检索结果-南通市图书馆

汽车工程师 2024年

作者：邓欢王健吴孟军杜若飞费明哲王云靖山东交通学院宁波市鄞州德来特技术有限公司

针对车道线遮挡、道路阴影等多车道驾驶环境下提取的车道线特征信息缺失造成预测车道线模糊、不连续等问题，提出一种基于轻量化U2-net的车道线检测算法。首先，以轻量化U2-net的残差U形模块(RSU)和多特征尺度融合获得全局信息丰富的车... 详细信息

针对车道线遮挡、道路阴影等多车道驾驶环境下提取的车道线特征信息缺失造成预测车道线模糊、不连续等问题，提出一种基于轻量化U2-net的车道线检测算法。首先，以轻量化U2-net的残差U形模块(RSU)和多特征尺度融合获得全局信息丰富的车道线特征；其次，对车道线特征进行逐像素阈值判断，并选择最小二乘法结合感兴趣区域(ROI)中车道线簇进行车道线的拟合，实现多车道线检测并确认自车道线区域；最后，在图森(TuSimple)数据集上进行验证与分析。验证结果表明，所提出的车道线检测算法的平均准确率达到98.4%，相比于其他车道线检测网络，该算法的网络参数量较少，准确率较高。

关键词：轻量化U -net 残差U形模块多车道线检测自车道线

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于U-net和形态学的裂缝损伤量化评估研究

引用

工业建筑 2024年

作者：李云汇康帅贺东青丁亚芃河南大学土木建筑学院

针对混凝土结构表观裂缝数据类别不均衡与损伤特征量化问题，提出了一种基于U2-net和形态学结合的裂缝损伤评估方法。首先，将Dice损失函数与损失权重融合构造损失函数，并嵌入迁移学习，使用U2-net网络对混凝土构件表观裂缝的数据集进... 详细信息

针对混凝土结构表观裂缝数据类别不均衡与损伤特征量化问题，提出了一种基于U2-net和形态学结合的裂缝损伤评估方法。首先，将Dice损失函数与损失权重融合构造损失函数，并嵌入迁移学习，使用U2-net网络对混凝土构件表观裂缝的数据集进行训练，根据预测得到的裂缝二值图像，提取预测裂缝图的骨架，最终将裂缝划分为线性裂缝和网状裂缝，针对不同类型使用形态学对预测出的裂缝提取对应的特征参数，并对相应的裂缝特征参数进行误差分析，验证裂缝特征参数的有效性。研究结果表明：该方法预测出的裂缝特征参数与真实标记的参数误差相对较小，线性裂缝长度、最大宽度和平均宽度的相对误差平均值分别为-1.34%，1.08%，2.64%，网状裂缝面积和覆盖率的相对误差平均值分别为0.05%，0.07%，表明该方法检测精度相对较高，对混凝土结构的裂缝检测有一定的参考价值。

关键词： U -net Dice损失函数裂缝量化形态学非均衡数据集

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于集成学习的虹膜分割算法

引用

电子科技 2024年

作者：孙佳倩朱金荣张小宝张云恺龚卫娟扬州大学物理科学与技术学院

针对虹膜图像在分割过程中细节分割不准确、边界分割不圆滑以及易受噪声影响等问题，文中提出了一种基于集成学习的虹膜分割算法。相较于传统集成学习算法，基于皮尔森系数法选择合适的模型作为基学习器，从而提高集成学习的性能。选用U... 详细信息

针对虹膜图像在分割过程中细节分割不准确、边界分割不圆滑以及易受噪声影响等问题，文中提出了一种基于集成学习的虹膜分割算法。相较于传统集成学习算法，基于皮尔森系数法选择合适的模型作为基学习器，从而提高集成学习的性能。选用U2-net、DeepLabv3+以及PSPnet作为同质个体学习器在CASIA-Iris-Interval数据集上进行训练，并预测得到对应的虹膜分割预测结果。对预测结果进行CLAHE和Gamma校正等图像增强操作得到新的预测结果图，选取加权平均法作为集成算法将基学习器的预测结果进行集成学习，从而得到最终的虹膜分割预测结果。测试结果表明，在3个不同的评估指标下，相较于基学习器，所提算法的准确率提升了1%，平均交并比提升了3.8%，宏平均分数提升了2.4%，视觉效果和客观评价指标具有较好的分割效果。

关键词：虹膜分割集成学习学习器 U -net DeepLabv3+ PSPnet 皮尔森系数法图像处理

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于改进U-net模型的混凝土结构表面裂缝检测

引用

水利水电技术(中英文) 2023年

作者：程浩东李怡静李玥康胡强王姣江西省水利科学院南昌大学工程建设学院

【目的】背景复杂的混凝土结构表面裂缝连续性差、识别率低，基于深度学习的裂缝检测方法存在模型参数量大的问题。【方法】本文结合U2-net框架构建了一种聚合多尺度信息的轻量级模型U2-net＿Aggregation，用于复杂背景下的裂缝特征学... 详细信息

【目的】背景复杂的混凝土结构表面裂缝连续性差、识别率低，基于深度学习的裂缝检测方法存在模型参数量大的问题。【方法】本文结合U2-net框架构建了一种聚合多尺度信息的轻量级模型U2-net＿Aggregation，用于复杂背景下的裂缝特征学习。该模型通过增加跳跃连接，使得每个解码层均聚合该层以上所有浅层编码特征，以获得足够的特征细节，提升裂缝分割精度；利用深度可分离卷积(Depthwise Separable Convolution， DSC)对原本的残差模块(ReSidual U-blocks， RSU)进行改进提出了新的残差模块(RSU-DSC-ECA)，来降低聚合多尺度信息时带来的模型复杂度提升的问题，其中的通道注意力机制(Efficient Channel Attention， ECA)提升模型对裂缝区域的敏感性和对复杂背景的抗干扰能力。【结果】在三组裂缝数据集上进行消融试验，改进后的模型(U2-net＿Aggregation)相较于U2-net在准确率、交并比、综合评价指标上均有优异的表现。为了验证模型对复杂背景中裂缝的识别能力，利用无人机实地采集的某混凝土结构数据进行试验，其检测效果优于FCN、Segnet、U-net和U2-net。【结论】改进后的模型相比U2-net在召回率、交并比和综合评价指标方面分别提高了4.18% 、2.97%和2.03%，可借助无人机影像快速准确地检测出裂缝，为结构裂缝检测提供一种新的方法。

关键词：结构裂缝检测深度学习语义分割 U -net

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：