增强语义信息与多通道特征融合的裂缝检测

路面裂缝检测是用以判断道路安全与否的关键技术,由于裂缝的背景复杂多样,传统的裂缝检测算法难以准确检测裂缝。提出了一种增强语义信息与多通道特征融合的裂缝自动检测算法。网络整体为编码器-解码器结构,在编码器部分引入扩张卷积模块,扩大特征图有效感受野,整合图像上下文信息,增强特征语义表达能力,提高像素分类精度。在解码器部分搭建了一个基于注意力机制的多通道特征融合模块,利用高层全局注意力信息指导高层语义特征与低层细节特征的逐级融合,有利于恢复图像细节信息,进一步提升对裂缝的像素级检测精度。实验结果表明,在CRACK500公开数据集上训练的模型在测试集上取得72.5%的平均交并比（Intersection over Union,IoU）和96.8%的F1score,该模型直接用于CrackForest数据集测试,平均IoU和F1score分别提升2.0个百分点和1.1个百分点,表明模型具有很好的泛化性能,可用于复杂道路场景下的裂缝检测与质量评估。     

一种高精度路面裂缝检测网络结构:Crack U-Net

路面裂缝对行车安全有很大的潜在威胁,以往的人工检测方法效率不高。现有裂缝检测方法模型泛化能力低,在复杂背景下的裂缝分割能力差且效率不高。为了解决这些问题,文中提出了一种基于编码器-解码器结构的新改进型网络结构CrackU-Net,目的是提高路面裂缝检测的模型泛化性以及检测精度。首先,Crack U-Net用密集连接结构增强了基于编码器-解码器的网络U-Net模型,在以往结构的基础上提高了网络各层特征信息利用率,增强了模型的鲁棒性;其次,Crack U-Net使用由残差块和mini-U组成的CrackU-block作为网络的基础卷积模块,相比传统双层卷积层,Crack U-block可以提取出更丰富的裂缝特征;最后,在Crack U-Net的下采样节点中使用了空洞卷积替代传统卷积核,以充分捕获图像边缘的裂缝特征。为验证Crack U-Net模型的有效性,在公开裂缝数据集上进行了一系列测试。实验结果显示,CrackU-Net在数据集上的AIU值比以往方法提升了2.2%,在裂缝分割精度、泛化性上都优于现有方法。另外,参数轻量化部分的实验证明,CrackU-Net可以进行很大程度的模型剪枝,无...     

基于残差与注意力机制的道路裂缝检测U-Net改进模型

道路裂缝是道路安全检测的重要部分,随着深度学习和计算机视觉的发展,利用深度学习对道路图像中裂缝信息提取的方法趋于成熟。现有深度学习道路裂缝检测方法对细小裂缝提取不完整以及受背景因素干扰,导致检测精度降低。基于CBAM注意力机制和残差网络,改进U-Net神经网络模型,构建一种融合残差和注意力机制的道路裂缝检测深度学习网络模型。该模型在U-Net网络的上采样和下采样过程中分别嵌入通道注意力机制和空间注意力机制。CBAM注意力机制在通道和空间维度上同时进行全局平均和全局最大混合池化,以提取更多有效的全局和局部细节信息。同时,在U-Net网络中融合残差模块,有效解决网络梯度消失、梯度爆炸以及网络退化的问题,进一步提高道路裂缝的检测能力。实验结果表明,在上采样和下采样过程中嵌入CBAM注意力机制网络的F1值提升到81.02%,相比U-Net原始网络,提升13.76个百分点。融合残差模块并在下采样过程中嵌入CBAM注意力机制网络的F1值达到85.82%,相比只嵌入CBAM注意力机制的网络,提升了4.8个百分点。     

