关键词： 遥感影像   舰船   数据增强   目标检测   实例分割  

摘要： 面向高分辨率遥感影像数据的细粒度密集船舶识别和实例分割在多个领域,尤其是在国防安全、海上救援和港口管理等方面发挥着至关重要的作用。与人工识别方法相比,舰船目标识别与实例分割技术具有更高的精度,能够迅速应对多样化和复杂的应用场景,并实现对大规模数据的自动化高效处理。然而,当前细粒度条件下的舰船遥感数据分布不均匀且质量较差,复杂场景中细粒度舰船的多分类识别精度不足,实例分割存在信息损失与冗余计算瓶颈。因此,本文针对上述问题展开深入研究,提出了细粒度SAR影像数据集的构建方法、细粒度舰船遥感影像目标识别方法以及细粒度舰船遥感影像实例分割方法,主要研究成果总结如下: (1)针对现有的舰船遥感数据不均匀、数据质量差等问题,本文提出了一种新的细粒度SAR数据集构建方法。通过引入扩散模型和泊松融合,该技术重复利用现有数据资源,显著改善目标识别与实例分割模型的预测精度,降低了额外标注成本,尤其适用于小样本目标识别和实例分割任务。本研究基于真实场景下的数据集,利用上述策略建立了细粒度SAR影像数据集,通过不同方法在两个数据集中进行了对比实验分析。实验结果显示新构建的数据集在主流模型中的表现优于原数据集,表明了数据集构建与预处理方法的有效性。 (2)针对传统目标检测方法在细粒度多分类任务识别精度低的问题,本文提出了一种改进的有向区域生成网络模型的船舶目标识别方法,并引入了级联结构来提升模型的性能。级联结构通过多级特征融合的方式,能够在不同层次上对图像进行处理,从而在全局和局部层面上捕捉到更丰富的船舶特征。通过引入级联结构,模型能够识别出船舶的不同类型和状态,进一步增强了船舶识别的准确性和鲁棒性。通过在真实数据集上进行消融实验分析,并与多种目标检测模型进行对比实验分析,表明了该方法在提升检测精度方面的有效性。 (3)针对传统实例分割方法中候选框冗余信息较多、在图像下采样与上采样过程中信息损失较大等问题,本文提出了一种基于离散余弦变换的频域特征解耦编码方法。该方法通过建立频域注意力引导的特征重建模型,在保持船舶图像信息完整性的同时,显著降低细节特征的衰减程度。进一步构建多粒度解析架构,实现了船体拓扑结构、舰型特征参数及姿态估计等关键属性精确分析。通过在真实数据集上进行消融实验分析,并与多种实例分割模型进行对比实验分析,表明了该方法在提升分割精度方面的有效性。

