基于卷积神经网络的带钢表面缺陷检测算法

针对现有带钢表面缺陷检测方法准确率低、特征泛化性不强、参数多、识别速度慢等缺陷,基于卷积神经网络,采用DenseNet网络的密集连接算法解决梯度消失和梯度爆炸问题,堆叠式空洞卷积扩大卷积核感受野,深度可分离卷积减少网络参数量,提出一种用于带钢表面陷检测的深度神经网络模型Ds-DenseNet算法。以NEU带钢表面缺陷数据集为基础缺陷样本,加入正样本,并对其进行数据增强操作,创建AUG-NEU数据集,本算法在AUG-NEU数据集上的测试精度高达99.38%,参数量为117958,仅占DenseNet121和ResNet50参数量的1.7%和0.5%,识别速度高达1.3ms/frame,分别是DenseNet121、ResNet50识别速度的2.3倍和2倍,完全可以满足带钢生产线实时检测的需求。     

基于冗余小波和分水岭变换的肺结节识别

利用CT影像检测肺结节,已成为目前诊断和预防早期肺癌的主要方法.对肺结节的有效识别,是实现肺癌计算机辅助诊断的关键.本文根据医学影像的特点,提出一种基于冗余小波变换和分水岭变换的肺结节识别方法,该方法通过保持平移不变的冗余小波变换得到细节信息增强的影像,然后用基于有向欧式距离变换的分水岭算法实现对肺结节的分割.实验表明,该方法对CT序列影像进行肺结节识别可以得到良好的分割结果,从而为医生对肺结节的诊断提供更加准确的客观依据.     

肺结节自动检测算法研究

本文研究一种用于自动检测CT图像中肺结节的计算机辅助检测(CAD)算法.该算法首先从CT图像中分割出肺部区域,然后利用基于图像灰度分布的阈值方法提取出包含肺结节和血管的感兴趣区域(ROIs).在研究区分肺结节和血管的特征之后,利用基于规则的判别方法将感兴趣区域进行分类并提取出肺结节.运用本算法对232幅CT序列图像进行实验,实验结果表明运用该算法具有高达85%的检出率.     

基于格式塔理论多体位协同的肺结节检测算法

针对计算机在CT序列图像辅助检测肺结节方面漏检率和假阳率高的问题,提出基于格式塔理论多体位协同的肺结节检测算法。该算法模拟人眼认识事物过程,对轴位图像序列依次建立各向同性的矢状位和冠状位图像序列,再逐个对三体位进行平均密度投影(AIP)融入局部三维信息,最后利用肺结节特征对AIP图像进行检测,标记出肺结节区域。为检验算法有效性,以2名专业医师采用独立盲法标记的372个肺结节(直径2~5 mm)为检测参考依据。该算法检测检出率达到98%,假阳率为2%。依据参考,其中有2个疑似区域出现误检和漏检,后经医师复查确定算法检测结果正确。所以本算法可辅助医师对肺结节进行检测,并且低漏检率和假阳率。而对于灰度较弱且体较小的肺结节仍存在漏检的风险,需要后续进一步研究。     

基于平均密度投影和平移高斯模型的肺结节检测与分割算法

针对 CT图像中肺结节与血管粘连导致分割困难的问题,提出了一种基于平均密度投影和平移高斯模型的肺结节检测与分割算法。首先通过对二维CT序列图像作平均密度投影(AIP),融合局部三维特征生成AIP图像,然后利用阈值分割和形态学方法对结节轮廓进行粗分割,最后通过建立平移高斯模型来拟合肺结节,从而实现对肺结节的精确分割。对30个血管粘连性肺结节CT图像的实验结果表明,本文算法与专业医师标记区域的面积交迭度达到91%,能够实现对粘连型肺结节的有效分割,但对于灰度较弱且体积较小的肺结节仍存在漏检的风险,需要后续进一步研究。     

