指针式仪表示值识别系统研究

指针式仪表识别系统采用机器视觉技术和数字图像处理算法,实现了对指针式仪表示值的自动识别.使用图像差影法、自适应阈值分割算法和最小二乘法进行圆心拟合;提出区域分割方法及中心投影法,对表盘图像进行分块处理,提取表盘刻度,快速识别出表盘指针所处位置.实验表明,采用该系统的识别值与目测值的最大偏差为0.16μm,最小偏差为0.10 μm,检定时间缩短为原来的1/1000,提高了检定效率、检定精度和检定结果的准确性.     

Delving deeper into the whorl of flower segmentation

We describe an algorithm for automatically segmenting flowers in colour photographs. This is a challenging problem because of the sheer variety of flower classes, the variability within a class and within a particular flower, and the variability of the imaging conditions – lighting, pose, foreshortening, etc.     

基于深度学习的眼底血管图像分割研究进展

眼底血管图像分割对青光眼、糖尿病视网膜病变等多种眼部疾病有较好的辅助诊断作用, 目前深度学习因其强大的抽象特征发现能力, 有望满足人们从眼底血管图像中提取特征信息进行图像自动分割的需求, 成为眼底血管图像分割领域的研究热点. 为更好把握该领域的研究进展, 本文对相关数据集和评价指标整理归纳, 对深度学习在眼底血管图像分割中的应用进行详细阐述, 重点梳理各类分割方法的基本思想、网络结构及改进之处, 分析现有眼底血管图像分割方法存在的局限性及面临的挑战, 并对该领域未来的研究方向做出展望.     

跨模态融合的双注意力脑肿瘤分割算法

针对脑肿瘤多模态信息融合不充分以及肿瘤区域细节信息丢失等问题,提出了一种跨模态融合的双注意力脑肿瘤图像分割网络(CFDA-Net).在编码器-解码器的基础结构上,首先在编码器分支采用密集块与大内核注意力并行的新卷积块,可以使全局和局部信息有效融合且可以防止反向传播时梯度消失的问题;其次在编码器的第2、3和4层的左侧加入多模态深度融合模块,有效地利用不同模态间的互补信息;然后在解码器分支使用Shuffle Attention注意力将特征图分组处理后再聚合,其中分组的子特征一分为二地获取空间与通道的重要注意特征.最后使用二进制交叉熵(binary cross entropy, BCE)、Dice Loss与L2 Loss组成新的混合损失函数,缓解了脑肿瘤数据的类别不平衡问题,进一步提升分割性能.在BraTS2019脑肿瘤数据集上的实验结果表明,该模型在整体肿瘤区域、肿瘤核心区域和肿瘤增强区域的平均Dice系数值分别为0.887、0.892和0.815.与其他先进的分割方法 ADHDC-Net、SDS-MSA-Net等相比,该模型在肿瘤核心区域和增强区域具有更好的分割效果.     

基于改进UNETR++的肝脏分割

肝脏MRI影像的脂肪定量标准化过程中常需要对肝脏感兴趣区域进行手工采样, 但手工采样策略耗时且结果多变. 基于深度学习方法的全肝分割与手工勾勒的感兴趣区域在进行脂肪定量分析时, 变异性误差和不确定性程度更低, 性能更优越. 在进行全肝分割任务时, 为了提升分割性能, 本文在UNETR++模型的基础上, 进行改进. 该方法融合卷积神经网络和Transformer结构各自的优点, 增加卷积结构分支用于补足局部特征, 同时引入门控注意力机制, 抑制不相关的背景信息, 使模型更为突出分割区域的显著特征. 相比于UNETR++及其他分割模型, 改进的方法具有更优的DCS及HD₉₅指标.     

IUINet: 基于Shift的双流映射3D医学分割模型

为了提高特征融合, 我们设计了动态全连接层(DyFC), 该方法重新定义了权重和偏置, 使用基向量来代表新的权重和偏置, 基向量的系数是根据每一个输入特征进行学习得到的, 权重和偏置不再是共享的, 而是特有的, 这对于每一个特征的表达更具有专向性. 在本文中, 我们提出了一种双流映射结构模型IUINet. IUINet是通过3DShift操作、空间可分离卷积的组合来实现医学图像分割任务, 同时保持精度和效率之间的平衡. 所提出来的IUINet遵循编码器-解码器结构, 其中编码器一部分包含Shift操作、逐点Conv1×1操作, 另一部分包含空间可分离卷积操作. IUINet运用了多尺度输入以及多尺度特征映射层, 提高反向传播速度, 降低反向传播的平均距离. 提高模型的精确度, 增加模型泛化能力, 减少过拟合.     

