基于Transformer的车道线分割算法研究

车道线检测任务包含道路磨损、阴影遮挡和弯道等困难样本,这些样本中线条信息均有不同程度的缺失,使检测结果出现漏检或误检现象。基于深度学习的检测方案通过卷积操作提取特征信息。卷积操作摒弃人工设计滤波器等一系列传统图像处理的繁琐操作,得益于权重共享和归纳偏置大大减少了特征提取的工作量。该操作在缩小图像分辨率的同时获取长距离的信息,导致小分辨率的特征图损失区域边缘等细节,影响检测结果的质量。深度学习中分割模型比检测模型处理的信息更细致,本文在分割模型的基础上引入Transformer改进采样方式,改善卷积操作在获取全局信息上的不足。模型改进后在Tusimple上测试准确率提高0.4%,像素精准度提高0.3,乘法累加运算量增加36.09 G。结果表明Transformer特有的采样方式可以改善卷积操作采样的不足,改善语义分割网络对车道线困难样本识别漏检的情况。     

基于卷积神经网络和语义特征的眼型分类

眼睛是人脸特征最重要的构成部分,研究眼睛的特征点定位和形状分类问题,对扩充智能模拟画像系统中的眼睛库起着至关重要的作用。提出一种基于级联卷积神经网络与语义特征的人眼分类方法,采用三级的级联卷积神经网络,检测并由粗略到细致地定位出106个特征点,根据定位眼睛的20个特征点对眼睛进行形状建模并定义3个确定眼型的形状参数,对这3个参数进行分段处理,通过每一区间对应不同的语义描述来达到眼型分类的目的。实验结果表明,此方法定位准确,能达到良好的眼睛分类效果。     

基于卷积神经网络的苹果缺陷检测算法

苹果的外观是评价苹果品质的重要特征.由于苹果的果萼与果梗的影响,机器视觉技术检测苹果的外观缺陷一直是研究的难点,提出了基于卷积神经网络(CNN)的苹果分块缺陷检测算法.首先改进了一种基于RGB彩色分量算术运算的背景分割算法;然后采用64×64步长为32的窗口对前景进行分块处理,以正常、果萼、果梗、边界图像块为正样本,以腐烂、疤痕、虫伤等缺陷统一为负样本,采用渐进式学习方法确定训练样本数目.正常与缺陷苹果各150个作为测试数据.实验结果表明,该算法的检测速度为5个/s,且正确率高达97.3％.     

基于卷积神经网络算法的高压断路器故障诊断

传统的高压断路器故障诊断方法太过于依赖经验,不能准确地反映特征量和故障模式之间的关系,诊断准确度不高。针对这个问题,采用卷积神经网络算法进行高压断路器故障诊断,结合高压断路器分合闸线圈电流特点建立诊断模型,通过输入零点故障特征参数进行学习训练,得到相应故障类型输出。仿真结果表明,所提算法的整体准确率高达93.68%,与其他基于神经网络的算法相比具有很大的优势。     

基于语义分割网络的 AGV 路径规划算法

针对基于栅格地图的路径规划技术在面对大地图、高分辨率地图的情况下,存在的规划速度慢、内存占用高的问题,提出一种基于语义网络的网络搜索算法。首先使用语义分割网络对栅格地图进行预采样,其次通过图像学膨胀拓宽最优路径形成最优路径范围,增强算法鲁棒性,最后利用语义网络的特征图指导搜索算法规划,加快了高分辨率栅格地图的路径规划的速度。实验仿真表明,网络搜索算法较传统搜索算法,时间平均缩短72.5%,遍历点数平均减少51.6%,路径长度平均延长0.73%,网络搜索算法可以有效加快路径搜索速度,减少内存占用。     

基于卷积神经网络的非侵入负荷辨识算法

非侵入式负荷监测因其实施成本低且对用户干扰小,具有广泛的应用前景。负荷辨识方法是非侵入式复合监测的主要技术难点之一。研究了非侵入式负荷监测模式下基于卷积神经网络的非侵入负荷辨识算法。首先利用局部平均分解算法对采集到的混合信号进行负荷分离,并通过智能学习的方法提取独立负荷特征,建立了能够处理二维图像数据的卷积神经网络模型,将大量典型家电的运行电流数据转换成图片的形式,对卷积神经网络模型进行训练,并基于该模型进行负荷特征提取,从而达到辨识的目的。经过实际采集的用电数据进行仿真实验,结果表明,基于卷积神经网络的负荷辨识准确率高、识别速度快,模型具有良好的泛化能力,能够有效的实现负荷辨识。     