应用电子束CT低剂量扫描在冠状动脉CT成像病人中筛查早期肺癌

目的:探讨新一代电子束CT(e-SPEED)在行冠状动脉CT成像检查病人中联合筛查早期肺癌的扫描方法及应用价值。方法:对104例健康查体者先行肺部低剂量电子束CT扫描,扫描参数为130kV,895mA,50ms,层厚6mm,层距3mm,重建层厚3mm。平扫后再经静脉注射对比剂进行CT冠状动脉成像检查,其中48例(心率≥70次/分)行电子束CT扫描,扫描参数为Multiphase Dual方式,140kV,1010mA,100ms,层厚1.5mm;57例(心率<70次/分行16排螺旋CT扫描,扫描参数为120kV,370mA,500ms,层厚0.625mm。对比剂选用非离子型Ommipaque 350mgI/mL。肺平扫图像采用肺算法及标准算法重建,由两位放射诊断医师在工作站显示器上进行观察,统计病变检出例数并观察肺叶、段支气管显示情况;并对冠状动脉CT增强图像以VR、MIP、CINE、CTVE方式重建后进行观察,利用其薄层扫描的优势重点观察肺门结构及支气管开口情况,并观察可疑病变的强化情况。所有图像存贮至图像存储与传输系统(PACS)。结果:100%肺叶、段支气管可显示,共检出3mm以上非钙化肺结节4例,其中1例经活检证实为I期周围型肺癌。结论:在冠状动脉CT成像检查同时配合电子束CT低剂量平扫,适于联合筛查早期肺癌,并有助于提高肺内非钙化小结节及支气管细微病变的检出。     

基于迁移学习的高铁线缆扣件装配检测

为了判断高铁线缆扣件的装配是否正确,这里采用一种基于迁移学习的卷积神经网络的算法对高铁线缆扣件装配进行检测.首先将预训练的网络与目标检测算法相结合,建立完整的装配检测网络,然后对制作好的数据集进行训练和测试.实验结果表明,相比传统对象识别的方法,该方法不仅提高了工件装配检测的准确度,还保证了工业检测中对实时性的要求.另外,由于卷积神经网络可以获取工件图像的深层特征,从而使得目标检测算法更加稳健,更能适应光照、灰尘等环境噪声的变化.     

面向肺癌CAD的CT图像疑似病灶检测算法

CT图像中疑似结节病灶区域的分割和提取是肺癌CAD系统的关键和难点.本文提出一种疑似结节病灶自动检测算法,首先对原始CT图像进行有效、准确的肺实质分割,根据肺结节、气管和血管具有不同的几何特征,构造了一组不同尺度的类圆形结构元素,采用多尺度形态学滤波方法对ROI进行初始分割,再根据各ROI的大小构造相应尺度的二维高斯模板,对各ROI区域进行自适应局部高斯模板匹配,以进一步剔除假阳性.实验结果表明,该算法可以有效地提取出CT图像中类圆形的疑似结节病灶,具有较高的灵敏度和较低的漏诊率,可以为医生诊断早期肺癌病灶提供辅助信息.     

基于级联卷积神经网络的荧光免疫层析 图像峰值点定位方法研究

针对目前荧光免疫层析定量图像峰值点定位易受多种因素影响,导致物质定量准确度低的问题,提出了一种融合目标检测的级联卷积神经网络(CNN)算法。第一层级联算法首先使用经改进的AlexNet算法对荧光免疫层析定量图像中包含质控(C)峰和检测(T)峰的区域进行检测和提取。之后将提取到的图像区域送入第二层级联卷积神经网络中,对C峰和T峰的位置进行快速定位。随后将定位结果输入到第三层级联卷积神经网络中,对上一层输出的C峰和T峰的定位结果进行精准微调。最后输出C峰和T峰的准确定位信息。实验结果表明,提出的级联卷积神经网络算法,对荧光免疫层析图像峰值点的平均定位准确度达到了96%以上,提高了峰值点的定位准确度。     

迁移学习在热轧钢带表面缺陷分类中应用研究

为了提高热轧钢带表面缺陷分类的检测准确率和速度,同时鉴于热轧钢带缺陷的数据库规模较小,提出结合参数迁移学习的卷积神经网络模型,来解决少量样本导致网络过拟合和精度低的问题。使用源域的最优参数作为模型的参数初始化,节省训练的周期;构建训练目标域的神经网络模型,使用预训练模型网络中的参数和结构,对目标域进行特征迁移;进行finetune,结合inception-v3结构的全连接层映射到目标域所需要的特征向量维度。实验使用现有热轧钢带表面缺陷数据库中的图片,有6类缺陷。通过对比改进AlexNet模型和结合迁移学习的模型,在测试集的实验平均准确率分别约为96.6%,99.8%,分类效果优于传统视觉分类算法。并且在实验中观察到结合参数迁移学习的损失更小和权重收敛速度更快。     