关键词： 低秩建模   新型张量分解   高维数据复原   数据压缩  

摘要： 随着图像采集设备性能的提升,获取的图像数据的规模与维度不断扩展,如多光谱图像、彩色视频和光场图像等。然而,受设备限制和环境影响,高维图像往往存在噪声污染或信息丢失等退化现象。同时,随着数据规模和维度的持续增长,数据的存储和传输成本也显著上升。因此,高维图像的复原和压缩至关重要。图像复原旨在从受损图像中恢复高质量图像,而图像压缩则用于更高效地存储和传输这些图像。由于高维图像通常包含大量冗余信息并呈现全局相关性,低秩已成为其处理中的重要先验假设。本文旨在基于高维数据的低秩结构特征,构建新型张量低秩优化模型,并开发相应的高效求解算法,以解决现实场景中的高维图像处理问题。具体研究内容和创新点包括: 1.提出了全连接张量网络核范数作为全连接张量网络分解的秩的凸松弛,以便于建立严格的复原理论保证。该范数具有良好的可解性,同时也避免了实际应用中全连接张量网络分解的秩参数选择问题。基于该核范数,构建了鲁棒张量填充优化模型。为求解所提模型,设计了一种基于交替方向乘子方法的高效算法,并严格证明了该算法的全局收敛性。此外,从理论上建立了该优化模型的精确复原保证,为全连接张量网络核范数在鲁棒填充任务中的优越性提供了坚实的理论支撑。数值实验结果表明了提出的方法的复原效果优于基于其他张量核范数的方法。 2.提出了秩自揭示全连接张量网络分解,可自适应且高效地为高维数据估计合适的全连接张量网络秩。与基于自适应搜索秩的方法相比,秩自揭示全连接张量网络分解方法无需任何搜索或评估过程,其成本几乎可以忽略不计。基于提出的分解,构建了高维数据填充模型,并设计了基于邻近交替最小化方法的求解算法。数值实验结果表明了提出的方法在高维数据复原任务中的有效性和高效性。 3.提出了广义张量乘法,以更精确地刻画高维数据在某些模上的复杂相关性。该乘法作为一种通用性更强的运算方式,在特定情况下可退化为经典的模6)张量-矩阵乘法和模6)张量-张量乘法。基于广义张量乘法,构建了一个广义张量分解框架。该框架不仅涵盖现有的多种张量分解,还导出了多个新颖的广义张量分解,为理解不同张量分解之间的关系提供了新的理论视角。相比于仅能刻画单一类型相关性的现有张量分解方法,该框架所提出的新型广义张量分解能够更灵活地适应具有复杂相关性的高维数据。基于新型广义张量分解,设计了一种高维数据压缩算法。数值实验结果验证了提出的方法的压缩性能优于现有的张量分解。 4.提出了带有纤维秩约束的三方向张量奇异值分解,以解决纤维秩的凸松弛和非凸松弛对其逼近不佳的问题。针对带有低秩结构的噪声(如条带噪声和坏线),引入图像的非局部自相似性先验,提出了一种基于张量低纤维秩约束和块匹配3D协同滤波正则化项的高光谱图像混合噪声去除模型。为求解该模型,设计了基于交替方向乘子方法的高效算法,并提出三方向随机张量奇异值分解以快速求解低纤维秩约束子问题。数值实验结果表明了提出的方法在混合噪声去除和图像细节复原方面均优于对比方法。

关键词： 煤泥浮选   泡沫图像   深度卷积神经网络   灰分分类预测   泡沫特征  

摘要： 煤泥浮选是煤炭加工与利用中应用最广泛的一种方法。通过提取浮选泡沫图像的各种特征信息,如气泡形态、纹理、动态等特征参数来分析浮选过程的优劣,能够实时反映浮选工况的波动,为生产操作调整提供参考依据。然而,浮选作业现场条件复杂,由于粉尘弥漫、光线分布不均以及水汽干扰等因素,实时获取的泡沫图像往往存在显著的噪声干扰和清晰度不足的问题。并且煤泥泡沫图像前后背景不明显,这对于泡沫图像的特征提取与基于泡沫特征的浮选工况识别带来了困难与挑战。 以内蒙古某大型选煤厂的煤泥浮选过程为研究对象,本文针对上述泡沫浮选存在的问题,系统探究了煤泥浮选过程中泡沫图像由于多种模糊和噪声引起质量退化的原因,设计了基于深度学习的泡沫图像清晰化和亮度增强算法,并对增强后的泡沫图像进行分割,提取泡沫图像的形态特征,将其用于浮选精煤灰分的分类预测。论文的主要研究内容、采用的方法和结论如下: (1)由于受到浮选生产环境、泡沫流速、图像采集和传输过程的干扰,泡沫图像受到不同程度的损失,存在着模糊的现象。针对工业现场采集的煤泥泡沫图像存在的不同模糊问题,本文深入解析了煤泥浮选泡沫图像的清晰特征和模糊特征,设计了一种基于解耦特征表示的双编码器网络架构来实现泡沫图像的去模糊。研究结果显示,在NIQE(提升21.9%)、BRISQUE(35.2927)等关键指标上显著优于对比方法。该方法能够对煤泥泡沫图像进行有效的去模糊处理,恢复煤泥泡沫图像的纹理特征,为后续煤泥泡沫的视觉特征提取提供了高质量的图像。 (2)受光照、水汽等因素的影响,现场获取的泡沫图像具有亮度、对比度较低以及图像灰度不均的问题。因此,在对采集的泡沫图像进行去模糊处理后,本文提出了一种基于多尺度卷积神经网络的泡沫图像亮度增强算法。该算法通过设计具有两层卷积网络及求和连接组成的跳跃连接结构的网络,结合创新的对数变换损失函数,有效提升了图像质量。在煤泥浮选泡沫图像数据集上的实验表明,在关键指标上显著优于对比算法,标准差达到0.258,对比度提升48.9%至142.58,熵值保持5.19的较高水平。该算法能够对对比度低的泡沫图像具有良好的图像增强效果,为煤泥浮选泡沫图像的特征提取和品位分析提供了清晰的图像数据。 (3)针对泡沫图像泡沫形状不规则且粘连、背景复杂的特点,且传统分割算法难以取得良好分割效果的问题,在对泡沫图像进行去模糊和亮度增强处理后,本文提出了一种采用多尺度残差网络的方法来实现煤泥泡沫图像的分割。通过多尺度残差架构和混合注意力机制,结合本文提出的三种关键模块,分割网络能够有效捕获全局和局部特征信息来提高分割网络的性能。在煤泥泡沫图像数据集的分割实验中,本文模型的m Io U达到94.44%,DSC达到97.14%,Acc达到94.98%,均优于对比模型,表明该算法能完成对煤泥浮选泡沫图像的精确分割,从而为浮选工况智能监测提供了可靠的技术手段。 (4)针对煤泥浮选泡沫图像提出一种基于双分支卷积神经网络的浮选精煤灰分分类预测方法。该方法创新性地结合了Res Net101和VGG16两种深度卷积神经网络的特征提取能力。区别与传统意义上的灰分建模方法,本文提出的预测方法在各个灰分区间的分类正确率均超过90%,这表明所提出的预测模型在煤泥浮选精煤灰分分类任务中展现了出色的分类精度和良好的泛化性能。 (5)本文将泡沫图像清晰化、亮度增强、泡沫分割以及灰分分类预测等关键技术整合为一个煤泥浮选泡沫图像处理与分析系统。这一系统利用深度学习和机器视觉技术,能够对采集的图像数据进行处理与分析,提取泡沫的关键特征信息,实时反馈浮选工况状态,为浮选过程的智能化提供了坚实的技术支撑。

