彩色眼底图像视盘自动定位与分割

针对彩色眼底图像视盘定位时图像边缘高亮环对定位准确率的影响,提出了一种有效的图像预处理方法。针对已有的视盘分割算法中存在的问题,提出了一种结合形态学、椭圆拟合及梯度矢量流(GVF)Snake模型的分割算法。提出的预处理方法首先利用最小二乘法拟合出眼底图像的边界,然后裁剪掉边界的一部分高亮像素点,最后进行视盘定位。视盘分割算法则首先进行血管擦除,然后用椭圆拟合提取初始轮廓,最后使用GVF Snake精确调整视盘边界。用提出的方法对Messidor眼底图像数据库1 200幅图像上进行了实验,结果显示:视盘定位准确率由原来没经过预处理的95.4%提升到了98.7%;视盘分割错误率与当前已知最好的算法相比由12.5%降低到了9.39%。结果表明:提出的眼底图像视盘自动定位与分割方法准确率高、实用性强,可以用于眼科疾病的计算机辅助诊断。     

基于改进U-Net的视盘视杯分割方法的研究

基于数字眼底图像进行视盘视杯分割是青光眼常用的诊断方法。为了更加精确地分割视盘视杯,提出了一种基于改进U-Net的视盘视杯分割方法。在传统U-Net的基础上,使用残差块改进了下采样部分,并使用卷积操作改进U-net中的跳层连接部分,使网络更加充分地获取特征信息。使用多种性能指标对训练的模型进行评价,结果表明,视盘模型和...     

基于深度学习的铸件CT图像分割算法

针对现有方法分割弱边缘铸件CT图像难度大、精度低、鲁棒性差的问题,提出一种融合残差模块与混合注意力机制的U型网络分割算法(AttRes-U-Nets)。该算法以U-Net网络为基础,首先构建深度残差网络ResNets作为算法的编码网络,解决传统U-Net网络特征提取能力不足的问题;然后,引入改进后的混合注意力机制,突出分割目标区域与通道的特征响应,提高网络灵敏度;最后,将Focal loss与Dice loss结合为一种新损失函数FD loss缓解样本不平衡带来的负面影响。使用120阀体数据集对算法性能进行验证,实验结果表明,本文算法对铸件分割的像素准确率(PA)和交互比(IoU)分别达到98.72%和97.40%,优于传统U-Net算法与其他主流语义分割算法,为弱边缘分割提供了新思路。     

基于神经网络的回转窑火焰图像分割

回转窑火焰图像的正确分割对于提取回转窑工况参数具有重要的意义。本文研究了多层感知器、径向基函数网络、学习向量量化网络和自组织特征映射网络等四种神经网络在回转窑火焰图像分割中的应用。选取火焰图像的归一化色彩值作为训练样本,分别采用有导师学习和无导师学习两种方法进行训练。对实测图像进行分割的结果表明,本文提出的方法很有效。     

基于深度学习的人体腰椎MRI图像自动分割

腰椎间盘病变是导致下背部疼痛的主要原因之一,而腰椎磁共振成像(MRI)图像在其诊断中发挥了关键作用。本研究引入了一种基于深度学习的自动分割方法,旨在增强椎间盘形态结构的识别和分割,从而减轻医疗专业人员手动分割所带来的不便和不一致性。我们采用了著名的分割网络Mask-Rcnn(Mask Region-based Convolutional Neural Network),该网络以其卓越的特征提取能力、出色的目标检测性能和精确的实例分割结果而闻名,因此成为最佳选择。通过利用PyTorch中的神经网络模型库,我们重构了数据集接口并微调了输出层参数,以更好地适应识别和分割腰椎间盘的任务。本研究使用了包含1545张腰椎MRI图像的公开数据集,每张图像都标注了椎间盘等结构。在对数据集进行预处理以保留有关椎间盘的标注后,我们随机选择了450张图像进行测试,其余用于训练。在经过20个训练周期后,我们实现了97.7%的平均精度和98.6%的平均召回率,96.9%的DICE系数。本研究强调了基于深度学习的自动分割方法在显著改善腰椎MRI图像中椎间盘的识别和分割方面的潜力。这种方法在临床应用中具有巨大前景,...     

