基于CBAM-U-Net的全二维气相色谱streak目标分割.pdf
《基于CBAM-U-Net的全二维气相色谱streak目标分割.pdf》由会员分享,可在线阅读,更多相关《基于CBAM-U-Net的全二维气相色谱streak目标分割.pdf(4页珍藏版)》请在咨信网上搜索。
1、 2023 年第 11 期45计算机应用信息技术与信息化基于 C B A M-U-N e t 的全二维气相色谱 s t r e a k目标分割李 鑫1 李 波1 吴培德1 姚 为1LI Xin LI Bo WU Peide YAO Wei 摘要 针对全二维气相色谱(GCGC)图像中 streak 目标具有低对比度特点而难以分割的问题,提出了一种基于 CBAM-U-Net 的图像分割模型,所提出的模型在 U-Net 网络模型的基础上,通过在网络特征提取阶段嵌入 CBAM 注意力机制,来增强目标区域的特征信息,保留更多图像纹理。基于企业提供的全二维气相色谱数据集的实验结果表明,所提出方法的 Acc
2、、CPA、Dice 系数等方面均有所提升,分别达到了 98.80%、73.50%和 71.73%,说明融合 CBAM 注意力机制的 U-Net 模型能够有效提升对 streak 目标区域的分割精度。关键词 全二维气相色谱;streak;低对比度;U-Net;CBAM doi:10.3969/j.issn.1672-9528.2023.11.0111.中南民族大学计算机科学学院 湖北武汉 430074 基金项目 国家自然科学基金资助项目(61976226);中南民族大学科研学术团队资助项目(KTZ20050)0 引言全二维气相色谱图像1中包含丰富而复杂的信息,包括背景、peak 区域(peak
3、区域为化合物对应的峰)、随机噪声以及条带状的 streak 区域。streak 是全二维气相色谱数据的一种化学噪声,具有低对比度的特点,可能会严重影响对化合物成分进行精确检测和分析。因此,在全二维色谱图像中对化学噪声 streak 进行分割并去除,从而使得对化合物的检测及分析更加精确,具有十分重要的意义。语义分割是近年来的研究热点,深度卷积网络逐渐成为机器学习的主流模型,并用于图像分割领域。Jonathan Long 等人在 2014 年提出的 FCN2网络模型,该模型使用卷积层代替传统卷积神经网络中的全连接层,但是该模型引入了更多的计算量,并且对目标尺寸和形状的变化比较敏感,没有很好地适应不
4、同尺度和形状的目标。Olaf 等人于 2015 年在 FCN 的基础上提出了 U-Net 网络模型3,U-Net通过跳层连接,将底层的位置信息与深层的语义信息进行通道数的叠加,进一步提高了分割效果。与其他网络模型相比,U-Net 在保持准确性的同时具有较快的训练速度和较小的计算开销,因此,越来越多的研究者开始将 U-Net 应用于图像分割任务中。全二维气相色谱一般是用在对化合物进行定量检测和分析4,近年来在全二维气相色谱的 streak 检测与分割方面,9 陈田田.基于改进人工势场法的室内移动机器人路径规划研究 D.郑州:郑州大学,2019.10 张棹轻.动态障碍物环境下无人艇避碰方法研究 D
5、.哈尔滨:哈尔滨工程大学,2019.11 牟德君,初鹏祥.基于改进 A*算法的仓储环境 AGV 路径规划 J.自动化与仪表,2022,37(4):40-45.12 刘生伟,马钺,孟树峰,等.改进 A*算法的 AGV 路径规划 J.计算机应用,2019,39(S2):41-44.13 耿宏飞,神健杰.A*算法在 AGV 路径规划上的改进与验证 J.计算机应用与软件,2022,39(1):282-286.【作者简介】胡强(1997),男,安徽合肥人,硕士研究生,研究方向:路径规划。索会恒(1999),男,江苏邳州人,硕士研究生,研究方向:机器人 SLAM 与规划控制。吴剑(1975),男,湖北黄梅
6、人,硕士生导师,博士,副教授,研究方向:先进控制理论与应用。杨腾胜(2000),男,江西南昌人,硕士研究生,研究方向:机器人感知与规划控制。饶睿(1999),男,江西吉安人,硕士研究生,研究方向:目标检测。(收稿日期:2023-07-02 修回日期:2023-07-19)2023 年第 11 期46计算机应用信息技术与信息化公开发表文献较少。文献 5 采用高斯滤波器增强全二维气相色谱中弱对比度的 streak 目标,并通过标记分水岭算法对streak 区域进行分割,取得了一定效果。此外,由于 streak目标的特点,如具有一定的方向性和低对比度,该分割研究可以在一些具有相似特征的公开数据集的目
7、标分割工作中得到启发和借鉴,王彩云等人使用方向滤波弱化图像背景中的噪声,对视网膜血管进行分割6;董红月等人通过结合基于平衡注意力机制的模型对道路裂纹进行分割识别7等。以上的大部分模型都是在 FCN 模型的基础上进行了改进,一定程度上可以解决传统语义分割方法所面临的特征选择问题,但是,这些模型忽视了深层空间细节特征对图像分割产生的影响,因此在面对全二维色谱图像的复杂背景及streak 目标本身的特点时仍然存在着不足。针对如上问题,本文在 U-Net 网络模型的基础上,引入 CBAM8注意力机制,提出了一种基于 CBAM-U-Net 的图像分割模型,该模型能够保留图像更多细节,提高 streak
