8篇关于U-net网络的计算机毕业论文

今天分享的是关于U-net网络的8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U-net的煤岩图像语义分割方法研究

这是一篇关于煤岩识别,语义分割,纹理提取,U-net网络,注意力机制的论文, 主要内容为中国的煤炭工业一直都是支撑国家经济建设和保障社会发展的重要基础行业,始终在为国家的能源安全提供坚实的保障。煤岩识别则是推进煤炭行业智能化建设的关键技术之一。目前,图像语义分割技术相比于图像识别技术能更加清楚的对煤岩图像中煤与岩石部分进行区分,有助于综采工作面的识别工作。以煤岩图像为主体的语义分割研究较少,且大都针对图像高级上下文信息的链接来提高语义分割能力。本文以煤岩图像的语义分割为主要研究目标,以U-net网络模型为主,分析研究煤岩分割中存在的不足之处:(1)大量的池化操作降低模型特征提取能力;(2)图像浅层信息没有被充分使用。针对上述两个问题,本文具体的研究工作如下:(1)针对U-net网络模型中存在大量池化操作影响图像特征提取能力的问题,设计一种煤岩图像语义分割模型Res Ne St-Unet。该模型基于U-net模型结构,在U-net网络的基础上使用了带有联合注意力机制Res Ne St模块和带有通道注意力机制的采样模块以提升网络模型对煤岩图像的提取能力。通过提高模型的特征提取能力与模型泛化能力,进一步提高语义分割的准确率。最后采用两种不同的评价指标与标准对实验结果进行了对比分析。实验证明,该网络模型的像素准确率和交并比分别为96.62%和94.83%,相较于U-net和FCN等传统的网络模型和CA-Poly-Deep Labv3+网络模型、U-net++网络模型等模型均提高了煤岩图像的识别准确率,证明了该模型对煤岩图像的语义分割能力相较于其他的网络模型具有一定的优越性。(2)针对语义分割研究大都基于高层次信息的获取而忽略低层次信息的问题,设计了一种基于煤岩图像纹理分析的语义分割模型LST-Res Unet。在Res Ne St-Unet模型的基础上又添加了纹理量化计数算子QCO对煤岩图像中的纹理信息进行量化表述,充分利用图像中的低层次纹理信息,然后由纹理增强模块(TME)和金字塔纹理特征提取模块(PTFEM)组成的LST模块对煤岩图像中的纹理信息进行强化和提取。通过实验确定最终的网络模型,验证LST模块的有效性,同时与CA-Poly-Deep Labv3+网络模型、U-net++网络模型进行对比实验。结果表明,该网络模型的像素准确率能达到97.56%,平均交并比为87.93%,在环境较暗和有光源反射存在的情况下均有较好的分割结果。

基于改进U-net网络的2.5D肺实质分割

这是一篇关于肺实质分割,深度学习,空洞卷积,U-net网络,2.5D的论文, 主要内容为肺是与外界自然直接相连的器官,使肺部极其容易感染疾病。随着环境和人为因素的影响,肺部疾病,特别是肺癌逐渐增加,成为影响人类健康的主要疾病之一。医学CT影像由于其可视性和可计算性,被广泛用于肺部疾病的诊断和治疗,如肺结节检测、肺癌检测、肺部穿刺等。然而,肺实质分割是基于计算机辅助肺部疾病诊断和治疗的首要任务,其分割结果直接影响疾病诊断的质量。因此,国内外学者开展了大量的肺实质分割的研究工作。但是,由于肺部器官体积较大,且受其周边器官组织影像的干扰,给肺实质的准确分割增加了困难。为此,本文以临床应用需求为目标,结合人工智能技术,开展快速3D肺实质分割研究,建立了基于2.5D卷积神经网络的肺实质分割系统。首先,给出了改进U-net的神经网络模型。改进的网络模型采用不同卷积率的空洞卷积(Atrous-Conv),以便整合更多的图像信息;运用多个异核池化操作进行信息筛选,保证获取信息的有效性;通过反卷积上采样操作实现肺实质分割。以改进的网络模型为基础,运用VGG结构,实现以特征提取、全局信息注入、肺实质分割三个部分为主的分割系统,有效地改善了肺实质过分割现象。其次,提出了基于2.5D改进U-net的肺实质分割方法。该方法以原采集图像为基础,构建三个轴向(冠状面、矢状面、横截面)的胸腔CT影像;利用改进U-net网络模型对不同轴向的图像进行特征学习;在此基础上,将三个轴向的学习结果堆叠,并以等权重投票的方式进行融合,从而实现3D肺实质分割。该方法利用2D神经网络计算速度快的优势,合理的融入三维空间信息,提高了3D肺实质的分割性能。最后,为了验证本文提出的肺实质分割方法的有效性,本文选择在LUNA16(Lung Nodule Analysis 16)数据库上进行性能检测。实验结果表明,本文提出的基于2.5D改进U-net的肺实质分割方法不仅能有效地实现3D肺实质分割,而且满足临床应用的快速要求。本文提出的理论和方法将推动医学图像分割技术的发展,加速临床医学信息化的步伐。