关键词： 小目标检测   Detection Transformer   轻量化   注意力机制   特征融合  

摘要： 目标检测是计算机视觉中的核心任务之一,在无人机检测与遥感图像分析等应用中具有重要价值。然而,这些场景中广泛存在的小目标由于分辨率低、像素占比少、易受背景干扰,导致现有方法面临局部细节辨识度低与全局语义关联性弱的问题。基于卷积神经网络的方法受限于固定感受野,易漏检;基于Transformer的方法虽然增强了全局建模能力,但计算复杂度高,难以在资源受限平台部署。因此,有限资源条件下实现高精度的小目标检测成为亟需解决的技术难题。本文以经典的DETR(Detection Transformer)系列算法为例,聚焦于小目标检测展开深入研究,具体研究工作涵盖: (1)针对基于Transformer的方法计算开销大的问题,提出一种基于高效局部-全局融合注意力的目标检测算法(Efficient Local-global Fusion Transformer,ELFT)。在特征提取阶段设计高效局部-全局融合注意力机制,强化小目标的位置特征与细节信息提取,解决小目标漏检问题。在编码器中设计分组特征更新模块,通过组内交错更新高级特征和低级特征,减少计算量。在前馈神经网络中引入上下文广播模块,有效地捕捉和整合全局上下文信息,增强模型的表示能力。 (2)针对小目标检测任务中特征提取不充分、边缘信息易丢失以及在资源受限设备部署困难的问题,提出基于轻量主干网络Star Net与空-频域融合的检测算法Star DETR。设计改进的Star Net主干网,利用风车状卷积模块扩大感受野,增强小目标的特征提取能力。在主干网之后构建傅里叶卷积混合器模块,通过快速傅里叶变换融合多尺度空间特征与频域全局特征,提升对小目标边缘信息的提取能力。并重新构建编解码器中的前馈神经网络,利用低秩分解技术将全连接层权重矩阵分解为低秩子空间,进一步降低计算复杂度,实现模型轻量化。 实验结果表明,在公开数据集NWPU VHR-10、RSOD和PASCAL VOC2007上,ELFT的m AP分别达到了94.3%、95.8%和85.3%,相比基线算法,参数量减少了10.4%,计算量降低了22.7%。Star DETR参数量减少了46.0%,计算量降低了36.7%,m AP@0.5分别提升至94.7%、97.9%和85.5%。本研究在提升小目标检测精度的同时,显著降低模型复杂度,为资源受限设备部署提供了有效解决方案。

