基于改进的Mask R-CNN自然场景下苹果识别研究

在复杂自然场景下,苹果目标因具有成簇生长、重叠果实和光线变化大等特点,应用深度学习方法相比传统方法来实现果实的识别优势明显.提出基于Mask R-CNN网络检测分割架构,采用膨胀卷积的优化策略,通过候选框与像素分割相结合的思路,同时对输入苹果图像进行目标果实的识别.实验结果表明,基于Mask R-CNN框架改进的网络模...     

基于改进Mask R-CNN与双目视觉的智能配筋检测

为了提高配筋检测的智能化水平,提出基于改进掩膜区域卷积神经网络（Mask R-CNN）模型与双目视觉技术的配筋检测方法.通过在Mask R-CNN中加入自下而上的注意力机制路径,形成了带通道注意力和空间注意力的掩膜区域卷积神经网络（Mask R-CNN+CA-SA）改进模型.结合双目视觉技术进行坐标转换,获取钢筋直径与间距,实现智能配筋检测.在自建的包含3 450张钢筋图片的数据集上进行训练,结果表明,改进模型的F1分数和全类平均精确率（mAP）相较于Mask R-CNN基础网络分别提高了2.54%和2.47%.通过钢筋网验证试验和复杂背景测试,钢筋直径的绝对误差和相对误差基本小于1.7 mm和10%,钢筋间距的绝对误差和相对误差分别小于4mm和3.2%,所提方法在实际应用中具有较强的可操作性.智能配筋检测技术在保证足够的检测精度的同时,能够大大提升工效,降低人工成本.     

基于Mask R-CNN改进算法的砂石分割算法研究

砂石粒径分布是决定建筑混凝土产品性能的重要因素之一,颗粒物分割是砂石粒径分布工业视觉检测的关键步骤。根据砂石分割系统的高精度和实时性要求,作者改进了Mask R-CNN算法。为在砂石数据集上实现最优泛化,采用自适应ROIAlign模块,通过添加IoU预测分支为网络引入定位置信度,同时为了充分利用IoU分支的预测结果,采用基于定位置信度的NMS算法代替常规NMS算法,进一步提高了分割精度。结果表明,改进Mask R-CNN算法在砂石图像数据集上的AP50和mAP分别达到99.1%和89.5%,速度达到3.4FPS,完全能够满足实际系统需求。     

基于Mask R-CNN的槟榔片分割算法研究

针对槟榔片加工过程中自动化程度低,提出一种基于Mask R-CNN的槟榔片自动分级算法:采用改进高分辨率网络作为主干网络提取槟榔片表面信息,减少多次卷积过程中信息损失,提高轮廓分割准确度;采用改进卷积块注意力模型加强内轮廓中有效信息提取,抑制无效信息,提高有核无核籽判断准确率;同时采用深度可分离卷积减少高分辨率主干网络带来的参数量、计算复杂度增加问题.实验结果表明改进后网络相比未改进前分割精度提高2.5％,同时有核无核籽判断准确率提高5.93％,总浮点计算量降低64.9％.     

基于改进Mask R-CNN的变电设备红外图像实例分割算法

红外图像中变电设备的分割精度直接影响着故障诊断的结果,针对复杂红外背景下变电设备边缘分割不精细、分割精度低的问题,提出了一种基于改进Mask R-CNN模型的变电设备红外图像分割方法。首先将ResNet特征提取网络中部分残差模块的标准卷积替换为可变形卷积,然后对空间注意力机制模块和通道注意力机制模块并行连接,并在这两个模块中加入可变形卷积,最后改进Mask R-CNN掩膜分支的损失函数,对目标边缘分割的精细度进一步优化。该方法能够有效提高模型对红外图像中变电设备几何特征多样性的适应能力,并减轻模型对背景等干扰特征的关注。在变电设备红外图像数据集上进行实验,结果表明,相比于Mask R-CNN基准模型,该方法的AP_50:95、AP₅₀和AP₇₅提高了3.5%、1.0%、4.2%,表明该方法能够显著提高红外图像中变电设备实例分割的准确率,有效解决边缘分割不精细的问题。     

基于改进YOLOv3模型的交通视频目标检测算法研究

针对现有的基于YOLOv3的目标检测算法在多尺度目标检测上存在速度与精度难以平衡的问题,在已有算法的基础上改进形成新的YOLOv3多尺度目标检测算法. 该算法首先通过k-means++聚类为各个尺度选择候选锚框的数量和长宽比维数,有效降低原始算法在初始聚类点所造成的聚类偏差; 其次将YOLOv3的检测尺度从3扩展到4,以提高对不同尺度下目标检测的精度; 最后为避免梯度衰落,将检测层前的6个卷积层转换为2个残差单元. 在UA-DETRAC数据集上的实验结果表明,该方法比原始YOLOv3的准确率和召回率分别提高了7.91%和4.57%,同时此算法的处理速度可实现对交通视频的实时处理.     