集成注意力机制和扩张卷积的道路提取模型

目的 为解决当前遥感影像道路提取方法普遍存在的自动化程度低、提取精度不高和由于样本数量不平衡导致的模型训练不稳定等问题,本文提出一种集成注意力机制和扩张卷积的道路提取模型（attention and dilated convolutional U-Net,A&D-UNet）。方法 A&D-UNet聚合网络模型以经典U-Net网络结构为基础,在编码部分引入残差学习单元（residual learning unit,RLU）,降低深度卷积神经网络在训练时的复杂度;应用卷积注意力模块（convolutional block attention module,CBAM）从通道和空间维度两个方面优化分配权重,突出道路特征信息;并使用扩张卷积单元（dilated convolutional unit,DCU）感受更大范围的特征区域,整合道路的上下文信息。采用二进制交叉熵（binary cross entropy,BCE）和Dice相结合的复合损失函数训练模型,减轻遥感影像中样本数量不平衡导致的模型不稳定。结果 在公开的美国马萨诸塞州和Deep Globe道路数据集上进行模型验证实验,并与传统的U-Net、LinkNet和D-LinkNet图像分割模型对比分析。在美国马萨诸塞州道路测试集上,本文构建的A&D-UNet模型的总体精度、F1分数和交并比等评价指标分别为95.27%、77.96%和79.89%,均优于对比算法,在测试集中对线性特征明显、标签遗漏标记以及存在树木遮挡的道路区域具有更好的识别效果;在Deep Globe道路测试集上,A&D-UNet模型的总体精度、F1分数和交并比分别为94.01%、77.06%和78.44%,且对线性特征明显的主干道路、标签未标记的狭窄道路以及阴影遮挡的城市道路都具有较好的提取效果。结论 本文提出的A&D-UNet道路提取模型,综合了残差学习、注意力机制和扩张卷积的优点,有效提升了目标分割的性能,是一种提取效果较好、值得推广的聚合网络模型。     

基于可分离残差卷积与语义补偿的U-Net坝面裂缝分割

坝面缺陷检测是水利枢纽安全巡检的关键环节,但复杂环境下坝面图像存在干扰噪声大和像素不均衡等问题,造成坝面裂缝难以精细分割。提出一种利用可分离残差卷积和语义补偿的U-Net裂缝分割方法。在U-Net网络的编码端构建更大尺寸的可分离残差卷积模块替换常规卷积模块,从而扩大特征层感受野并避免丢失裂缝边界信息,同时在解码端增加语义特征补偿模块改善多尺度特征融合效果,将焦点损失函数和中心损失函数作为目标函数,加大裂缝前景与困难样本的损失权重以提高分类准确度。在自制西南某水电站坝面裂缝数据集上的实验结果表明,该方法的F1值和交并比分别达到69.89%与53.72%,分割效果较SegNet、FCN-8S等传统方法更优,对细小裂缝区域的识别能力更强。     

基于改进U-Net网络的细小裂纹检测

针对复杂背景下细小裂纹图像检测难、噪声干扰多和裂纹宽度信息易丢失的问题,提出一种基于U-Net改进的方法。利用残差块解决网络退化,加入BN层改善梯度弥散,融入深度可分离卷积以及高尺度的转置卷积,实现特征信息由浅入深的传递;改进注意力机制,实现细节特征的优化;延伸U-Net特征向量长度,在底部加入由最大池化层、小尺度深度可分离卷积与上采样层构建的层融合模块,实现分辨率和感受野之间的平衡。实验结果表明,在客观标准下,改进的方法比U-Net的IoU的值提高0.1873,Recall的值提高了0.1127,Precision提高了0.1359,F1-score提高了0.0687,并且实验结果皆优于其他方法对于U-Net的改进,减少了伪分割现象,完成对细小裂纹分割,获得更加精细的裂纹宽度信息。     

结合反残差块和YOLOv3的目标检测法

为了提高目标检测算法的实时性,提出了一种基于反残差块的轻量级目标检测方法,并将其用于行人检测。利用深度可分离卷积减少模型的参数量和卷积过程的计算量;在深度可分离卷积的基础上构造反残差块,提取高维特征。采用多尺度预测和特征融合相结合的方法,更好地利用深层特征图的语义信息,使得模型对图像中小尺度的行人目标有较好的表征能力。运用K-means聚类方法对INRIA数据集中样本进行聚类分析。通过对比试验表明:改进后的YOLOv3方法在INRIA数据集上能够有效地检测小尺度的目标,与原方法相比在精度上提升了4.26%、召回率提升5%且检测每张图片所需的时间减少了33.6%。     