Automated lung nodule detection and classification based on multiple classifiers voting

Lung cancer is the most common cause of cancer‐related death globally. Currently, lung nodule detection and classification are performed by radiologist‐assisted computer‐aided diagnosis systems. However, emerged artificially intelligent techniques such as neural network, support vector machine, and HMM have improved the detection and classification process of cancer in any part of the human body. Such automated methods and their possible combinations could be used to assist radiologists at early detection of lung nodules that could reduce treatment cost, death rate. Literature reveals that classification based on voting of classifiers exhibited better performance in the detection and classification process. Accordingly, this article presents an automated approach for lung nodule detection and classification that consists of multiple steps including lesion enhancement, segmentation, and features extraction from each candidate's lesion. Moreover, multiple classifiers logistic regression, multilayer perceptron, and voted perceptron are tested for the lung nodule classification using k‐fold cross‐validation process. The proposed approach is evaluated on the publically available Lung Image Database Consortium benchmark data set. Based on the performance evaluation, it is observed that the proposed method performed better in the stateof the art and achieved an overall accuracy rate of 100%.     

结合多尺度圆形滤波与MS聚类 的疑似结节分割

肺部CT图像中疑似病灶感兴趣区域(ROI)的准确分割是肺部计算机辅助检测/诊断(CAD)的重要环节。本文提出结合Hessian矩阵滤波的均值漂移聚类肺部疑似病灶ROI区域分割算法。对原图像进行多尺度Hessian矩阵圆形滤波,图像中圆形的疑似结节病灶区域得到滤波增强、直线形的气管/血管区域得到抑制,将Hessian矩阵滤波后的形状特征、灰度、空间位置3种信息引入特征空间,将均值漂移聚类的核函数分解为3种特征信息所分别对应的核函数乘积形式,最后采用自适应计算带宽的方法确定每个待分割疑似区域的带宽进行均值漂移聚类分割。对来自LIDC等127个包含不同类型肺结节的病例进行实验,实验结果表明引入Hessian矩阵圆形滤波信息的均值漂移聚类能够分割出与血管或气管相连或者交叉的结节区域,去除ROI中包含的非结节区域,能有效分割出基于灰度信息难以分割的毛玻璃型(GGO)结节;对于3种类型的结节区域:血管相连结节(VPN)、毛玻璃型结节(GG0)、孤立性结节(SPN)分割平均准确率分别为92.80%、86.13%、95.08%。     

多断层融合的肺CT肿瘤靶区超分辨率重建

针对由曝光不均、噪声等因素引起的病灶区CT数据漏检、边界模糊等问题,设计了一种多方向神经网络(NN)插值算法。通过融合各断层层内和层间信息,对病灶区进行精确超分辨率重建。首先,将预测网络拓展为多方向三维空间;然后,根据肿瘤特殊灰度分布特征,设计最优初始权值;最后,预测漏检数据,提高病灶区分辨率。将本文算法与当前具有代表性的3种超分辨率重建算法PCGLS法、180°线性插值、单方向神经网络方法进行比较,结果表明:本文方法实时性更好,迭代次数平均减少25.9%,重建图像病灶区定位更精确,空间分辨率更高,质心偏离度平均降低27.1%,中心偏离度平均降低23.0%,病灶面积平均减少21.5%,平均PSNR提高了1.59 dB。本算法不但适用于肺部CT图像,也可以根据具体图像特征推广到其他生物信号和遥感图像等领域中。     

基于深度学习的癫痫脑电不平衡分类方法

癫痫发作自动检测技术对癫痫患者的诊断和治疗具有重要意义。由于癫痫发作期持续时间较短,发作期与非发作期的脑电数据分布是不平衡的。针对该问题,本文提出了一种不平衡分类与深度学习相结合的癫痫发作自动检测方法。首先,为防止不同类别数据之间界限模糊,使用Borderline-SMOTE算法对1/3训练集做平衡处理;之后,设计了金字塔型的一维深度卷积神经网络,并利用平衡处理的训练集进行训练。与常见的二维卷积神经网络不同,本文构造的一维卷积神经网络减少了训练参数,提高了训练速率,能够有效地避免由于训练样本较少而造成的过拟合。在长达991小时的长程头皮脑电数据集上的实验表明,经过平衡处理后的检测效果得到明显改善,最佳敏感度达到92.35%,特异性达到99.88%,阳性预测率达到90.68%,阴性预测率达到99.91%。同时,与其他癫痫检测方法的比较表明,本文方法具有更好的检测结果,更加符合临床应用的要求。     

