基于改进Mask Scoring R-CNN的铲齿磨损检测研究

为了实现在电铲工作过程中对铲齿磨损进行实时检测，防止因铲齿磨损而影响电铲开采效率，提出了一种基于改进Mask Scoring R-CNN（region convolutional neural network，区域卷积神经网络）的铲齿实例分割模型。首先，以ResNet-101（residual network， 残差网络）和改进的FPN（feature pyramid networks，特征金字塔网络）作为主干网络，提取高、低特征层的语义信息和细节特征并融合，结合ROI Align层对局部特征层进行裁剪和归一化处理，以完成目标检测与实例分割；然后，基于获取的铲齿分割效果图以及二值化掩码图形信息，计算实例分割后图像中铲齿部分的像素面积，以判断其磨损情况。结果表明，以ResNet-101和改进FPN为主干网络的铲齿实例分割模型在测试集上的平均像素精度为90.76%，平均交并比为83.62%，相比于以ResNet-101和传统FPN为主干网络的实例分割模型分别提升了1.18%和1.21%。在电铲采掘工作现场进行8次铲齿磨损检测实验，检测到的每颗铲齿的磨损程度波动幅度均小于2%，均方差为0.7左右，说明所提出的实例分割模型对铲齿有较好的分割效果和稳定性，基本满足磨损检测要求。研究结果可为铲齿磨损状态的智能化检测提供新思路。     

基于改进型U-Net卷积神经网络的磁片表面缺陷检测

为了对磁片质量检测过程中常见的缺角、划痕、脏污缺陷准确地分割,利用U-Net卷积神经网络的编码解码功能,提出了一种改进的U-Net网络的磁片缺陷图像分割算法。该方法采用深度可分离卷积来减小计算量与模型参数量,结合注意力机制sSE block提炼图像特征图,提高模型的准确率。实验结果表明,所提出算法在磁片缺陷检测中网络的输出图像失真更小,针对缺角、划痕、脏污缺陷检测取得了良好的表现,网络检测结果的准确率(AC)分别达到98.23%、97.25%、96.57%,与原始网络相比提高了1.1%～2.86%,平均交互比(MIoU)分别达到了84.72%、77.36%、75.81%,提高了1.5%～3%,图像分割的效果良好。将改进后的网络在车间现场进行测试,误报率小于5%,漏报率为0。     

基于多模式感知技术在共享单车停放监管的研究

随着共享经济的兴起,共享单车已经成为公共交通网络延伸的重要方式。共享单车的乱停放、不规范停放以及异常聚集等车辆停放问题也越来越严重。针对该问题,该文提出了基于深度学习的视频识别与UWB(Ultra Wide Band,UWB)射频识别融合方法,研究共享单车的停放监管问题。试验表明,该监管方法的单车定位精度达到亚米级,单车违停识别率为96%,姿态检测准确率为97%,可以满足共享单车精准监控的技术需求。     

林区视频监控下车流量分类统计

针对林区环境中通过监控视频统计车流量的传统方法提取车辆特征困难、无法分类统计等问题,提出了一种基于YOLOv5结合DeepSORT的车流量分类统计方法。该方法使用目标检测算法YOLOv5作为检测器对车辆进行分类检测,为了提升实际场景中的车辆检测效果,在算法中融入CBAM注意力机制增强检测器对车辆的特征提取能力,同时将NMS改进为DIoU-NMS,解决了因车辆相互遮挡导致的漏检问题。使用目标跟踪算法DeepSORT对检测到的车辆进行跟踪,为了减少车辆身份切换现象,将重识别网络在车辆重识别数据集上重新训练。最后通过在视频中设置虚拟线的方法对跟踪到的车辆进行统计。将该方法在实际场景中进行效果验证,实验结果表明,总体车流量统计准确率较改进前提升10.1%,汽车、货车、客车的车流量统计准确率分别为91.8%,94.6%,93.8%。     