基于卷积神经网络的苹果分级算法研究∗

针对传统水果分级方式容易损伤水果表面且分级准确率低的问题,以苹果分级为例,提出了一种基于卷积神经网络的苹果分级算法,并分析比较多种卷积神经网络模型,分别用各网络模型训练一个卷积神经网络并对同一测试集图像样本进行分级试验,其中DFNet模型在苹果的一级果、二级果和三级果的分级上,表现出了97％ 左右的分级准确率,达到了良好的分级效果.     

基于改进深度卷积神经网络的步态识别算法

针对传统步态识别算法因服饰携带物变换、视角等协变量因素变化导致的识别能力下降问题,提出了一种基于改进深度卷积神经网络的步态识别算法。该算法利用分层处理机制从步态数据中提取步态特征,能够降低常见变化和遮挡等情况对识别精度的影响,同时,算法根据实验确定了网络中每层特征图的最佳数量、特征图的最佳尺寸以及要用于步态识别的输入特征的类型,能够处理相对较小的数据集而无需使用任何增强或微调技术。CASIA-B步态数据库仿真实验表明,所提出的卷积神经网络覆盖了交叉视图步态识别和无主题的步态识别问题,能够克服与步态识别相关的协变量因素问题,具有更优的步态识别精度。     

基于 MultiRes+UNet 网络的车道线检测算法

无人驾驶技术改变人类生活方式,带车道线属性的高精地图,是无人驾驶领域的重要一环。 针对现有算法在车道线检 测时存在准确率低、效率低等问题提出基于 MultiRes+UNet 检测方法。 该方法通过空洞卷积扩大卷积感受野,从而对全局信息 统筹,运用 MultiRes block 和 Res path 结构减轻编码器-解码器特征之间的差异,大大降低了内存的需求。 实验结果表明,此算 法在保证检测准确率的同时, 提高了算法的稳定性和运行速率,在纯车道、复合车道、阴影污损车道等多情况下,调和平均值分 数分别为 0. 959、0. 942、0. 891,该算法存在高效性、高鲁棒性。     

基于树莓派嵌入式平台的车道线检测算法

本文设计了一种基于树莓派嵌入式平台的多道路场景车道线检测算法。在图像预处理阶段,设计了一种车道线的自适应二值化提取算法,通过将待测像素点与其所在菱形空间的顶点进行比较,完整地提取了二值化后的车道线信息;同时与最大类间方差法（OTSU）结合,以图像融合的方式有效滤除了干扰信息。在车道线拟合阶段,对概率霍夫变换进行了斜率约束与限定距离的改进,进行二次滤除干扰信息后准确计算出车道线边缘点。最后使用最小二乘法拟合出车道线。测试结果表明,算法抗干扰能力较强,对多种道路场景的检测准确率可达90.24%,并且在树莓派平台上运行速度为25fps,满足实时的要求。     

车道线的GrowCut快速检测算法

针对目前智能交通领域中车道线检测算法效率低、鲁棒性差等问题,提出了一种基于GrowCut的车道线快速检测方法。从监控摄像机中采集图像并标定初始种子点,利用GrowCut算法进行边缘分割,对分割结果经过中值平滑滤波、边缘提取、分半处理及曲线拟合,最终得到清晰的车道线。将GrowCut算法与分水岭算法进行了对比,结果表明:该算法简便快捷、鲁棒性好,优于经典算法,可广泛应用于智能交通、公共安全领域。     

车道线检测的PSPNet改进算法

车道线检测已成为智能驾驶领域研究的一项重要课题,而实际应用时,常出现车道线分割不准确、实时检测能力不佳的问题。为此本文提出一种金字塔场景分析网络的改进算法。在编码结构的基础上搭建主体网络PSPNet,选用MobileNet v2轻量级网络作为编码器的主干网络,减少了整体网络的计算复杂度及参数量;网络中添加了空洞卷积,并在不同层间实现特征融合,扩充了模型感受野,同时丰富了局部特征;最后用自适应直线拟合算法对各类型车道线拟合。本文使用Caltech车道线数据集进行测试,实验结果显示,改进后的PSPNet算法对不同类型的车道线均有较好的分割结果,与PSPNet算法相比精度和交并比分别提升了3.91%、4.14%,且FPS达28帧/s,本文算法的分割精度和推理速度均优于其他对比算法。     