基于深度学习的铸件DR图像缺陷检测

为了对精密铸件DR(digital radiography)图像中的缺陷进行准确分割,提出一种基于深度学习语义分割的铸件DR图像缺陷检测算法。首先在原始U-Net网络模型上设计混合损失函数,以此来缓解类不平衡问题;然后采用AdamW(Adam with weight decay)优化器使模型加速收敛,同时使检测精度得到提升。最后使用PReLu激活函数代替ReLu,提高模型泛化性。实验结果表明,改进的U-Net模型对精密铸件DR图像缺陷能够得到有效分割,检测精度较高,且模型参数量较少,能够在工业现场进行部署。     

基于改进U-Net的球栅阵列气泡缺陷检测方法

针对现有基于深度学习的图像分割算法在球栅阵列(BGA)焊点气泡检测中检测效率较低,无法满足工业生产中实时性的检测需求,提出了一种基于改进U-Net的球栅阵列缺陷识别方法。该方法在现有的U-Net经典网络的基础上提出用深度可分离卷积与密集连接结合的轻量密集连接单元替换常规的卷积单元,同时添加多尺度跳跃连接减少编解码特征之间的差异,实现针对BGA焊点气泡的精确分割和提取。采用自建数据集对该方法的有效性进行实验,结果表明,改进的U-Net模型网络在减少U-Net网络计算复杂度的同时提升了网络性能,能够增加BGA焊点气泡的检测效率。     

基于活跃度的脉冲耦合神经网络图像分割

针对脉冲耦合神经网络(PCNN)在图像分割中需多次人工调整网络参数的问题,提出了一种基于PCNN模型的图像自动分割方法.分析了图像中影响PCNN参数设置的因素,提出了一种图像自适应分块策略.将图像划分为内部复杂程度相近的子块,克服了同一参数无法同时对图像中复杂度差异较大的不同区域准确分割的不足.利用本文提出的局部图像活跃度(ADLA)指标对不同子块自适应地确定PCNN模型参数,有效解决了传统PCNN图像分割时需要人工确定关键参数的问题.最后,采用最大二维Tallis熵准则从分割后的二值结果序列中选择最佳结果.实验表明,本文方法的分割结果轮廓清晰、完整,即使在对比度低、背景呈大范围内连续变化等复杂情况下,也具有优异的性能.与传统PCNN分割方法相比,本文方法能自动、快速、准确地确定PCNN模型参数,且区域一致性测度(UM),区域对比度(CR),形状测度(SM),综合指标(CI)等客观评价的量化指标均优于传统PCNN分割方法12％以上.     

一种结合域自适应的图像语义分割算法

语义分割为图像分配像素级稠密标签,对场景理解具有重要作用,是视觉研究核心任务之一,涉及自动驾驶、医学成像等实际应用.现有基于深度神经网络的图像语义分割方法的训练需要大量标记数据,这些数据的收集和标记成本高昂,这很大程度上限制了此类方法的实际应用.为解决此问题,这里使用成本较低的计算机生成并标记的逼真的合成数据训练深度神...     

基于U-Net网络的柱面透镜视觉定位策略

针对柱面透镜定位在摆盘工艺过程中产品良率低、生产作业时间长的问题,研究了一种基于U-Net网络的柱面透镜视觉定位策略。该策略结合柱面透镜摆盘工艺及特点,开发了柱面透镜视觉摆盘系统。将Blob分析和模板匹配作为前期视觉定位方法,通过高精度匹配获取工件点位信息以生成分割图对采集的原图进行标注,选取损失值最优的学习率对U-Net网络进行模型训练,以实现实际工件的分割定位。经过U-Net网络与高精度模板匹配针对不同型号的工件定位对比发现,相较于高精度模板匹配,U-Net网络可实现亚像素级别的定位误差。实践应用结果表明,该柱面透镜视觉摆盘系统视觉定位精度高,具有较强的产品适应能力,产品偏心合格率可达96%以上,满足工业摆盘任务要求。     

