基于Faster RCNN的布匹瑕疵识别系统

纺织工业是我国的支柱型产业.在布匹生产过程中,布匹瑕疵是影响布匹质量的关键因素.目前纺织服装生产企业主要通过传统的人工肉眼检测布匹瑕疵,成本高、效率低,且漏检率与误检率高.本研究针对布匹数据集中类别数量不均匀的特点,对数据进行增强.在布匹瑕疵类别识别上,采用Faster RCNN模型,并针对布匹数据集中瑕疵目标小的特点,对Faster RCNN模型中的RPN网络进行改进.另外,本研究基于模型开发一款纺织布匹瑕疵识别系统,将通过模型识别出的布匹瑕疵类别结果通过可视化平台展现,同时准确标识疵点的位置.通过实验结果对比,本文的方法平均检测准确率为79.3%,相比Fast RCNN提高了5.75%.     

基于改进的U-Net网络在MRI膀胱肿瘤图像的分割

膀胱癌是泌尿系统最常见的恶性肿瘤,也是目前花费最高的癌症之一.肿瘤的分割在疾病的辅助诊断、治疗规划中具有重要意义.传统的肿瘤分割需要消耗大量的劳动力.随着技术的不断发展,具有预处理少,准确率高等优势的卷积神经网络作为一种图像处理高效的技术,已经在图像分割领域取得了不错的成绩.目前医学图像分割领域得到较好反响的是U-Net网络,但该网络训练深度低,准确率较低.论文提出了一种改进后的Res-U-Net网络模型,参考残差网络构造,与残差结构结合,相比于原始的U-Net模型,Dice系数平均提高了9％.     

基于人脸图像和脑电的连续情绪识别方法

基于多模态生理数据的连续情绪识别技术在多个领域有重要用途,但碍于被试数据的缺乏和情绪的主观性,情绪识别模型的训练仍需更多的生理模态数据,且依赖于同源被试数据.本文基于人脸图像和脑电提出了多种连续情绪识别方法.在人脸图像模态,为解决人脸图像数据集少而造成的过拟合问题,本文提出了利用迁移学习技术训练的多任务卷积神经网络模型.在脑电信号模态,本文提出了两种情绪识别模型:第一个是基于支持向量机的被试依赖型模型,当测试数据与训练数据同源时有较高准确率;第二个是为降低脑电信号的个体差异性和非平稳特性对情绪识别的影响而提出的跨被试型模型,该模型基于长短时记忆网络,在测试数据和训练数据不同源的情况下也具有稳定的情绪识别性能.为提高对同源数据的情绪识别准确率,本文提出两种融合多模态决策层情绪信息的方法:枚举权重方法和自适应增强方法.实验表明:当测试数据与训练数据同源时,在最佳情况下,双模态情绪识别模型在情绪唤醒度维度和效价维度的平均准确率分别达74.23%和80.30%;而当测试数据与训练数据不同源时,长短时记忆网络跨被试型模型在情绪唤醒度维度和效价维度的准确率分别为58.65%和51.70%.