给大家分享7篇关于U-net网络的计算机专业论文

今天分享的是关于U-net网络的7篇计算机毕业论文范文, 如果你的论文涉及到U-net网络等主题,本文能够帮助到你

基于复卷积双域级联U-net网络的并行MRI图像重建研究

这是一篇关于磁共振成像,图像重建,复卷积,双域级联,U-net网络的论文, 主要内容为磁共振成像(MRI)技术具有对人体无损伤,软组织分辨率高,多参数成像等优点,目前已成为临床主要检查技术。但其最大的缺点是成像速度慢,并行MRI和压缩感知MRI是两种加速MRI成像速度的经典方法。并行成像MRI技术是利用多个线圈同时采集数据来缩短扫描时间,但由于噪声的影响,当加速因子较大时,其重建图像质量显著下降。压缩感知MRI技术突破了采样定理,进一步缩短采集时间,但图像重建是迭代进行的,整体成像较慢。深度MRI图像重建不同于传统的重建算法,主要使用网络在大量磁共振欠采样数据和金标准重建图像之间进行学习,获取精准的映射关系,实现快速扫描的同时,快速获得高质量的重建结果。我们主要研究不同结构的卷积神经网络用于并行MRI图像重建的方法,提出复卷积双域级联U-net网络,设计了四种复卷积网络结构,并对训练好的网络模型的性能进行对比分析。首先,对磁共振成像原理及传统重建算法(并行MRI和压缩感知MRI算法)的优缺点进行了研究。并根据网络输入输出磁共振数据类型的不同,对分成的四类深度学习MRI模型,进行了分析。然后,对实卷积的U-net网络的并行MRI图像重建进行研究。根据学习MRI数据类型的不同,分别对单域U-net、双域级联U-net、深度级联U-net等网络结构进行研究,对网络中使用的归一化方法和激活函数以及数据一致性层进行选取,并对三种网络结构的优缺点进行比较分析。接着,对复卷积U-net网络的并行MRI图像重建进行研究。复卷积网络相比实卷积网络,能够更好的保留磁共振数据的复数本质。根据网络输入磁共振数据类型的不同,实现空域复卷积U-net网络和频域复卷积U-net网络的搭建。对复卷积U-net网络中使用的复卷积的原理和网络中使用的归一化方法以及激活函数等进行分析。在单个复卷积U-net网络的基础上,我们提出复卷积双域级联U-net网络,设计了四种复卷积网络结构,并分别对四种网络结构的输入与输出以及网络结构的特点进行研究。最后,在Spyder开发环境中,使用Python3.7完成代码的编写与调试。对网络输入的数据进行预处理,包括:数据筛选、欠采样掩膜设计、加速倍数设置等。在Keras和Pytorch框架下分别完成实卷积复卷积U-net网络的搭建。在网络训练中,对网络训练的超参数进行设置,选用Adam作为优化器。在配置两块16GB的GPU工作站中,完成不同网络的训练。使用训练好的模型进行MRI图像重建测试,并对重建结果进行比较分析。测试结果表明:(1)复卷积U-net网络明显优于实卷积U-net网络,证明了复卷积相比实卷积能够更好的学习到磁共振数据的特点。(2)在复卷积网络中,我们提出的复卷积双域级联U-net网络测试结果明显优于单域复卷积U-net网络,其中IK CW-net在图像视觉效果以及定量评价上,效果均最优。(3)将IK CW-net与目前快速磁共振重建研究中表现较好的深度级联U-net网络(IKIK-net)模型进行对比,得出我们的IK CW-net其对于细节纹理的重建和噪声的去除表现更优。研究结果表明:复卷积U-net网络比实卷积U-net网络能够更好的用于多线圈并行MRI图像重建。提出的IK CW-net网络,是MRI图像重建领域的新方法。将此方法应用到MRI扫描仪的开发和研制上,能够大大提高MRI扫描速度,快速获得高质量重建结果,有助于提高临床诊断的准确性。