基于多尺度残差网络优化的工业品表面缺陷检测

工业品表面缺陷检测是工业产品质量评估的关键环节,实现快速、准确、高效的检测对提升工业产能具有重要意义。本文针对传统神经网络提取特征尺度单一、参数量大,网络训练效率低等问题,提出了一种基于残差网络的多尺度特征融合与RBN结合的残差网络模型。首先该模型通过多尺度卷积特征融合模块提取不同尺度的特征信息;然后,通过引入RBN层,使特征分布更加均匀;最后,采用全局平均池化代替传统的全连接层来减少模型的参数量,实现输出通道与特征类别的直接映射。本文提出的网络模型在公开数据集NEU-DET上进行实验,识别率达到100%,在天池人工智能大赛铝型材缺陷数据集上的识别率达到98.8%,模型性能较为优异,可以很好的完成工业品表面缺陷检测任务。     

改进多尺度残差网络病害叶片图像识别

针对农作物病害图像识别模型存在参数量较大内存占用较多、识别准确率不高及训练速度慢等问题,提出了融合注意力模块的多尺度卷积网络叶片病害图像识别模型。该网络模型基于残差网络模块,利用多尺度卷积取代了传统的单尺度卷积,使得网络加宽以获取更多的特征信息,避免网络堆叠过深引起的过拟合现象;同时为了加快模型训练速度,采用深度可分离卷积代替传统卷积减少模型参数量;将注意力机制引入到残差网络中,增强了模型的关键特征信息的提取能力,从而提高了模型的识别精度。通过对试验数据集进行对比试验,改进网络模型的识别准确率达到99.48%并且模型参数量仅有19.06 MB,试验结果表明所提出的方法能有效地提高模型的识别性能并降低模型参数量,为实现低成本终端运行奠定基础。     

融合空间置弃层的U-Net高分影像建筑智能解译

针对传统基于光谱和面向对象的建筑物提取方法多噪声和边缘羽化严重,标准U-Net高分遥感影像解译计算开销大等问题,提出了一种改进方法。该方法通过修改标准U-Net输入样本尺寸、卷积核数量和卷积层数量,基于Adam最优化算法,采用逐维度加和特征融合取代沿通道维度联合特征融合,并首次将空间置弃层引入标准U-Net中用于提高模型效率和改善目标边缘精度。定量分析和实验结果表明:空间置弃层有助于缓解因数据特征分布不均衡导致的精度变异问题;融合空间置弃层的改进U-Net模型可以有效改善椒盐噪声和建筑物边缘羽化问题,提高面向复杂场景高分遥感影像解译精度,加快模型训练收敛速度,减少模型参数数量和模型训练时间。     

基于改进残差结构的肺结节检测方法

针对肺结节检测方法中网络结构复杂所导致的模型计算量大、过拟合的问题,提出了一种结合深度可分离卷积和预激活的改进残差网络结构,将提出的网络结构应用于肺结节检测模型。该模型以目标检测网络Faster R-CNN为基础,采用U-Net编码解码器结构,利用深度可分离卷积和预激活操作改进了三维残差网络结构。首先,通过使用深度可分离卷积,模型复杂度和计算量大幅度降低;其次,通过使用预激活,模型的正则化得到改善,缓解了过拟合现象;最后,采用矩形卷积核在少量增加模型计算量的前提下扩大了卷积操作的感受野,有效地兼顾了肺结节的全局和局部特征。在LUNA16数据集上的检测中所提方法的灵敏度为96.04%,无限制接收者操作特征曲线下面积（FROC）得分为83.23%。实验结果表明：该方法提高了肺结节检测的灵敏度,又有效降低了检测结果的平均假阳性个数,同时提高了检测效率,可有效辅助放射科医师对肺结节进行检测。     

