U-Net++棉花异纤检测模型能有效识别各种异性纤维。试验结果表明:改进后的模型精确度达98.80%,m AP@0.5值为97.70%,且收敛速度快、误差小,对棉花背景和异纤的分辨能力得到有效提高。综上:改进的YOLOv5-U-Net++模型具有较高的检测精度,更适用于棉花异纤检测任务。