简介:摘要:为了准确检测小麦外观品质,首先需要利用图像处理技术对采集的小麦图像进行分割,将小麦与背景分割开,粘连的小麦图像分割为单粒小麦,针对单粒小麦进行理化指标检测,因此图像分割成为小麦品质检测中至关重要的环节。但是在实际稻小麦图像分割时,存在着小麦粒本身不规则,整粒与碎粒混合以及小麦粒大小参差不齐等问题,使得在实际小麦粒图像分割过程中分割困难。本文简要陈述了目前粮食无损检测的重要性,综述了模糊C均值、分水岭算法、凹点匹配等传统图像处理方法,以及CNN、U-Net、Mask R-CNN等深度学习算法在小麦图像分割中的应用与优缺点。通过算法优化,提高了复杂粘连小麦图像的分割精度,推动了小麦品质检测的自动化进程。
简介:摘要:肺炎是一种常见且严重危害人体健康的呼吸系统感染疾病,CT影像不仅能直观地显示病变部位,还可提供诸如病灶形态、密度等信息,在早期发现和治疗过程中发挥着重要作用,也是医生了解病变程度和患病细节的常见手段。在卷积神经网络的基础上,开展肺部病变的判断以及病灶区域的分割定位研究,可以大幅提高诊疗速度,协助医生准确诊断和定位肺炎病变区域。目前的肺炎辅助诊断方法多将分类与分割算法的实施截然分开,区别于目前多将分类与分割算法实施截然分开的肺炎辅助诊断方法,研究了在通用卷积神经网络的基础上完成快速分类任务的实现方法,在专业人士的参与下标注并建立了用于肺炎病灶区域分割的数据集,并利用U-Net及相关改进网络模型,在训练集规模较小的情况下可完整勾勒出肺炎病灶的边缘,并获得到相对较高的分割精度。实验结果表明,通过在所处理的近300张数据集上进行实验,可以得到近85%的准确度。