基于深度学习的输电线路绝缘子缺陷检测研究

这是一篇关于绝缘子缺陷检测,深度学习,VGG16网络,U-net网络,YOLOv5的论文, 主要内容为随着电力系统的迅速发展和电力需求的不断增加,我国输电线路规模急剧扩大,对其中所涉及的电气设备进行定期检查,保证电力系统的供电可靠性变得极为重要。绝缘子作为输电线路中常见的绝缘设备,由于长期工作在室外空气中,环境条件恶劣,容易出现破损或缺失等故障,对电力系统的安全稳定运行产生了极大的威胁,所以对绝缘子进行检查并排除故障变得越发重要。目前绝缘子巡检主要以无人机巡检为主,通过无人机航拍获取绝缘子图像,利用相关方法对图像中的绝缘子进行识别定位和缺陷检测。本文以绝缘子图像为研究对象,以绝缘子的缺陷检测为目标,分别基于图像分割和目标检测的方法实现了绝缘子的缺陷检测。主要进行了以下几个方面的研究:(1)针对部分绝缘子图像清晰度低和含有噪声的问题,利用线性变换及滤波处理的方法对绝缘子图像进行图像增强。针对绝缘子图像数量不足的情况,利用仿射变换的方法对绝缘子图像进行数据扩增。最后通过grabcut工具对绝缘子图像进行标注,得到本文的数据集。(2)针对传统图像分割方法分割效果不佳和分割精度较低等缺点,提出一种基于VGG16网络与U-net网络结合的图像分割方法。利用VGG16网络与U-net网络特征提取阶段类似的特点,改进VGG16网络作为U-net网络的特征提取部分,得到本文所使用的绝缘子图像分割网络。实验表明,与U-net网络相比,改进后的网络在绝缘子的分割效果上得到显著提高。(3)针对分割后得到的绝缘子串整体呈椭圆状且分布规律的特性,提出一种基于最小二乘拟合的绝缘子片缺陷检测方法。利用数学建模的方法对绝缘子串的所有像素点进行遍历,通过拟合出的直线沿着绝缘子串扫描,判断绝缘子片是否存在缺陷,对出现缺陷的位置进行定位和记录,同时在原图中标记出来。(4)针对目标检测算法对绝缘子缺陷检测精度低和检测速度慢等情况,提出一种改进YOLOv5算法的绝缘子缺陷检测方法。首先,为了提高目标检测的准确率,在YOLOv5的backbone部分引入注意力机制。其次,为了解决目标框回归不稳定的问题,采用PIo U损失函数替代原GIo U损失函数。最后,对改进前后算法的检测结果进行对比分析。

基于深度学习的输电线路绝缘子缺陷检测研究

面向特征恢复的低光图像增强算法研究

这是一篇关于低光增强,ANP网络,U-net网络,多尺度特征融合的论文, 主要内容为随着电子技术的发展,视觉传感器被广泛应用于社会各个方面,如军事,安保和车载等领域,它可以让观察者在一定距离之外,不经过接触就能对物体有一定的观测和了解。摄像设备和计算机的联合促进了计算机视觉任务的快速发展,从而更好地解决各种场景下的环境观测问题。其中,在夜间等光线暗淡的环境下拍摄得到的图片像素低,噪声大,阻碍着后续的图像处理,所以低光图像的增强技术是计算机视觉领域不可或缺的一部分。而根据现有的研究,大多数低光增强技术的着眼点更倾向于视觉效果而非图像特征,这使得它们难以增强图像的鲁棒性,不利于后续图像目标分割和识别。因此本文提出了两个基于深度学习的侧重于特征恢复领域的低光图像增强算法,力求在视觉效果和特征恢复两方面都达到优越的效果。它们的实现过程和创新点如下所示:1本文提出了一个基于注意神经过程(Attentive Neural Process,ANP)和超像素分割的低光图像增强与局部特征恢复模型。它首先利用合成的图像数据来训练一个简单的卷积神经网络(Convolutional Neural Networks,CNN)以获得初始增强图像,然后采用超像素分割得到具有相似信息意义的图像区域对,最后结合ANP网络迭代完成后续的图像局部增强。不同于传统神经网络寻找全局函数来表示增强关系,它可以学习一些具有随机性的概率分布的拟合,最后回归出最符合要求的映射结果。2本文提出了一个具有创新性的结合U-net网络和感知损失的多尺度特征恢复低光增强模型。它首先将图像通过一个去噪模块来减少后续增强过程的不确定性,然后用合成的图像训练数据集训练一个串联的“端到端”网络以完成整个增强过程。独特的U型结构搭配多个损失函数的制约使得算法能够更好地恢复图像位于不同尺度的特征信息,从而获得特征更加鲜明的正常光照的结果图像。最后,本文将所提出的方法与一些优秀的常见低光增强算法进行对比实验。实验分别从主观和客观两个角度出发,详细比较了不同算法在合成和真实低光图两个方面的优劣性。分析结果表明本文的算法不仅可以使低光图像增强结果具有更加自然的色彩,能为观察者带来愉快的视觉体验,满足基本的低光增强需求,而且可以尽可能多得恢复特征和图像细节,有利于后续的图像视觉任务。