基于Mask R-CNN与改进BP神经网络联合算法的变压器套管红外热故障诊断

为解决传统图像类算法在变压器套管状态诊断时存在的效率低、准确度不高以及复杂背景下变电设备目标识别困难等问题，提出了将Mask R-CNN与改进BP神经网络相结合的套管红外图像状态诊断方法。首先，利用Mask R-CNN解决套管红外图像背景复杂时分割困难的问题；其次，基于灰度特征的特征量提取方案，实现对红外伪彩图特征量的提取；最后，引入粒子群优化BP神经网络（PSO-BP）算法对变压器套管特征进行分类识别。实验结果表明，该方法对红外图像中套管的运行状态具有较好的检测效果，对套管中介质损耗故障、接头故障和漏油故障的故障诊断准确率分别可达100.0%、88.9%和96.3%，平均准确率达到93.518%，优于传统BP算法和支撑向量机（SVM）算法。     

基于Mask R-CNN的遥感影像土地分割与轮廓提取

传统的模式识别难以对土地遥感影像一次性精确统计分析.在精确分割出土地种类的前提下,本文提出了一种基于骨干网络为ResNet-101-RPN的Mask R-CNN的遥感影像土地分割与轮廓提取方法.该方法包括以下步骤：数据获取、图像去雾、遥感影像土地统计分析、土地分割和轮廓获取.在一个具有挑战性的卫星地图瓦片数据集上对所提出的方法进行训练和测试.实验结果表明,该方法以0.907的均值平均精度（mAP）和31.33像素的均值平均距离误差（mADE）获得了令人满意的不同种类土地分割和轮廓提取结果.     

基于改进的Mask R-CNN的游泳池溺水检测研究

针对传统的前景检测方法在复杂场景下存在精度低、速度慢且不能有效检测目标动作轮廓等问题,本文主要对改进的Mask R-CNN 的游泳池溺水检测进行研究.采用实例分割网络Mask R-CNN进行检测与分割,实现溺水检测,在Mask分支引入空间注意力引导模块,设计了深度注意力分割模型SAG-Mask R-CNN,并在训练Ma...     

交通标志边缘检测技术研究

交通标志边缘检测是智能车实现交通标志识别过程中的关键一步,因此交通标志边缘检测技术的研究具有重要的意义。该文主要将几种经典的边缘检测算法应用在各类交通标志图的边缘检测上,并分别对没有加入噪声和加入噪声的图像进行仿真处理,最后对处理得到的图像进行比较和分析,为人们在实际应用中对算子的选择提供参考。     

基于编解码器模型的车道识别与车辆检测算法

针对无人驾驶车辆环境感知问题,通过编码器提取共享图像特征,再通过解码器来实现语义分割、分类和目标检测模块,并应用在车道识别和车辆检测上.在无人驾驶中,任务的实时性非常关键,这种共享编码器模型能一定程度上提高任务实时性.实验结果表明,该模型的语义分割在KITTI数据集上的平均精度达到93.89%,比最优性能提升0.53%,联合检测速度达到25.43 Hz.     

基于视频监控的运动目标跟踪算法

利用Kalman滤波思想对运动目标的前时刻状态信息进行预测,获取重心位置与形态紧密度估计值;将估计值与当前时刻观测值进行匹配,根据匹配误差修正运动目标的速度与紧密度变化值,通过递归算法实现常态下运动目标的准确、快速跟踪.针对复杂场景下由于运动遮挡造成无法准确估计目标运动轨迹,采用灰色模型GM(1,1)保证了跟踪过程的连续、稳定.最后,通过不同交通场景的视频序列对本文算法进行了验证,结果表明本文方法具有较好的适应性、鲁棒性,可实现复杂遮挡情况下连续、稳定、实时的目标运动跟踪.     

基于流量自相似的DDoS检测分析

近年来,人们的日常生活与互联网越来越密不可分,网络安全问题也呈现高发态势。作为一种严重的网络威胁,分布式拒绝服务（ DDoS）攻击越发为人们所关注。通过对流量的自相似检测,可以实现对DDoS进行有效判定,然而传统算法的固定式判据难以体现现实流量的变化,文章提出一种改进型算法,可实现对DDoS的动态检测。     

改进YOLOv3算法的交通多目标检测方法

针对交通场景中目标像素占比小、互相遮掩等因素造成漏检、误检的问题,提出了基于YOLOv3的多目标检测方法。该方法在YOLOv3网络结构中植入空间金字塔池化模块以增强特征表达,同时提出一种多尺度特征融合机制兼顾获取空间信息和语义信息,通过扩展预测层的预测分支来细化待检目标的语义信息。此外,将改进的K均值聚类算法用于提取先验框的初始中心点,提升预测锚框与待检目标的匹配度,并运用柔性非极大值抑制算法进行置信分数的灵活调整。基于混合数据集的实验结果表明,所提方法有效地提升了检测精度。     

基于Boosting的网络异常流量检测算法研究

从机器学习的角度系统研究网络流量检测,将Boosting算法引入到网络异常流量的检测当中,设计两种不同的弱学习方法：估计多变量高斯分布和估计超球体区域。实验结果表明,基于Boosting的检测算法性能要优于一类支持向量机,同时也表明作为一种提升弱学习算法性能的一般性策略,Boosting在非监督情况下是非常有效的。     

基于神经网络的VBR视频流量建模及预测

为解决视频流量预测问题,结合神经网络和小波技术建模IP（Internet Protoc01）网络视频流,提出了利用神经网络预测尺度因子的预测算法。对可变比特率的压缩视频流完成小波分解,得出尺度因子。通过对尺度因子的预测和小波重建,完成视频流量预测。尺度因子的归-化特性简化丁神经网络处理过程。对真实VBR（Variable BitRate）视频流的流量预测实验表明,模型对IP网络普遍应用的高压缩比视频流具有良好的预测能力。