基于改进Mask RCNN的工程车辆分割算法

针对输电通道下施工车辆与输电线之间距离难以计算、工程车辆检测精度较低等问题,提出一种改进Mask RCNN的工程车辆分割算法.首先将特征提取网络中的卷积替换为动态卷积,使网络训练时可以根据输入图像及时调整卷积核的大小,有效提高模型性能;然后在网络中添加NAM注意力机制,提高网络对工程车辆的关注度;最后修改特征融合网络为ssFPN,防止特征融合时信息丢失,加强语义融合,提高模型检测精度.对比试验结果表明,与改进前基于ResNet50的Mask RCNN算法相比,改进后算法提高了对工程车辆的检测精度,mAP提高了4.1%,后续处理得到的车辆轮廓精确,证明了改进后算法的有效性.     

基于Mask R-CNN的荧光编码微球图像检测方法

为降低荧光编码微球技术的应用成本,提出了一种基于Mask R-CNN目标检测算法的荧光编码微球图像检测方法.首先基于TensorFlow和Keras深度学习框架搭建Mask R-CNN网络模型,整体网络由特征提取网络,候选区域生成网络和分支处理网络3部分构成;通过有标注定性图像样本集训练网络模型,并使用合成图像实现训练集数据增强;将待检测定性图像样本输入训练完成的网络模型获得定性图像的语义掩膜.实验结果表明,对于单色和双色微球定性实验图像,平均检测准确度分别达94.17%和95.96%,可实现荧光编码微球定性图像的边界框检测、分类以及语义掩膜生成.     

基于可变形部件模型的遥感影像船只检测方法

提出了一种基于混合可变形部件模型的船只检测方法.该方法采用基于梯度方向直方图(HOG)特征的可变形部件模型(DPM)来描述船只,在HOG特征金字塔空间通过滑窗方式检测目标.基于HOG特征的DPM不具有方向不变性,因此根据船只目标特点,分别从模型训练阶段和目标检测阶段进行改进.在模型训练阶段,为了减少模板数量,将所有船只样本旋转到相同方向进行参数学习;在目标检测阶段,将兴趣区旋转至特定方向后进行模板匹配,实现遥感影像上任意方向的船只检测.利用该方法在高分二号光学遥感影像上进行船只检测,实验结果表明此方法可以有效检测船只.     

基于深度学习的盾构隧道渗漏水病害混合样本集构建与精细分割

渗漏水病害是盾构隧道运营期间最为常见的一种表观病害，对隧道结构安全与周边地层稳定具有不利影响.基于深度学习的图像病害识别方法，构建了包含检测装置与人工巡检两种方式采集图像的混合样本集.以平均准确度为评估指标，训练得到Mask R-CNN深度学习模型的分割准确度达到0.447,优于原样本集(0.386)与扩容样本集(0.403).考虑隧道渗漏水病害形态复杂的特点以及不同病害间较大的特征差异，进一步采用条件卷积动态生成的分割模型参数代替Mask R-CNN模型中静态的模型参数，提高了模型的分割速度与精度.以每秒运算图像数量(Frames Per Second, FPS)为评估指标，模型分割速度由7FPS提升至10FPS,且分割结果与病害真实轮廓更为接近，从而有利于对渗漏水病害的严重程度进行量化分析.     

基于机器人视觉系统的物体检测技术探究

机器人视觉系统的物体检测,是指依托人工智能深度学习技术、卷积神经网络模型,对某一图像内的目标特征点、边缘稳定的极值点等作出检测,预测图像像素点在立体空间中的具体位置、物体尺度特征。而原有的AlexNet分类检测模型、RCNN位置框定模型、Fast RCNN卷积训练模型,对空间物体的视觉图像检测来说,存在着结构复杂、检测时间长等缺点。基于此,在卷积主干网络、区域网络背景下,可利用Faster RCNN算法模型、特征点描述检测子,对框定区域的物体图像信息、公开数据集进行筛选、模型训练等检测,以增强固定视觉网络下物体检测的实时性,提高检测质量。     

基于深度学习SCNet的钢筋混凝土锈蚀裂缝识别

为提高钢筋混凝土锈蚀裂缝检测分类的效率和精度，提出了一种基于深度学习卷 积神经网络（Convolutional Neural Network，CNN）的钢筋混凝土锈蚀裂缝识别模型 SCNet（Steel Corrosion Net）. 首先通过原始数据采集和数据增强构建了39 000张图片的裂缝数据集，然后利 用 TensorFlow 学习框架和 Python构建神经网络模型并进行训练测试，根据模型的训练精度和 测试精度进行网络结构和网络参数的优化，最终将 SCNet识别模型与两种传统检测方法进行 对比 . 结果表明：文中所建立的 SCNet三分类神经网络模型达到了 96.8%的分类准确率，可以 有效识别分类钢筋混凝土锈蚀裂缝，并且具有较高的准确率和可测性；在图像数据有阴影、扭 曲等噪声干扰的条件下，两种传统检测方法已不能达到理想的分类效果，SCNet模型仍能表现 出相对稳定的分类性能.     