儿童龋齿预防算法的实现

这是一篇关于龋齿,牙齿颌面图像,分类识别,白垩色检测,U-net网络,注意力机制的论文, 主要内容为龋病是全世界三大重点预防治疗疾病,其中儿童龋病在全年龄段人群中受到更多的关注。大部分到医院就诊的儿童是因龋齿严重到难以忍受才由家长陪同来治疗,最终需承受拔牙和补牙的后果,且面临高昂的治疗费。目前儿童龋齿可用的数据集及可参考方法较为稀缺,常规的龋齿检测手段难以实现对儿童龋齿的早期诊断,随着深度学习技术和算法的不断成熟与完善,对儿童龋齿的早期诊断提供了一种新的途径和方法,因此本文提出了一种儿童龋齿预防算法的医学标准,目的在于设计一套自动追踪并识别牙齿是否患龋的算法,给出了一个自动追踪龋齿高发部位龋损变化的解决方案。该方案由三部分构成:第一部分是建立颌面形态标准,根据医学原理和牙齿形态学原理,构建了磨牙颌面的特征标准,主要有颌面轮廓和窝沟形态两方面,一共有13类磨牙颌面形态标准,然后在牙科医生的帮助下自建RGB图像数据集;第二部分是采用U-net网络和注意力机制实现牙齿颌面识别分类,将U-net作为主要的网络,分别对于颌面轮廓和窝沟形态的标准进行分类训练并对比效果,引入注意力机制的U-net网络再进行对比分析,尝试将两种形态特征进行融合,达到牙齿精准分类的效果,且实现视频流检测;第三部分是对白垩色算法检测实现龋损的早期诊断,将U-net网络分割出来的图像输入龋损检测算法中,利用实验得出白垩色的HSV范围进行图像处理,取白垩色像素与颌面像素的比值作为判断依据。实验结果显示:多模型融合后识别的准确率为0.7792,F1-score为0.9061,AUC为0.9026。比用原生U-net网络且基于窝沟形态标准的准确率提高了15.78%、AUC提高了10.57%、F1分数提高了7.01%;比基于颌面轮廓形态标准识别的准确率提高了3.8%、AUC提高了9.07%、F1分数提高了10.15%。本研究的完成简化了传统检查龋齿繁琐的步骤,实现了家庭智慧医疗领域对儿童龋齿的灵活检查并进行精准预防,达到降低儿童患龋率的目的。实验验证了两种特征融合后更具备好的识别效果,以及注意力机制的有效性。最后通过多模型融合技术,将牙齿颌面识别模型和龋损检测模型进行拼接,实现在视频流下自动化跟踪诊断各颗磨牙的患龋情况。

基于改进U-net神经网络的路面裂纹检测算法研究

这是一篇关于裂纹检测,U-net网络,注意力机制,残差单元的论文, 主要内容为随着道路建设的不断完善,面临最大的问题就是道路养护,而裂缝就是道路出现问题最多的原因之一,对裂缝进行精确的检测,防患于未然,能够降低在道路修复上的大额成本和人力资源,对公路建设起到至关重要的作用。传统的检测方法依靠人工识别和无线传感器等,效率低、成本高,不利于提高检测的精准度。由此本文提出基于改进U-net神经网络的裂纹检测,利用U-net网络的全“U”型结构,并且结合注意力机制和Resnet网络的残差单元对网络进行改进,设计了一种具有高精度的检测网络,具体内容如下:1.通过生成式对抗网络对真实图像进行学习,将随机噪声转换为具有规律的向量,并通过损失回传不断调整,实现数据集的扩充,减少过拟合的情况。针对生成图像模糊问题,引入自注意力机制,使生成器专注于细节的生成。2.为了使目标真实信息得到充分的利用,需要对图像进行预处理操作,流程为:降噪、灰度化、图像增强。通过多种滤波方式对图像进行降噪处理,并将RGB三通道图片通过加权平均法进行灰度化转换,最后通过图像增强进一步改善原始图像。该算法可以有效地降低图像中的多余信息对目标的影响,有效地提高目标的检测能力,同时还可以使目标的检测更加简单,进而提升检测的可信度。3.基于U-net网络结构的改进,将传统卷积替换成空洞卷积,增大感受野,提高裂纹特征信息提取精度。同时为了防止网络层的冗余信息被过度学习,分层加入Dropout,隔层加入LRN模块,提高模型的泛化性能。将改进后的网络模型应用在自制裂纹数据集上,对比现有网络和改进网络的裂纹检测效果,对结果进行分析,实验结果表明,对传统U-net网络进行改进后的网络模型训练过程损失值达到0.0015,精确度达到0.98,相较于传统U-net网络在裂纹检测上的损失值降低了0.001,精确度提升了0.12,召回率和交并比分别相较于原始U-net网络提升了0.0193和0.1573,对裂纹有不错的检测效果。4.针对改进U-net网络模型在裂纹检测上效果不佳以及出现边缘信息丢失问题,在改进的网络模型上进一步改进,在下采样与上采样跳跃连接处增加注意力机制,避免模型受到图像噪声影响,提高模型对裂纹关键特征的提取,将卷积层中引入残差单元,并将改进后的模型分别在单一背景图像上和复杂背景图像进行实验,并对结果进行分析,在召回率和交并比上分别比上一章改进的U-net网络模型提升了0.0542和0.0176,验证了本文提出模型在裂纹检测上的有效性。