基于边缘卷积的交通锥筒点云数据分割方法

本研究以用于构建临时道路中的交通锥筒为研究目标，以多线激光雷达采集的临时道路三维点云数据为输入，提出一种基于图理论的图神经网络模型，该模型可实现点云数据分割，并提升模型对无序性点云数据学习效果。以无人驾驶方程式赛车为实验平台，针对交通锥筒进行网络训练与测试，实验结果表明，图神经网络模型对交通锥筒的分割准确率达到886%，比PointNet模型提升了约10%，此外，该模型在稀疏雷达点云数据下还具有一定泛化能力，有较好的适用性。     

融合多尺度卷积和注意力机制的场景提取方法

复杂背景下，不同尺度建筑物的特征差异较大，现有算法对多尺度建筑物分割存在分割不均以及误判等问题。为了解决上述问题，本文设计了一种适应多尺度变化的新型网络结构。首先，针对遥感图像场景提分割精度低的问题，引入坐标注意力机制，嵌入到基础网络中增强上下文信息捕获能力，消除噪声的同时增强网络对于空间特征的提取能力。引入了新型递归残差卷积模块，加深网络层次的同时减少信息丢失，提高特征提取效率。最后，在跳跃连接中引入了空洞空间卷积池化金字塔增大网络感受野，增强有效特征，抑制无用特征。设计系统验证模型的实用性。实验结果表明，本文方法在精确率、召回率、F1 score和IoU指标中比U Net网络分别提高了305%、156%、13%、308%。     

基于像素注意力特征融合的城市街景语义分割算法研究

针对城市街景数据集中存在小目标和大量长条形状物体，分割难度大，虽然目前编码解码结构的网络能细化分割结果，但大多数都没有充分利用空间和上下文信息，因此本文提出一种基于像素注意力特征融合的语义分割算法。首先以ResNet50作为骨干网络，利用空洞空间卷积池化金字塔和条状池化进行初步特征融合，获得多尺度特征的同时规避无用信息；然后利用像素融合注意力模块，聚合上下文信息并恢复空间信息，最后利用注意力特征细化模块消除冗余信息。该算法在CamVid数据集上进行实验，结果表明该算法在验证集上能达到 7522%的mIoU，在测试集上也能达到67.21%。相比于DeepLabv3+网络分别提升了2.51%和2.86%。     

基于改进YOLOv5-s的火龙果多任务识别与定位

在复杂的农业环境下，水果采摘机器人系统感知端的识别与定位性能是提高水果采摘成功率的重要指标。本文以复杂外形的火龙果作为研究对象，针对采摘机器人的视觉系统提出了一种适用于火龙果图像自主检测的实时多任务卷积神经网络——SegYOLOv5。该网络基于YOLOv5 s卷积神经网络的主体架构进行适应性改进，通过提取3层加强特征作为改进级联RFBNet语义分割网络层的输入，实现图像检测和语义分割的多任务目标识别检测，有效提升了模型的整体性能。改进的SegYOLOv5网络结构能够适应对边界敏感的图像语义分割农业场景，测试集的平均精度均值和平均交并比分别为9310%和8364%，与YOLOv5 s+原始RFBNet和YOLOv5 s+BaseNet模型相比，高出了前者123%和274%，高于后者238%和145%。SegYOLOv5平均检测速度达到7194 fps，相比EfficientDet D0提高4079 fps，平均精度均值高出58%。通过端到端输出SegYOLOv5检测结果并结合图像几何矩算子，能够实时准确定位火龙果质心作为理想采摘点。改进的算法具有较高的鲁棒性和通用性，为基于视觉感知的水果采摘机器人奠定了有效的实践基础。     

面向列车轮轨接触区域图像分割的生成对抗网络

列车和轨道之间的开放约束条件决定了车辆脱轨的客观存在。轮轨接触区域边缘曲线分割对列车轮轨接触关系的研究具有重要意义,提出了一种基于生成对抗网络的轮轨接触区域边缘曲线分割算法。通过将残差模块引入生成器网络中,增强了网络对输出变化的敏感程度,进而更好的调整生成器权重。此外,膨胀残差模块的引入,有效扩大了特征图的接收区域。实验结果显示,改进的生成对抗网络对轮轨接触区域边缘曲线的分割准确度达到9613%,敏感度、特异度、F1值、ROC曲线下的面积分别为8390%、9713%、8367%和9812%,验证了该方法能够准确分割轮轨接触区域边缘曲线。     