关键词： 絮团测量   YOLOv7模型   深度学习   目标检测   图像处理  

摘要： 针对传统图像处理方法在细颗粒泥沙絮团测量中易受失焦颗粒干扰、效率低、处理参数有较大主观性的问题，基于YOLOv7模型框架，提出一种基于深度学习模型的自动化图像处理模型(YOLO-floc)。基于构建高分辨率CCD相机系统，结合YOLO-floc模型实现絮团边界的精准定位和失焦颗粒的有效剔除，最终得到絮团尺寸、分形维数等相关信息，并进行了两组验证实验。结果表明，模型在不同粒径玻璃珠及微塑料颗粒的尺寸测量中，与手动方法测量结果高度一致，且能定量分析蒙脱石微粒在絮凝过程中絮团粒径的演变规律。研究验证了该方法在实验室条件下的可靠性，将深度学习模型应用于泥沙絮团测量领域，为泥沙输移、污染物迁移等研究提供了高效、高精度的技术支持。

关键词： 木材缺陷检测   力学性能预测   深度学习   YOLOv12   多输入残差网络   非破坏性检测  

摘要： 木材作为绿色环保的天然材料,在家具生产、建筑构件制造与装配式木结构住宅等产业中应用广泛。实际生产中,木材表面缺陷严重影响产品的外观质量与后续加工工艺,而木材机械性能则直接关系到木结构件的安全性与使用寿命。鉴于此,本文以工业现场实际需求为出发点,提出一种基于计算机视觉技术的两阶段智能评估方法:首先针对目前木材表面质量检测主要依赖人工目测,效率低下、主观性强、难以满足规模化生产的自动化需求的问题,提出一种高效、准确且实时的木材表面缺陷自动检测技术,以初步筛除不适合进一步加工的木材;其次,针对传统机械性能评估方法大多为破坏性试验,导致材料浪费和检测成本高昂,难以满足现代工业非破坏、高通量的检测需求的问题,对表面视觉检测合格但机械性能存在潜在风险的木材提出一种精准、高效且非破坏的木材机械性能预测方法。 针对木材表面缺陷检测阶段,本文基于YOLOv12目标检测网络,提出一种适用于小目标缺陷识别的轻量化改进方案。通过引入特征精炼前馈网络（FRFN）增强浅层特征表达能力,采用动态归一化机制（DyT）提高小目标特征响应强度,并在检测头设计了小目标感知注意力机制（PPA）,形成了 A2C2fFRFNDyT模块与DetectPPA模块,实现缺陷检测网络的端到端优化。实验结果显示,所提模型在木材缺陷数据集上取得了 83.7%的mAP50与较快的推理速度,兼具精度与实时性,满足工业现场实时检测需求。 针对木材机械性能预测阶段,本文构建了一种融合木材表面图像信息与结构性参数的多输入残差神经网络,实现对木材机械性能的精准预测。网络采用双通道分别提取图像特征与数值特征,并通过特征融合与残差学习机制强化建模能力。在自建的数据集上进行实验,结果表明本文模型在MOE与MOR预测任务中分别获得R2=0.95与R2=0.85的优异性能,平均绝对误差显著低于对比模型,验证了图像信息在性能预测中的有效性。

关键词： 图像处理   语义扩散   背景重建   区域自动标注  

摘要： 随着智慧城市建设的不断推进,城市智能监控管理系统对应用算法提出了更高的要求,而任务区域的标注准确性,直接影响到目标检测、行为分析等核心任务在任务区域内的表现效果。然而,在大规模、动态视角下,实际场景中的前景遮挡容易导致区域的自动标注结果产生偏差,进而影响后续智能化应用的整体效果。针对这一问题,本文围绕前景遮挡区域的重建展开研究,旨在消除前景遮挡对区域标注的影响,实现区域的自动标注,为智能化应用提供支持。本文主要完成以下三方面工作: (1)针对道路车载视角和俯视视角场景,本文研究并分析了不同视角下的语义信息提取方法,分别采用U-Net网络和PLSA模型提取图像语义信息,实现了前景遮挡区域与静态背景区域的划分,为后续背景重建提供输入支持。 (2)针对基于背景模型的传统背景重建算法难以处理长期静止目标的问题,本文提出了一种基于语义扩散的背景重建算法(Semantic Propagation for Background Reconstruction,SPBR),用于重建前景遮挡区域。该算法依次针对单一语义遮挡区域和多语义遮挡区域进行背景重建,通过引入加权因子,利用待重建区域周边的背景信息,实现前景遮挡区域的一致性重建。实验结果表明,SPBR算法在PSNR和SSIM指标上均取得较好结果,可以恢复遮挡区域的背景信息,为区域标注提供重建图像支持。 (3)针对区域标注框的获取和优化问题,本文设计了一种基于重建图像的区域标注算法,用于对不规则区域进行自动标注。该算法首先采用分水岭算法对SPBR算法生成的重建图像中的不规则背景区域进行分割,为后续标注框优化提供更合理的初始条件。随后通过模拟退火算法迭代优化标注框,最大化标注框内部的目标区域占比。实验验证了初始标注框、扰动大小、初始温度和降温率等关键参数对优化效果的影响。结果表明,该区域标注算法在多视角场景中均具有较好的标注效果,解决了标注框与不规则区域边界拟合不准确的问题。 通过结合背景重建算法和区域标注算法,本文实现了前景遮挡区域的重建,为多视角场景下的区域自动标注提供了一种可行的解决思路。