基于改进U-Net网络的隧道裂缝分割算法研究

针对复杂背景下隧道的细小裂缝图像特征难以提取以及裂缝像素类别不平衡等问题,提出了一种改进U-Net网络的隧道裂缝分割算法。将U-Net模型的编码器和解码器与残差模块相结合,使得网络参数共享,并避免出现深层网络梯度消失的问题;在此结构基础上引入挤压和激励（Squeeze and Excitation,SE）模块来提升重要特征,抑制无用特征,加强对裂缝边缘和形状等特征的权重分配;采用组合损失函数来处理裂缝像素正负样本不平衡的问题,进一步获得更加精细的分割结果。在公共隧道裂缝数据集和自制数据集上设计对比实验来验证改进模型的有效性。结果表明：该算法对裂缝的分割精度均优于其他方法,F1-Score分别达到了76.36%和75.46%,并且运行速度也有明显的提升,可以很好地满足实际工程的应用需求。     

基于空洞卷积和多特征融合的混凝土路面裂缝检测

混凝土路面的裂缝检测是确保道路安全的重要基础任务。针对混凝土路面的复杂背景和裂缝本身复杂的拓扑结构,提出了一种基于空洞卷积和多特征融合的混凝土路面裂缝检测网络,该网络采用基于U-Net的编码-解码结构。在编码阶段,使用改进的残差网络Res2Net提高特征提取能力;在网络的中间部分,使用串联和并联相结合的不同空洞率的空洞卷积,从而在增加特征点的感受野的同时不会降低特征图的分辨率;在解码阶段,融合了从低层卷积到高层卷积的多尺度和多级特征,提高了裂缝检测的准确性。为证明所提算法的有效性和准确性,将其与现有的部分检测方法进行了比较并使用F-score来评估检测性能。在多个混凝土路面数据集上的实验结果表明,该算法提高了裂缝检测的准确性,具有较好的鲁棒性。     

面向遥感图像云分割问题的新型U-Net模型

目前,已知基于深度学习的云分割方法通常采用传统U型编解码结构的网络,该结构虽能有效利用编码端的空间位置信息,但整个网络参数过多、计算量大,同时其编码端仅采用简单卷积与下采样操作,无法有效获取高质量的上下文语义特征信息.针对上述情况提出一种新型的轻量级U-Net模型用于云分割问题.整个模型采用跳跃连接编码端浅层和中层信息的新U型编解码结构,并在其编码端嵌入由分组卷积与注意力机制组成的优化模块,同时构建上下语义融合连接,连接编码端与解码端相应的上下层.实验结果表明,在公共基准数据集38-Cloud上,该模型相比其他主流云分割网络在分割精度与模型参数等方面均能取得更优异的结果.     

改进U-Net的遥感图像中建筑物变化检测

提出了一种改进U-Net的遥感图像中建筑物变化检测方法,将变化检测问题转化为像素级二分类问题,利用U-Net模型对图像进行分类,把图像中的每个像素划分为变化类或非变化类,并根据变化类的像素得到建筑物的变化检测结果图。针对U-Net模型进行遥感图像中建筑物变化检测时,在训练中容易出现过拟合的现象,提出用非对称卷积块代替U-Net网络特征提取部分的标准卷积操作,增强卷积核的鲁棒性和网络的中心骨架,防止过拟合;针对变化检测数据集中图像背景复杂、小目标的变化情况容易被漏检的问题,提出在U-Net中引入注意力机制,抑制模型对非变化类像素特征的学习,加强对变化类特征的学习,提取到更适合的特征。实验结果表明,在引入非对称卷积块和注意力机制后,变化检测的F1分数有明显的提升。     