基于PCA和改进的BP网络的肺结节识别研究

提出了一种基于PCA和改进的BP神经网络的CT影像肺结节检测方法。将已经获取的肺部影像中肺结节和血管的特征数据经PCA处理后,应用改进的BP神经网络进行分类,经过竞争选择,获得分类结果。实验证明该识别方法实现简单、识别率高、训练速度与识别速度较快,训练好的网络有很好的分类能力。     

基于形态特征判别超声图像中乳腺肿瘤的良恶性

乳腺肿瘤超声图像的形态特征对判别肿瘤的良恶性具有重要的价值。为提高乳腺肿瘤超声诊断的准确率,提出一种基于其形态特征进行分类判别的计算机辅助诊断系统。该系统首先采用灰度阈值分割和动态规划相结合的方法提取超声图像中乳腺肿瘤的边缘,然后对所得边缘计算相应的三种形态参数,最后分别采用Fisher线性判据、误差反向传播神经网络和径向基函数神经网络对形态参数进行分类。该系统在157幅乳腺肿瘤(包括良性81例、恶性76例)超声图像上训练和测试,三种分类器均能取得较高的判别精度,其中误差反向传播神经网络和径向基函数神经网络的判别准确率、敏感性和特异性分别高达94.95 %、95.74%和94.23%。结果表明,基于乳腺肿瘤超声图像的形态特征建立的神经网络系统对肿瘤的良恶性具有较好的判别能力。     

一种CT图像的肺实质分割方法

为了实现计算机辅助诊断,解决自动化CT图像处理的问题,文中提出一种肺实质分割的算法.采用求直方图峰值间极小值的方法获取最优阈值,实现图像分割;在此基础上,采用空间滤波以及连通域标记法去除干扰得到肺实质区域.结果表明该方法能实现肺实质分割,解决了肺结节检测的预处理问题.     

采用改进遗传算法优化神经网络的双目相机标定

针对传统BP神经网络在双目相机标定过程中存在的迭代时间长、精度低等问题,提出了基于改进遗传算法优化BP神经网络的方法来完成双目相机标定。使用融合多格算法的Trajkovic算子进行角点检测,利用点对点空间映射和网格运动统计相结合的方法完成同名角点匹配,在此基础上,提取同名角点的像素值并计算其实际的三维坐标值。对遗传算法的交叉和变异概率及选择算子进行改进,利用改进后的遗传算法对BP神经网络进行优化,将像素值和三维坐标值分别作为BP神经网络的输入和输出,进而完成双目相机的标定。实验结果表明：优化前后的平均标定预测精度分别为0.66 mm和0.08 mm,其平均标定预测精度提高了88%。优化前后的标定测试迭代次数分别为736和169,优化后迭代速度提高了3.4倍。改进遗传算法优化BP网络在双目相机标定过程中取得较好的效果,满足了双目相机标定的要求。     

基于多分量卷积神经网络的多晶硅晶片颜色差异检测

具有复杂纹理的多晶硅晶片颜色差异检测是太阳能电池片制造过程中的一个挑战。针对传统的色差检测算法不适用于颜色差异类别变化大的场合,且分类结果不精确的问题,基于不同分量的颜色特征提出了一种多分量卷积神经网络的检测算法。通过分析多晶硅晶片图像在HSV颜色空间的特征分布,发现颜色特征在H、S和V分量中表现不同;基于全卷积神经网络,通过评估模型深度和卷积核尺寸大小对检测结果的影响来搭建最佳的网络结构;为了增强对不同颜色差异特征的区分能力,基于最佳的网络模型,构建了一个多分量的卷积神经网络模型。实验结果表明,多分量卷积神经网络的准确率、MCC值和F1Score值分别为92.28%、95.45%和94.03%,相比其他算法具有更高的检测精度。