一种基于改进NMS的牛脸检测方法

针对牲畜牛身份认证的多牛脸检测场景，本文给出一种基于改进Faster R-CNN的牛脸检测方法。使用Inception v2替换ZF网络作为Faster R-CNN的基础网络，模型精度得到显著提升；针对多牛检测场景对NMS（Non-Maximum Suppression）进行相应优化，使模型的召回率得到显著提升。通过和其他目标检测模型对比实验，本文的改进模型在精确率和召回率上均优于其他模型。     

基于深度学习的秀丽隐杆线虫显微图像分割方法

利用计算机实现自动、准确的秀丽隐杆线虫(C.elegans)的各项形态学参数分析,至关重要的是从显微图像上分割出线虫体态,但由于显微镜下的图像噪声较多,线虫边缘像素与周围环境相似,而且线虫的体态具有鞭毛和其他附着物需要分离,多方面因素导致设计一个鲁棒性的C.elegans分割算法仍然面临着挑战。针对这些问题,提出了一种基于深度学习的线虫分割方法,通过训练掩模区域卷积神经网络(Mask R-CNN)学习线虫形态特征实现自动分割。首先,通过改进多级特征池化将高级语义特征与低级边缘特征融合,结合大幅度软最大损失(LMSL)损失算法改进损失计算;然后,改进非极大值抑制;最后,引入全连接融合分支等方法对分割结果进行进一步优化。实验结果表明,相比原始的Mask R-CNN,该方法平均精确率(AP)提升了4.3个百分点,平均交并比(mIOU)提升了4个百分点。表明所提出的深度学习分割方法能够有效提高分割准确率,在显微图像中更加精确地分割出线虫体。     

瓷砖表面非常规尺寸瑕疵的检测

与普通目标检测任务不同, 瓷砖表面瑕疵检测的困难之处在于检测小尺寸和大长宽比等非常规尺寸的目标. 为了解决这两个问题, 本文提出了一种基于改进 Cascade R-CNN 的新型瓷砖表面瑕疵检测算法. 为了提高模型对小瑕疵的检测能力, 本文模型利用侧向连接结构进行上下层语义信息的融合, 使用可切换空洞率的空洞卷积来增加模型的感受野; 为了提高模型对于大长宽比瑕疵的检测能力, 本文模型在标准卷积上引入偏移域以更好提取目标特征信息. 此外, 本文模型调整 Cascade R-CNN 框架中预选锚框的大小和长宽比例. 实验结果表明, 在从瓷砖工厂收集的数据集上, 本文所提出算法的平均精度均值 (mean average precision, mAP) 达到了 73.5%, 比改进前的 Cascade R-CNN 模型提高了9.7%. 本文实验代码可从以下链接获取: https://github.com/mashibin/Ceramic-tile-defect-detection.     

西安实施公共汽车专用道(路)的可行性初探

公共汽车专用道（路）是一种速度较快、运送能力较大、建设周期短、投资省、见效快的公共客运道路，也是一种从常规公共交通过渡到快速轨道交通的中间形式。特别在西安市还不具备大量投资修建快速轨道交通的经济能力之前，公共汽车专用道是解决西安市公共汽车运营速度低、车辆拥挤的好办法之一，西安市在道路及管理方面有其自己的优势，应该利用这种优势，尽早修建西安市的公共汽车专用道（路）。     

基于Faster R-CNN的颜色导向火焰检测

基于深度特征的目标检测方法Faster R-CNN在火焰检测任务上存在检测效率低的问题,因此提出了基于颜色引导的抛锚策略。该策略设计火焰颜色模型来限制锚的生成,即利用火焰颜色约束锚的生成区域,从而减少了初始锚的数量,提升了计算效率。为了进一步提高网络的计算效率,将区域生成网络中的卷积层替换成掩膜卷积。为了验证所提方法的检测效果,采用BoWFire和Corsician数据集进行验证。实验结果表明,该方法实际检测速度相较于原Faster R-CNN提高了10.1%,BoWFire上该方法的火焰检测F值为0.87,Corsician上该方法的准确度可达99.33%。所提方法可以提高火焰检测的效率,并能够准确检测图像中的火焰。     

Using Faster Gas Chromatography Analyses in Brewing Analytics

Dominant trends in analytical chemistry include miniaturization in sample preparation techniques and faster run times to provide high‐throughput screening, fast process monitoring and fast method development. This study focused on the application of narrow bore gas chromatographic capillary columns, 0.18 mm internal diameter, for brewing analyses. On these capillary columns, faster analyses could be performed compared to conventional GC capillary columns using 0.32 to 0.53 mm internal diameters. The robustness of the state‐of‐the‐art faster capillary gas chromatography, without compromising resolution, has been demonstrated with the analyses of beer flavour compounds such as lower and higher alcohols, esters and other volatile compounds such as acetaldehyde and dimethyl sulphide in beer. These methods were able to reduce sample run times by 60%.     

基于深度学习的车辆检测算法之特点分析

车辆检测是智能交通系统的基础架构。文章分析了三种经典的车辆检测算法——Faster R-CNN算法、YOLOv3算法、SSD算法的特点,在此基础上指出了它们的优点和缺点,为下一步的车辆检测算法改进做好了理论知识基础。     

一种基于聚类特征的Faster R-CNN粮仓害虫检测方法

本文基于Faster R-CNN模型提出复杂背景下粮仓害虫的检测识别方法。将六种常见的储粮害虫(豆象、谷蠹、米象、锯谷盗、赤拟谷盗、锈赤扁谷盗)分别以大米、小米为背景,建立了真实背景下粮仓害虫图像数据集SGI-6。SGI-6中包括网络获取图像、显微镜采集图像和单反拍摄图像三种多目标尺度的数据集。根据粮仓害虫的小目标特性,使用聚类算法改进Faster R-CNN模型的区域提案网络,来提取这些图像中含有害虫的区域,并对这些区域中的害虫进行分类。实验结果表明,该方法能够在储粮条件下检测和识别粮仓害虫,且其平均准确率(mAP)达到96.63%。     

基于超分辨率改进Faster R-CNN的点阵结构内部缺陷判识方法

利用增材制造技术制备金属三维点阵结构件过程中,结构内部经常会出黏连、断裂等多种细小缺陷,导致样件结构功能下降。根据缺陷结构与正常结构之间的特征区别,提出了一种针对金属点阵结构内部出现的细小缺陷自动判识的方法。利用X-射线微聚焦CT扫描金属点阵结构获得原始输入图片,在Faster R-CNN （Faster region-based convolutional neural networks）框架的基础上,改进原有特征提取网络,开发图像超分辨率重建模块。通过对工业CT图片的局部细节特征增强,实现了快速有效地识别细小缺陷的类型,以及缺陷位置信息的标注。试验证明,改进Faster R-CNN模型对金属点阵结构样件内部的两种典型细小缺陷识别的平均正确率高达93.5%。研究结果表明,通过超分辨率网络对图像进行放大,可以提高细小缺陷的特征提取,通过加深网络加强特征学习,从而实现了点阵结构内部细小缺陷的自动判识。     

铁路弹条用水淬弹簧钢38Si7的开发及应用

介绍了铁路弹条用水淬弹簧钢38Si7生产工艺及应用情况,并对存在的问题进行了浅析,提出了改进措施。