基于U-Net改进的多尺度融合超声神经分割算法研究

大量传统的颈部超声神经检测算法,检测敏感性低,假阳性数量大,低层特征利用率不足。而颈部超声图像数量较少,边缘模糊且对噪声敏感。对此,提出一种改进型U-Net分支融合算法：改进损失函数,获得高质量的候选样本;使用多尺度卷积结构替换原结构中普通卷积层,增强特征提取能力;结合扩张卷积替换中、深层池化操作,提高低层特征利用率。通过对比实验验证了所提算法的算法性能。实验表明,与传统的U-Net和SegNet卷积网络对于小尺寸超声神经分割的结果相比,所提算法的分割效果较两者分别提升了近9%和17%,且对于正常尺寸和小尺寸的神经分割均有较高的分割精度。     

结合双注意力机制的道路裂缝检测

目的 道路裂缝检测旨在识别和定位裂缝对象,是保障道路安全的关键问题之一。为解决传统深度神经网络在检测背景较复杂、干扰较大的裂缝图像时精度较低的问题,设计了一种基于双注意力机制的深度学习道路裂缝检测网络。方法 本文提出了在骨干网络中融入空洞卷积和两种注意力机制的方法,将其中的轻量型注意力机制与残差模块结合为残差注意力模块Res-A。对比研究了该模块“串联”和“并联”两种方式对于裂缝特征关系权重的影响并获得最佳连接。同时,引入Non-Local计算模式的注意力机制,通过挖掘特征图谱的关系权重以提高裂缝检测性能。结合两种注意力机制可以有效解决复杂背景下道路裂缝难检测的问题,提高了道路裂缝检测精度。结果 在公开复杂道路裂缝数据集Crack500上进行对比实验与验证。为证明本文网络的有效性,将平均交并比（mean intersection over union,mIoU）、像素精确度（pixel accuracy,PA）和训练迭代时间作为评价指标,并进行了3组对比实验。第1组实验用于评价残差注意力模块中通道注意力机制和空间注意力机制之间不同组合方式的检测性能,结果表明这两种机制并联相加时的mIoU和PA分别为79.28%和93.88%,比其他两种组合方式分别提高了2.11%和2.08%、11.29%和0.23%。第2组实验用于评价残差注意力模块的有效性,结果表明添加残差注意力模块时的mIoU和PA分别比不添加时高出2.34%和3.01%。第3组实验用于对比本文网络和其他典型网络的检测性能。结果表明,本文网络的mIoU和PA分别比FCN （fully convolutional network）、PSPNet （pyramid scene parsing network）、ICNet （image cascade network）、PSANet （point-wise spatial attention network）和DenseASPP （dense atrous spatial pyramid pooling）高出7.67%和2.94%、1.54%和0.42%、6.51%和3.34%、7.76%和2.13%、7.70%和-1.59%。实验结果表明本文网络的mIoU和PA优于典型的深度神经网络。结论 本文使用带空洞卷积的ResNet-101网络结合双注意力机制,在保持特征图分辨率并且提高感受野的同时,能够更好地适应背景复杂、干扰较多的裂缝对象。     

基于YOLOv3的改进仪表检测算法

仪表检测是智能仪表测试不可或缺的环节,其效果直接决定仪表测试的准确率。针对仪表检测背景复杂且要求速度快的特点,提出一种基于改进YOLOv3的目标检测算法。基于YOLOv3算法,首先使用DenseNet（Densely Connected Convolutional Networks）替换Darknet中的最后2个网络块,以加强模型对特征的重用。然后采用轻量化的Darknet-46作为特征提取网络,并将DenseNet中的卷积神经网络修改为深度可分离卷积网络,再将所有检测层（YOLO Detection）之前的6层卷积修改为2层,以减少模型的参数。同时引入GDIOU（generalized-IOU and distance-IOU, GDIOU）边界框以回归坐标损失,并根据检测需求重新调整损失函数的权重。实验结果表明,相比原算法,改进的YOLOv3算法参数数量减少40%,在仪表检测中的精确率和召回率分别达到95.83%和94.98%,分别提高2.21个百分点和2.09个百分点,平均精度提高2.42个百分点,检测速度提高30.18%。