基于语义指导和自适应卷积的遥感云检测算法

遥感卫星数据云检测分割是遥感影像处理中的重要环节,为了解决目前碎云薄云检测精度较低的问题,提出了一种采用基于高阶语义解码和自适应卷积编码的云检测方法。这种方法针对云团和碎云薄云之间的空间分布联系,提出了自适应卷积编码器来提取云团之间的关联信息。然后,使用高阶语义指导模块来解码语义特征,指导高分辨率的云掩码图生成。此外,这种方法还设计了一种动态联合损失函数,该损失函数通过动态计算样本中的漏检误检像素来构建权重,以引导神经网络关注碎云薄云特征,从而提高整体精度。实验结果表明,提出的算法在遥感图像上云分割能力可以达到96.5%的精确度和88.1%的交并比,可以很好地检测碎云薄云。     

基于平行Snake耦合Kalman滤波器的车道线检测算法

针对当前车道线检测算法中易受到车道线磨损、遮挡、阴影等影响,导致检测算法精度不高,鲁棒性不强,提出了平行Snake耦合Kalman滤波器的车道线检测方案。首先,为了获得道路左右边界的平行属性,引入期望最大化(EM)算子,通过最小化目标函数来估计消失点,并估算其单应矩阵;并在齐次坐标空间中进行单应性变换,将车道线透视图转变为鸟瞰图。然后,通过参数预测算子建立车道模型,将平行性约束添加到主动轮廓模型(Snake)中,构建了一种平行Snake车道线检测方法。在平行Snake方法中,为了克服图像梯度低时Snake无法有效收敛到车道边界,引入了膨胀力,将两条平行的主动轮廓往道路的左右两边推挤,最终收敛到道路的左右边沿。最后,考虑到前后帧之间参数的连续性,采用Kalman滤波器进行跟踪优化,并抑制噪声,提高算法对车道线的识别精度。实验结果表明,与当前常用的车道线检测算法比较,提出的方案在精度与鲁棒性均得到改善,在阴影、光照变化、边界破损等车道数据集上取得了良好的性能。     

基于遗传神经网络的低识别度图像分割算法

针对目前的图像分割算法无法考虑到低识别度图像下,对边缘细节和轮廓信息实现精确分割,提出一种基于遗传神经网络的低识别度图像分割算法.利用马尔科夫随机场(MRF),建立初始图像的分割概率模型,然后使用低通滤波器将低识别度图像分解成高频层和低频层,对包含高频层的图像信息进行傅里叶域上的预处理后,送入预先设计好的的遗传神经网络...     

基于多层卷积神经网络 的变电站异常场景识别算法

针对卷积神经网络对小样本识别率较低的问题,引入置信度的概念,提出了一种基于多层卷积神经网络的图像分类方法,简称M_CNN,并将其应用在变电站异常场景识别中。依据网络对小样本的识别情况,设置置信度判决函数,对在已训练好的单层网络结构中难以识别的样本,重新进行特征的提取并训练下一层的网络,形成多层卷积神经网络结构,达到提高识别率的目的。在MNIST手写体数据库上对不同规模样本数进行实验,结果表明M_CNN模型在针对小样本识别时具有一定优越性,最后,将M_CNN模型应用在变电站异常场景识别中,取得了良好的效果。     

基于迁移学习卷积神经网络的电缆隧道锈蚀识别算法

随着电力行业的不断发展,高压电缆的铺排以及地下电缆隧道的建设与维护逐渐成为该领域中的热点问题之一。将迁移学习的核心思想与经典的卷积神经网络（LeNet5）相结合,提出了一种基于迁移学习卷积神经网络的电缆隧道锈蚀识别算法,实现了电缆隧道内部电源箱、风机等设备的锈蚀识别。该算法基于Tensorflow框架,能够有效地解决训练样本不足、训练时间冗长以及识别精度不高的问题。通过引入4种经典的目标识别算法进行对比实验,进一步验证了所提方案在网络训练时间以及识别精确度上的优势,为后续电缆隧道巡检机器人系统的构建提供了坚实的理论基础与实验支撑。