关键词： 伪装目标检测   注意力机制   边界线索   RGB-D   特征交互  

摘要： 伪装目标检测(Camouflaged object detection,COD)旨在识别与分割出将自身嵌入周围环境中的物体,在医学、军事、工业以及农业等多个领域有着重要的实际应用价值。本课题围绕现有的基于深度学习的COD模型开展了深度调研,发现其仍然面临两大核心挑战:(1)在检测多尺度目标时存在目标的边界轮廓模糊问题;(2)在复杂场景下检测强伪装目标时缺乏目标的完整性问题。为了进一步提升COD算法的性能,本文针对上述问题,以注意力机制和边界线索为引导以及RGB-D图像中的深度信息为补充,分别提出如下解决方案: (1)针对单模态RGB图像的COD中模糊边界的挑战,本文提出了基于注意力机制与边界线索共同引导特征交互的COD模型,以充分挖掘主干网络特征中的边界信息,同时通过边界信息的监督引导,探索全局和局部上下文信息之间的多层次特征,以促进更完整的检测。具体来讲,首先,通过多分辨率特征增强模块对每一层特征进行增强与优化,以保持高质量的细节信息;其次,通过一个注意诱导边缘感知模块从增强的特征中有效地建模边缘特征,利用边缘信息引导后期多层特征的聚合以及帮助网络进行边缘轮廓的细化。最后,设计了一个边界引导特征交互模块来同时探索全局和局部上下文信息之间的多层次特征,实现多级、多层特征的有效聚合。在3个基准数据集上与现有的15个先进模型相比,大量的实验证明所提的模型表现出了优异的性能,对于多尺度目标和边界模糊的目标具有良好的检测效果。 (2)针对在复杂场景下检测强伪装目标的挑战,本文提出了基于边界引导的RGB-D COD模型,通过边界信息和深度信息为引导,分别从全局和局部、空间和通道的角度探索双模态特征的互补性,使其充分交互得到更具判别性的融合特征。具体来讲,首先,利用多尺度特征增强模块融合同一模态下不同尺度的特征,为多模态融合提供丰富的语义信息和细节信息;其次,引入了一个跨模态特征交互模块,该模块旨在有效地融合RGB特征和深度特征,帮助网络定位并突出伪装目标;最后,设计了多尺度上下文特征聚合模块,通过提出的解码器级联策略来聚合高级特征与低级特征,从而迭代生成更加完整的伪装目标预测图。大量实验证明,与现有的15个先进模型相比,所提方法提升了对复杂环境下强伪装目标的检测性能。