基于多尺度残差U-net网络和注意力自对抗网络的小麦计数方法研究

这是一篇关于小麦计数,U-net网络,多尺度残差块,沙漏网络,注意力自对抗网络的论文, 主要内容为小麦计数一直是我国乃至世界进行地区产量估计与小麦表型分析的重要组成部分,由于前期准确预测小麦的产量主要依靠农业工作者深入田间进行人工计数,这种计数方法不仅费时,而且数据具有很强的主观性,统计的方法也缺乏统一的规范,这些很不利于国家准确地进行小麦产量的预估和分析,进而影响国家对于小麦生产的指导和决策,因而自动小麦计数得到了科研者的广泛关注。自动小麦计数是计算机视觉的一大挑战,有效的小麦计数方法需要解决小麦图像中背景复杂、目标粘连严重、存在相互遮挡、光照变化不均匀等问题。传统的小麦计数大多数是通过手动提取一些特征信息,如颜色特征,形状特征,梯度直方图特征等构建小麦的麦穗模型,虽然这些特征信息能够大致识别麦穗的位置,但在遇到复杂背景和光照变化等情况下会使模型的识别效果变差。随着深度卷积神经网络(DCNN)的兴起和其强大的特征提取能力,它被大量农业科研者所研究,并将其应用到农业的各个方面。本文为了更好地实现小麦计数,对深度卷积神经网络进行了研究,并在此基础上构建了多尺度残差深度卷积神经网络用于小麦计数任务,提高了小麦计数的精度。同时,自然场景中的麦穗图像存在目标互相遮挡问题,深度卷积生成对抗网络(DCGAN)因其独特的对抗机制来使网络学习存在遮挡的目标,因而很好地解决了小麦的遮挡问题,本文构建了深度卷积注意力自对抗网络用于解决麦穗被遮挡问题,并在公开小麦数据集上获得了较好的计数精度。本文的主要研究成果如下:1、提出了一种基于多尺度残差U-net网络的小麦计数方法。为了提高小麦计数的精度,该网络首先利用残差模块和循环卷积块构建多尺度残差块获取更丰富的上下文信息来识别麦穗;其次,为了能够具备强大的学习能力,采用U-net网络的经典编解码结构来融合多尺度下的特征并增大网络的感受野;最后,将所提的多尺度残差块融合到这种编解码结构中,进一步丰富网络学习特征的能力。通过实验验证,所提出的多尺度残差U-net网络在自建小麦数据集上相比于U-net网络,小麦计数精度有一定的提升。2、提出了一种基于注意力自对抗网络的小麦计数方法。为了进一步解决小麦目标间的遮挡和自相似等问题,进而提高小麦计数的精度,该网络首先在单个沙漏网络后面增加一个注意力模型构成注意力沙漏网络,这样的网络结构更加关注于小麦的表型而削弱对小麦以外区域的关注;接着,构建一个与前面一样的注意力沙漏网络使其为对抗网络,从而构建成完整的注意力自对抗网络。最后通过实验验证,所提网络结构比其他网络结构在小麦计数上的精度上有了更进一步的提升,同时还进行了该网络的成分分析,验证了注意力机制的引入和对抗网络的添加都是有效的。

光伏组件的热斑故障检测研究

这是一篇关于热斑故障,红外图像,主成分分析,U-net网络,YOLOX的论文, 主要内容为随着化石能源的大量开发和利用,环境污染问题已成为一个全球性的问题,新能源与可再生能源的开发与利用迫在眉睫。太阳能以不消耗资源、不产生污染、取之不尽等特点在新能源发电领域具有重要地位。然而光伏组件作为光伏发电系统的核心器件,运行过程中产生的任何故障问题都会影响整个光伏发电系统的正常工作,热斑故障是光伏组件运行过程中的一种常见故障问题,因此针对光伏组件的热斑故障问题进行研究是十分必要的。基于红外图像的热斑故障检测具有检测效率高、使用成本低等优势,成为常用的热斑故障检测方法。本文以光伏热斑红外图像为研究对象,完成了针对光伏热斑红外图像的去噪、分割工作,并最终实现了光伏热斑的故障检测,具体研究内容如下:1.提出了基于主成分分析的混合噪声自适应去噪算法。针对热斑红外图像具有高斯-椒盐混合噪声的特点,针对性提出了基于主成分分析的自适应去噪算法,在进行主成分提取前首先进行了自适应窗口预处理以滤除图像中的高密度椒盐噪声,然后根据图像的局部相似性提取信息分量、滤除噪声分量,同时更新噪声水平进行二次去噪,提高了算法对高密度噪声的去噪性能。实验结果表明,本算法针对热斑图像混合噪声有较好的去噪效果,热斑区域轮廓明显。2.提出了基于改进U-net网络的光伏红外图像分割方法。针对传统图像分割方法在复杂灰度图像中存在过分割、欠分割等问题,提出了基于改进U-net网络的图像分割方法。首先将灰度共生矩阵与原始图像信息同步输入到U-net网络中,提高U-net网络对图像纹理特征的感知能力;然后在U-net网络的编解码结构中引入多尺度特征融合思想,使网络能够提取更加丰富的图像特征;最后,使用深度可分离卷积,减少网络训练所需参数,提高网络模型的运行速度和泛化能力。实验证明,本算法分割结果准确,具有较强的鲁棒性。3.提出了基于改进YOLOX算法的故障检测方法。选取具有较低参数量、较高鲁棒性的YOLOX-S模型作为主体网络结构,在加强特征提取网络部分使用加权双向特征金字塔网络,将改进的YOLOX-S网络与原始的YOLOX-S及YOLOX进行模型训练及测试。对比结果表明,本改进方法具有较高的m AP值,在减少运算成本的同时保证了故障检测的精度,具有实际应用价值。图[48]表[7]参[80]

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。