基于神经网络的输电线路故障识别方法

针对长期暴露在露天环境下输电线路容易发生开股、断股情况,提出了一种基于神经网络的输电线路故障识别方法,选择轻量级网络MobileNet训练模型与单发多盒探测器(single multibox detector,SSD)目标检测算法。建立导线故障样本缺陷库,对导线故障图片进行处理,在已有模型上对故障特征进行训练,调整超参数优化模型,对模型进行测试,最终将模型在嵌入式设备上进行部署。结果表明,与传统的Faster-RCNN结合VGG16网络模型相比较,大小为传统模型的1/23. 78,测试速度快了28倍,精确度为92. 60%。该系统不仅有较好的识别效果,而且满足实时性。     

改进Mask R-CNN的车辆检测算法

为提升在不同复杂场景下的车辆检测性能,提出一种基于改进Mask R-CNN的车辆检测算法。在算法的主干网络ResNet50中引入PSA极自注意力机制提升主干网络特征提取能力;在特征金字塔顶层网络中添加一个带有ECA注意力机制的分支与原分支进行特征融合,缓解顶层特征由于通道降维造成的信息损失。重新设计了卷积检测头使得边框回归更为准确。同时,使用余弦退火算法和Soft-NMS算法来优化训练过程和后处理结果。实验结果表明,改进的Mask R-CNN车辆检测算法相比原Mask R-CNN算法在复杂场景下具有更高的检测精度,在CNRPark-EXT测试集中平均精确度提高3.8%,在更具挑战性的MiniPark测试集中平均精确度提高7.9%。     

基于高分辨率网络的人体姿态估计

针对高分辨率网络中存在不同分支特征交叉融合导致参数量大、运算复杂度高等问题,提出了一种基于高分辨率检测网络（HRNet）的人体姿态估计优化网络模型.引入空洞空间卷积池化金字塔替代多分辨率分支网络交叉融合过程,同时引入注意力机制,提高网络输出特征图质量,从而保证改进后网络检测的准确度.在环境配置和网络输入图像分辨率一致的情况下,所提出的模型在COCO数据集上实验结果较HRNet相比参数量下降38.6%,运算复杂度下降35.2%.实验结果表明：改进后网络在检测精度略微下降的情况下,能有效降低参数量、运算复杂度.     

一种面向自动驾驶路况的目标检测算法

为了对常见的行人和车辆进行检测,采用自行标注的数据集,通过基于faster region-based convolutional neural network （RCNN）框架的算法进行调参与优化. 主干网络采用轻量化网络MobileNetv2,在原生锚框的基础上,区域建议网络（RPN）部分增加2个面积尺度,检测部分使用感兴趣区域（ROI）Align结构,减少特征图映射和均分过程中的误差. 实验结果表明：使用faster RCNN目标检测网络,可以有效完成行人和车辆的检测任务,整体效果良好.     

基于改进Mask R-CNN的可见光图像中舰船目标检测方法

针对基于卷积神经网络的目标识别方法中经典的矩形检测框在检测舰船目标时会框出很多无关区域,易出现漏检、误检等问题,提出基于改进Mask R-CNN （mask region-based convolution neural networks）的舰船目标检测方法,在Mask R-CNN网络的基础上通过增加判别模块、类别预测分支和语义分割分支对视觉系统采集的可见光图像中的舰船目标进行目标定位和类别预测,同时获得舰船目标的边缘轮廓并实现对军舰目标的语义分割,为海上无人作战系统提供更精确的信息.实验结果表明,该方法在保持较高检出率和运行效率的同时误检率较低,舰船目标的平均检测精度较高,具有良好的舰船目标检测性能.      

基于YOLOv3及迁移学习的河道船舶目标检测算法

为加强对河道监控视频图像中散体物料采运船舶的监测和跟踪，从而辅助实现智能、高效的河道采砂监管和散体物料调度，基于You Only Look Once version 3（YOLOv3）算法及迁移学习提出一种河道散体物料船舶目标检测算法。首先使用COCO数据集训练初始的YOLOv3算法，得到模型的预训练权重；然后对从广西重要河道周围监控设备采集的采砂运砂船舶影像数据进行图像处理，得到高质量船舶数据集；最后以此数据集为驱动，利用迁移学习得到的预训练权重来训练针对河道采砂船等重点目标的YOLOv3检测模型。该模型采用Darknet-53作为主干网络，并融合了多尺度的特征图，从而实现对小、中、大等各类目标的检测。实验结果表明：该算法在测试集上的平均精度和检测速度分别达到98.00%和17.78 fps，对提高河道采砂监管效能和实现散体物料智能调度具有现实意义。     