关键词： 四目相机   图像配准算法   目标检测   YOLO识别  

摘要： 机场跑道异物(Foreign Object Debris,FOD)指的是遗落在机场跑道上并威胁飞行安全的外来物体,未及时清理会导致严重的航空事故,因此对FOD检测识别的研究具有重要应用价值。针对机场跑道异物检测需求,本研究设计了一种车载式巡检装置,该系统集成视觉传感器与信息处理模块,构建融合传统图像检测与深度卷积神经网络的混合式识别框架,重点解决微小目标识别与实时响应等关键技术难题,最终实现FOD的精准定位与智能分类。主要研究内容如下: (1)根据车载式跑道异物识别系统的特点,设计一种多目视觉协同采集架构,采用四目同步触发机制替代传统时序差分法的单目序列采集模式,通过多视角图像叠加实现目标反射特性的信号能量累积,强化微小异物的体积特征表达,以便进行图像分割完成目标检测,最后根据检测结果进行异物识别,完成FOD危险等级划分。 (2)针对图像配准与目标检测精度低、易受噪声干扰的问题,提出一种改进多目配准算法及双通道并行处理架构的异物检测策略。为了解决尺度不变特征变换(Scale Invariant Feature Transform,SIFT)算法在采样视角变化大情况下配准效果差的问题,提出改进仿射不变特征变换(Affine Scale Invariant Feature Transform,ASIFT)配准策略,提高特征点检测数量与准确度。在此基础上,设计动态权重随机抽样一致算法(Random Sample Consensus,RANSAC),通过引入临时模型预检测机制有效剔除误匹配样本,动态调整采样概率以加速模型收敛。聚焦于多视角影像的异物检测难题,本研究提出基于对角线差分增强的特征提取方法,同时引入交并比计算与双阶段阈值算法,有效剔除由单一视角噪声或外部环境干扰导致的误检。以上改进方法在实验中展现了良好精度和效率。 (3)为减少跑道占用时间并准确判断异物危险等级,研究了基于YOLOv8的改进异物识别方法。针对传统检测难以应对跑道异物复杂形态特征及小目标高占比场景时存在的局限性,引入Faster Block模块与指数滑动平均(Exponential Moving Average,EMA)注意力机制,降低计算复杂度并提升特征提取效率。设计重校准特征金字塔网络,结合空间双向注意力(Spatial Bidirectional Attention,SBA)模块及小目标检测层,增强多尺度特征融合能力。采用Slide Loss损失函数,平衡样本不均问题并聚焦难例学习。通过上述改进,模型实现了异物的精准识别与危险等级划分,为快速、合理处置提供有效支持。 (4)设计并实现了FOD识别系统的硬件架构与算法框架。基于Py Charm集成开发环境构建了包含目标检测、智能识别与风险划分的软件体系,采用计算机视觉算法实现视频流实时解析、异物检测与分类识别等功能。

关键词： 人工耳蜗植入手术   深度学习   超分辨重建   图像分割   路径规划  

摘要： 人工耳蜗植入手术能够帮助重度感音神经性损失患者重新恢复听力,手术常采用的入路方式为乳突—面神经隐窝入路,该方式需要切除乳突,通常导致较大的手术创伤并增加并发症风险。另一种入路方式为直达耳蜗入路,基于图像引导在乳突表面直接钻制一条到达圆窗附近的电极植入通道。这种手术方式创伤更小,但需更高的操作精度以及精准的植入路径规划,以避免损伤面神经等关键结构。为了实现机器人辅助的直达耳蜗入路术式,减小手术创伤,本课题开展了面向人工耳蜗植入手术的术前图像处理算法和入路规划算法研究,用于提供人工耳蜗植入机器人系统精准术前规划方案。 本课题以人工耳蜗植入手术的术前颞骨CT图像为研究对象,首先针对耳蜗等关键结构在低分辨CT中难以准确识别的问题,分别提出了用于二维医学图像和三维医学图像超分辨重建的深度学习网络,以实现高分辨率CT图像的重建。在颞骨CT数据集及两个MRI数据集的测试结果表明,所提出的两个网络均取得了优于其他超分辨网络的重建指标,展现了良好的超分辨重建效果。 为了定位植入路径周围耳蜗、面神经、半规管、听小骨和前庭等关键结构,以UNETR++网络为基础提出了一种改进的三维医学分割网络,并在颞骨CT真实标签上进行训练和测试,实现了耳蜗等结构的有效分割。通过比较超分辨重建图像和原始图像的分割结果,验证了超分辨重建的图像能够用于耳蜗分割任务。 在分割图像的基础上,提出了一种植入路径规划算法。首先建立耳蜗坐标系,实现了电极植入路径目标点圆窗的初步定位。然后以路径和面神经的最小距离为约束条件,对初始路径和理想路径之间的空间角度进行迭代,得到最终植入路径起始点。通过在原始颞骨CT图像分割标签、分割结果和超分辨重建图像的分割结果上进行规划实验并比较,验证了规划算法的可行性以及分割算法在规划任务上的适用性。 最后,将所提出的算法应用在真实头颅标本的术前颞骨CT图像中,实现了真实标本图像的超分辨重建、耳蜗等结构分割和植入路径规划,并结合人工耳蜗植入机器人在头颅标本上开展了电极植入通道钻制实验,通过分析术后CT图像验证了所钻取的实际植入通道满足手术安全要求。