基于LSDANet的手机芯片屏蔽壳表面缺陷检测方法

为了解决手机芯片屏蔽壳表面白印缺陷微小、尺度各异等因素影响检测快速性和准确性的问题,本文提出一种基于长短连接通路和双注意力网络(long short link and double attention network, LSDANet)的手机芯片屏蔽壳表面缺陷检测方法。首先,通过构建基于编码和解码的语义分割模型和利用长短距离连接通路,提高网络模型对尺度各异缺陷的特征提取能力。其次,分别设计基于通道和空间的注意力机制,增大5—10 pixel尺寸的白印缺陷在空间和通道上的特征权重。最后,融合双注意力机制和长短距离连接通路分割模型,构建LSDANet缺陷检测网络,应用于手机芯片屏蔽壳表面缺陷检测。实验数据表明,LSDANet网络能够达到96.21%的平均像素精度、66.13%的平均交并比和39.03的每秒检测帧数,相比多种语义分割算法均具有更高的检测精度和速度。     

基于多尺度一致性与注意力机制的视网膜血管分割网络

针对现有的视网膜血管分割方法存在对微血管和毛细血管的分割能力不足,导致血管断连和末端血管漏分,造成视网膜血管分割性能不佳的问题,本文提出一种基于多尺度一致性与注意力机制的视网膜血管分割网络(multi-scale consistency and attention mechanism U-Net, MCAU-Net)。首先,该网络在瓶颈特征层嵌入注意力细化模块(attention refinement module, ARM),能有效细化瓶颈层冗余的特征,抑制背景等无关像素的权值。其次,将上下文特征融合模块(context fusion module, CFM)与传统的跳跃连接相结合,以此补充在特征提取过程中逐渐丢失的信息,加强网络对微血管和毛细血管的构建能力。最后,基于网络的多尺度输出设计了一种多尺度一致性的训练方式,以增强网络对不同尺度特征的敏感性。在DRIVE和CHASE＿DB1公开数据集上进行的对比实验表明本文网络具有良好的分割性能。     

一种新型的无人机牧草分割网络—LMS-DeeplabV3+

目前草原环境复杂、牧草分散且与背景颜色差异小,无法实现高效精准的分割,因此本文提出了一种新型的轻量化多尺度DeeplabV3+网络(lightweight and multi-scale DeeplabV3+network, LMS-DeeplabV3+)。该网络以DeeplabV3+为基础网络,首先选用轻量级的MobilenetV2作为骨干网络用于初步特征提取,并为了适应牧草分割任务做了网络配置上的调整;其次在加强特征提取模块和解码模块中均使用深度可分离卷积代替普通卷积以轻量化网络;此外利用密集空洞空间金字塔池化(dense atrous spatial pyramid pooling, DASPP)模块捕获更大的感受野,加强各特征之间的交互;又引入卷积注意力机制(convolutional block attention module, CBAM)重分配权重加强特征提取。实验证明,提出的新网络与原始网络相比平均交并比(mean intersection over union,mIOU)提升了8.06个百分点、平均像素精度(mean pixel accuracy,mPA)提升了6.7...     

一种DWT与背景重构相结合的运动目标分割方法

针对视频处理中数据量大、消耗时间长的缺点,在假定"背景像素总是以较高的频率在图像序列中出现"的前提下,提出了一种新的运动目标分割方法。首先将待处理的视频图像序列经过DWT变换(Discrete Wavelet Trans-form)提取其近似分量,然后利用像素点聚类方法,结合双阈值和相似类合并,选择一段时间内频率出现较高的像素值来重构背景,最后借鉴图像匹配的评价标准来验证重构背景的准确性。实验结果表明,该方法能提取出较好的背景,从而实现对运动目标的高效且完整分割。