基于注意力机制的多尺度仪表检测

为实现复杂场景下多尺度仪表检测,提出了一种基于注意力机制的视频多尺度仪表检测算法。首先,利用基于空间注意力机制的特征提取网络,建模特征的长距离依赖,增强特征的表达能力;其次,提出了一种自适应特征选择模块（Adaptive Feature Selection Module, AFSM）,对不同阶段的特征图进行权重调整,增强网络对多尺度目标的检测能力。在自建的仪表数据集上进行了实验。实验结果表明,相比较原来的Faster RCNN方法,所提出方法的检测精度提高了7.6%;与对比方法相比,检测精度也能达到95.4%。在对实际仪表监测视频的测试中,检测结果以及速度能够满足实际需要。所提方法通过改进特征提取网络和特征选择操作,增强了特征表达能力,有效降低了虚警,提升了网络对多尺度目标的检测性能。     

水面航行体对舰船目标的图像检测方法

针对水面航行体在近岸水域条件下对舰船目标进行实时光学检测时,易受到光照、相似颜色背景和海面波浪反射等干扰的问题,提出了基于改进视觉注意模型的舰船目标检测方法,采用小波变换方法提取图像的低频、高频特征,将任务水域图像从RGB颜色空间转化到HSV颜色空间来提取图像的色调、饱和度和明度特征,应用高斯金字塔、归一化算子等图像处理方法融合了各类特征.仿真结果表明,提出的舰船目标检测方法能够准确地实现复杂背景条件的舰船目标检测,具有良好的抗干扰能力.      

基于Mask R-CNN的多目标跟踪算法

针对目前多目标跟踪算法在面对目标频繁遮挡时跟踪效果较差的问题, 提出采用Mask R-CNN作为检测器, 根据检测结果利用Kalman滤波器预测下帧图像中跟踪目标的位置, 用改进匈牙利算法进行数据关联, 并利用轨迹修正方案应对轨迹中断问题. 将该算法在MOT16数据集的各测试集上进行实验, 实验结果表明, 该算法目标跟踪准确率为55.1%, 且针对目标被遮挡问题效果较好.     

多模型融合的输电线路绝缘子自爆故障检测

针对输电线路巡检图像中绝缘子自爆区域小、背景复杂与故障绝缘子类型复杂多样的特点,提出一种多模型融合计算的绝缘子自爆故障检测方法.通过分析现有绝缘子自爆故障检测算法差异性,选取检测性能差异较为明显的三个目标检测算法(Mask rcnn、 Retinanet、 Yolov3),计算得到巡检图像中绝缘子自爆区域坐标及置信度.再利用多模型融合计算,融合各模型检测结果.最后实现架空输电线路无人机巡检图像中绝缘子自爆故障检测,得到绝缘子自爆故障检测综合评价值为94.81%.所提方法在平均准确率、召回率、准确率方面均高于单一模型检测结果.实验结果表明,本方法能有效实现架空输电线路无人机巡检图像中绝缘子自爆故障检测,对输电线路智能化巡检故障诊断具有一定参考价值.     

基于Faster R-CNN及数据增广的满文文档印章检测

针对传统方法过分依赖颜色等特征,导致对古籍文档复印件检测效果不佳的问题,基于深度学习技术建立了一种新的满文文档图像印章检测方法。通过图像变换和合成技术建立满文古籍文档图像数据增广算法解决训练数据不足的问题,在所构建的增广数据集上建立Faster R-CNN深度学习模型挖掘深层图像特征,实现满文文档图像印章检测方法。对采集的真实满文文档复印件图像进行实验,印章检测精度可以达到99.6%,表明本文的方法可以有效的检测古籍文档复印件图像中的印章,对满文文档的研究有重要意义。     

基于改进CGHT的光学遥感图像舰船尾迹检测

根据遥感图像舰船目标检测的实时性要求,提出了一种应用改进CGHT算法检测舰船尾迹的方法.通过加入舰船船体的检测结果,改进CGHT算法中种子点的选取方式,以改善尾迹检测的计算复杂度,并将检测重点侧重于舰船船体附近区域,避免尾迹检测的盲目性.实验表明,该算法显著减少了尾迹检测的运行时间,降低了伪尾迹引起的虚警,提高了尾迹定位的准确性.     

基于深度卷积神经网络技术的棉花顶芽探测技术

建立一种改进深度学习模型,用于农业自动化检测和识别棉花顶芽,以提高棉花劳作工作效率.通过把深度网络模型ResNet-101融入到基于深度学习(Deep Learning,DL)机制的感兴趣区域的目标检测算法Fas-ter RCNN中,得到统一的多结构层次的改进深度学习模型.对比实验验证结果表明,相较于传统Faster ...