基于深度学习的糖尿病眼底病变检测研究

糖尿病不仅会增加视网膜血管疾病的风险，严重时甚至会发展成为糖尿病视网膜病变。糖尿病视网膜病变的4种典型病理特征是微动脉瘤、出血、硬性渗出物和软性渗出物。随着机器学习尤其是深度学习的发展，智能辅助诊断医疗已经成为一种趋势，智能辅助诊断的前提是可以定性定量地提取出相应的病变区域。提出了一种基于深度学习级联架构参数优化的眼底病变检测模型，该模型有效解决了眼底病变的多尺度和小目标问题，在DDR数据集上检测病变的综合测试精度达0.380，检测性能优于目前主流的检测网络。     

基于智能型面分析的抛光表面缺陷检测研究

工件的表面质量对零件可靠性、质量和使用寿命的影响至关重要。尽管各种基于计算机视觉的目标检测框架已经被广泛应用于工业表面缺陷检测场景，但由于面型的影响以及缺陷之间的混叠性，超精加工工件表面缺陷检测仍然具有挑战性。因此，提出了一种频率嵌入双分支参数预测网络来预测滤波参数，滤除掉型面信息从而使得缺陷特征更加显著。基于智能型面分析的预处理后，提出了一种基于级联区域神经网络感受野增强缺陷检测网络，将可变形卷积间隔地替换到高效网络的卷积模块中，有效地提高了主干网络特征提取的能力，然后重新选择特征图组成新的特征金字塔网络以提高效率，进一步提高网络性能。此外，还构建了具有滤波参数标注信息的滤波参数数据集UPP-CLS和具有缺陷类别及位置的缺陷检测数据集UPP-DET。模型在UPP-CLS上达到了85.36%的准确性，相较于现有网络提升3～5个百分点；在UPP-DET上达到了0.862的平均精度，相较于现有网络提升5.3%～7.8%。模型整体性能优于主流网络结构。源代码将在https：//gitee. com/zihaodl/detect＿app上开源。