无人化起重装卸的目标物实例分割模型研究

不确定目标物自动识别是研发无人化智能起重装卸系统的关键，目前有效的技术是基于深度学习的实例分割。设计了一个融合CNN和Transformer的异构特征信息的模块，以解决当前实例分割主干网络存在的提取图像全局上下文特征信息的能力有限、卷积算子难以对感受野的长程相关性进行建模、以及识别纹理特征单一目标时缺乏足够的深度线索等问题。通过利用Transformer建模全局依赖关系，并与CNN提取局部信息的能力相融合；然后通过引入Dense RepPoints检测网络构建了针对不确定目标物的实例分割网络，实现准确分割且能分割其不同表面。应用实验结果表明本方法具有达到很好的实例分割效果，AP达到9882%、mIoU达到9189%，分别比目前同类的研究成果提升了495%和542%。     

复杂背景条件下的电气设备图像实例分割算法

变电站巡检拍摄的电气设备可见光图像存在背景杂乱、目标轮廓不规则等特点,造成设备分割精度不高,影响智能巡检系统设备识别效果。基于此,提出一种改进的YOLACT++模型,实现设备目标精确实例分割。首先,设计了电气设备特征提取主干网络DAGNet,提升了网络对复杂背景下重要特征的关注度;同时在原型网络分支引入3D注意力模块SimAM,降低混乱背景对目标分割的干扰。使用某市8个区域58座110 kV变电站和86座35 kV变电站巡检所得避雷器、断路器等6类电气设备的1 730张可见光图像的标记数据集对该模型进行验证,实验结果表明,改进YOLACT++模型分割的AP_all指标为84.1%,相较原模型提高了4.4%,与YOLACT、Mask R-CNN和YOLOv8模型相比分别高出4.0%、9.3%、1.6%,较好地实现了6类电气设备的识别,可满足电力巡检中准确性和快速性的要求。     

基于门控金字塔融合的遥感影像海陆分割方法

海陆分割是通过遥感影像进行海岸线变化分析、资源管理等应用的重要基础，由于遥感影像场景复杂、陆地大小形状分布不均，海陆分割面临着误分类和边界分割不清等问题。针对上述问题，提出了一种用于遥感影像海陆分割的门控金字塔融合网络。首先通过基于注意力诱导的跨层聚合模块聚合两个深层特征，捕获全局上下文，准确而粗略地获取陆地的大小和形状信息。然后将聚合的全局特征送入门控融合模块，以全局信息为指导，在多尺度特征中选择有用的上下文信息，逐层优化边界细节并突出整个陆地区域。最后对每个侧输出进行全局监督。选取两组不同数据源的遥感影像进行实验，准确率分别为9913%和9898%，F1分数分别为9903%和9889%，mIoU分别为9826%和9797%。实验结果表明，与其他算法相比，该算法具有更好的分割效果。     

基于双模态融合的线缆图像语义分割方法研究

线缆敷设时需要严格控制最小弯曲半径，线缆敷设图像准确分割是控制弯曲半径的基础，传统视觉方法、经典语义分割方法对复杂环境下线缆细长特征目标分割效果不佳。本文提出一种基于改进双模态融合语义分割网络ESANet的线缆语义分割方法，使用高效的SAGate代替ESANet中RGB-D Fusion模块完成双模态特征校正与融合任务，融合特征分别同时参与后续两种模态的特征提取，实现细长特征线缆掩膜的准确分割。通过采集不同姿态的线缆RGB及对应深度图像进行实验，结果表明本文改进的ESANet网络对线缆等细长特征目标有较好好分割效果，较ESANet模型分割精度(mIoU)提升了3.99%,较RGB单模态语义分割网络SwiftNet精度提升7.68%,该方法可以推广到其它具有细长特征的目标分割任务中。     

基于GAN的少样本视网膜血管分割研究

视网膜血管分割是自动筛查糖尿病视网膜病变的重要步骤,当前大部分深度学习方法都使用大样本进行网络训练,但医学领域带标签样本难以获取,且存在健康人样本与患者样本不平衡问题。提出了一种基于生成对抗网络的少样本视网膜血管分割方法,生成器部分对图像做反色等预处理后,通过旋转增扩充了数据集,网络部分使用U Net结构,判别器部分使用卷积神经网络。在实验阶段,在DRIVE数据集和HRF数据集上进行训练测试,训练时只使用训练集的6个样本,测试时使用全部测试集样本,最终在两个数据集下的ROC曲线下面积分别达到了097和095,准确率达到了095和094。与少样本情况下的U Net相比,分割性能提升很大,表明本方法针对少样本视网膜血管分割任务确实有效。