8、目标区域分割的准确度和模型的鲁棒性。1 模型及算法原理本文流程主要分为 3 个阶段。(1)对样本进行标注,采用线性变换9以及加入随机噪声10的方法对样本进行增强,制作训练图像数据集。(2)设计 CBAM-U-Net 网络模型,在特征提取网络部分嵌入 CBAM 注意力机制,加强对特征区域的提取能力适应streak 目标的尺度变化,并对模型进行训练分割。(3)通过与 U-Net 模型对比,验证设计的模型优良性。1.1 U-Net 模型U-Net 模型最开始是用来解决医学细胞分割任务的全卷积网络,它是基于 FCN 而设计出来的。因为其网络结构类似英文字母“U”,所以被称为 U 形网络。U-Net 网
9、络可以分为三个部分。第一部分为主干特征提取网络,在这部分会对输入的图像进行 3*3 的卷积和最大池化下采样处理,得到五个不同尺度的特征图像,从而初步提取出图像中的特征。第二部分为加强特征提取网络,采用了与第一部分操作基本对称的策略,即使用 3*3 的卷积和反卷积进行上采样处理,将图像恢复到原来大小。第三部分为预测网络,通过 1*1 的卷积层对上采样得到的最后一个有效特征层的每一个像素分类,达到输出分割结果的目的。U-Net 的核心操作在于连接主干特征提取网络和加强特征提取网络的跳层连接结构。这种跳层连接结构可以促进网络学习到更加丰富的特征信息,从而提高分割精度。然而,在 U-Net 的下采样过
10、程中,由于对应上采样位置的特征图大小不匹配,会出现信息丢失的问题。为了解决这个问题,U-Net采用了 concat 方法进行拼接。具体来说,它将下采样过程中提取的特征图与对应的上采样位置的特征图进行拼接,使得网络在上采样的过程中能够将不同层级的特征信息进行特征融合,从而更好地还原图像的细节信息,提高分割的精度。总之,U-Net 的跳层连接结构和 concat 方法是其实现优秀分割效果的关键技术,它们不仅可以提高特征的表达能力,还可以有效减少信息丢失,保证分割的准确性和稳定性。1.2 CBAM 注意力机制CBAM 是一种混合域的注意力模块,它主要用于图像分类、物体检测和分割等任务中。与其他注意力
11、机制相比,它同时运用了通道注意力和空间注意力,可以引导网络在特定的上下文中关注重要的特征和通道。在 CBAM 中,为了学习各通道的重要性,通道注意力采用平均池化进行特征映射,这样可以通过计算每个通道的均值来确定每个通道的贡献度。在空间层面上,CBAM 使用最大池化来学习各空间位置的信息,这可以帮助网络识别出空间位置上的关键特征点,并提高对整张图片的感知能力。通过对通道和空间上的注意力块进行特征融合,CBAM 可以得到良好的表现。(1)通道注意力模块在该模块中,首先,同时使用最大池化和平均池化的操作使得后续的卷积模块得到了注意力参照,然后,将这些信息连接到一个 MLP 中并进行处理,以获得每个通
12、道的权重系数,该权重系数表示该通道应该如何加权以优化模型的性能。通过实验对比11,验证了两种池化效果要明显优于单一地选择其中一种。(2)空间注意力模块该模块和通道注意力模块是互补的,空间注意力模块将通道特征重建后得到的特征图作为输入。首先通过最大池化和平均池化得到特征图,然后通过通道级联的方式将其拼接成有效的特征描述符,最后利用卷积层对特征描述符进行编码和融合,得到空间注意力模块信息权重。将通道注意力模块和空间注意力模块这两个注意力机制的结果结合起来,得到一个同时考虑通道和空间信息的增强特征图,使得模型能够适应图像细节纹理的变化,具有更高的精度。1.3 本文提出的 CBAM-U-Net 模型作
13、为一个高效的注意力模块,CBAM 可以方便地嵌入到各种深度学习模型中。为了提高对特征的提取能力,本文在U-Net 主干特征提取网络部分嵌入 CBAM 模块,最终模型结构图如图 1 所示。2023 年第 11 期47计算机应用信息技术与信息化图 1 CBAM-U-Net 模型结构本文首先将 CBAM 模块嵌入主干特征提取网络中的下采样操作中,这种嵌入方式是通过先嵌入通道注意力,再应用空间注意力来实现的。之所以采用这种方法,是因为通道注意力可以帮助学习到每个通道在特征图中的重要程度,进而使得那些重要的通道能够获得更多的关注,从而提高了特征提取过程的效果。然后利用通道注意力机制所学习到的通道的重要性
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 CBAM Net 二维 色谱 streak 目标 分割
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,个别因单元格分列造成显示页码不一将协商解决,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。