基于神经网络的唇封结构优化方法

旋转唇形密封广泛用于机械行业,其密封圈的设计合理性直接影响着密封性能。采用有限元仿真、数值仿真等技术,研究唇口各个关键参数对密封圈性能的影响规律,并结合深度学习技术,利用Pytorch框架搭建出唇封性能神经网络预测模型,拟合出唇封各相关结构参数和其密封性能(泄漏率、摩擦力)之间的影响规律;利用建立的模型在参数空间中找到密封性能最优的一组参数值,通过经典唇封数值仿真技术验证该神经网络模型的准确性,提高了唇封结构优化设计效率。结果表明,基于Pytorch框架所搭建的非线性人工神经网络可建立精度较高的唇封结构参数和密封性能的非线性映射关系,利用这种方法可以快速找到优化程度更高的唇封结构参数,提高了唇封结构优化设计效率。     

基于Mask R-CNN的铁谱磨粒智能分割与识别

针对铁谱图像因背景复杂、尺寸分布广、颗粒重叠等导致难以精确分割与识别的问题,以相似度高的疲劳剥块、严重滑动磨粒、层状磨粒共3种异常磨粒作为研究对象,提出基于深度神经网络模型Mask R-CNN的对多目标铁谱磨粒进行智能分割与识别的方法,并对特征提取层分别选用深度不同的残差网络ResNet50和ResNet101进行对比试验。实验结果表明,基于迁移学习方法的Mask R-CNN+ResNet101模型能够在复杂背景下对多目标、多类型、多尺寸的相似磨粒进行有效分割与识别,测试集的平均精度高达76.2%,模型具有较好的泛化能力。     

基于BP神经网络技术的刀具状态监控系统

利用BP(back propagation)神经网络建立刀具检测系统的模型,通过BP神经网络来实现对于车间刀具的运行状态的控制。通过这个检测系统,实时反馈车间加工过程中刀具的即时信息,为企业的自动化和信息化的发展带来了促进的作用,进一步提高效率,减少了因为刀具磨损而带来的经济损失,具有一定的现实意义。     

基于卷积神经网络的时频图像识别研究

变速器作为汽车动力传递系统中的关键部件,其振动和噪声直接影响着汽车的性能。由发动机输入到变速器的转速很多情况下是变化的,这使得这种工况下的变速器故障诊断更加复杂。针对这个问题,提出了基于卷积神经网络（convolutional neural network,CNN）的变速器变转速工况下的故障分类识别方法:在变转速下,采集了变速箱多种故障状态下的振动信号,对各类信号进行时频变换得到时频矩阵,并利用CNN实现多类故障的分类。并研究了CNN结合不同时频方法时的识别性能,结果表明,连续小波变换(continuous wavelet transform,CWT)与CNN结合的方法对变转速下的时频图识别性能最好。     

一种基于神经网络的X光图像畸变校正方法

通过对X光图像所产生畸变的分析,提出了一种基于泛化能力的神经网络系统整体校正方法。该方法只需确定网络输入输出和约束条件,无需考虑中间过多的不确定因素,即可建立空间点与图像点的映射关系,然后采用双线性变换进行灰度插值。实验表明,该方法校正效果好,能够满足对图像进行分析处理的要求。     

一种基于模糊小波基函数神经网络的图像分类器

针对图像分类的特点，提出了一种基于模糊小波基函数神经网络的图像分类器。该分类器采用小波基函数作为模糊隶属函数，将模糊技术与神经网络相结合，利用神经网络实现模糊推理，并可对隶属函数的形状进行实时调整，从而使分类器具备了更强的学习和自适应能力。实验结果表明，这种基于模糊小波基函数神经网络的分类器经过训练后，可应用于图像的分类，其分类精度明显高于传统的最大似然分类法。     

铁路货车车号图像识别系统的算法研究

目前货车检修正逐步从计划检修向状态检修过渡,就对货车日常管理提出了更高的要求,而对货车车号识别,是实现对货车进行动态跟踪和管理的重要基础。针对货车车号识别,本文采用深度学习技术,利用YOLO网络模型结构和货车车号字符特点,实现对车号位置的准确检测,克服了光照、污迹、缺失等干扰的影响,同时,利用基于卷积神经网络的分类技术,实现对货车车号的识别。