引入反馈注意力的并行式多分辨率语义分割算法

目的 为了进一步提升语义分割精度,解决当前语义分割算法中特征图分辨率低下,低级信息特征随意丢弃,以及上下文重要信息不能顾及等问题,文中尝试提出一种融合反馈注意力模块的并行式多分辨率语义分割算法。方法 该算法提出一种并行式网络结构,在其中融合了高低分辨率信息,尽可能多地保留高维信息,减少低级信息要素的丢失,提升分割图像的分辨率。同时还在主干网络中嵌入了带反馈机制的感知注意力模块,从通道、空间、全局3个角度获得每个样本的权重信息,着重加强样本之间的特征重要性。在训练过程中,还使用了改进的损失函数,降低训练和优化难度。结果 经实验表明,文中的算法模型在PASCAL VOC2012、Camvid上的MIOU指标分别为77.78%、58.67%,在ADE20K上的也有42.52%,体现了出较好的分割性能。结论 文中的算法模型效果相较于之前的分割网络有一定程度的提升,算法中的部分模块嵌入别的主干网络依旧表现出较好的性能,展现了文中算法模型具备一定的有效性和泛化能力。     

基于改进FCOS的水下目标检测算法北大核心CSCD

提出一种基于改进全卷积单阶段目标检测(FCOS)算法的水下目标检测算法。针对水下光学图像存在高色偏、低对比度、色彩偏暗、模糊失真而导致现有目标检测算法在水下环境检测效果不佳等问题,将骨干网络中的普通卷积替换为可变形卷积(DCN)进行优化,增强算法在模糊的水下光学图片的特征提取能力。通过神经架构搜索(NAS)改进网络的特征融合网络以及检测网络,提升对骨干网络提取到的特征的利用能力。采用CIoU Loss作为新的损失函数来提高坐标回归的准确率。实验表明:改进的FCOS算法在DUO数据集上,检测的准确率提高了1.8%,召回率提高了2.2%,检测速度为53.4帧/s(相比改进前降低了5.0%)。该算法准确率较高并基本达到实时检测的要求。     

基于机器视觉的燃气表表观缺陷自动检测方法

针对膜式燃气表表观缺陷用普通拍照难以高精、高效检测的难题,提出了一种基于机器视觉的燃气表表观缺陷自动检测方法。依据均值滤波算法去除图像中噪声后,基于Otsu自适应分割方法精准分割缺陷与背景区域,在此基础上,采用连通域算法对缺陷轮廓进行提取。实验结果表明,该方法针对划痕、孔洞、表皮剥落等缺陷的检测精度达100%,检测速度为0.42f/s以内,可以有效解决当前燃气表缺陷检测技术效率低、成本高的难题。     

基于ZYNQ的轻量化YOLOv5声呐图像目标检测算法及实现

针对声呐图像存在的模糊、样本量不足的现象,本文提出一种基于YOLOv5的声呐图像目标检测改进算法。利用几何滤波、垂直翻转等方法,对声呐图像数据集进行数据增强。添加融合注意力机制模块,使算法更好地关注声呐图像小目标的特征。同时,针对目前大多数目标检测算法运行在云端,无法做到实时性声呐图像检测的问题,本文利用替换轻量级网络和NCNN边端移植技术,同时在颈部网络中采用GSConv模块,将算法成功移植到ZYNQ平台,实现声呐图像的嵌入式端实时检测。实验表明,本文提出的算法在降低了56%参数量的同时,在map50和map50-95上分别提高2.2%和2.5%。改进后的算法性能提升明显,证明所提出的方法在轻量化声呐图像目标检测任务上具有一定的可行性与有效性。     

基于多尺度融合方法的无人机对地车辆目标检测算法研究

由于飞行高度等原因,无人机图像在实际使用中目标尺寸普遍较小、特征信息不明显,使用现有的算法对其进行目标检测存在困难。因此,提出了基于多尺度融合的图像多目标检测方法,使用Faster R-CNN为基础框架,将不同层次的特征信息进行融合,再结合上下文信息,实现了对无人机图像小目标检测。使用VisDrone2019数据集对地面车辆进行目标检查,实验证明:无人机对地面车辆目标的检测达到了较好的结果,所使用算法的精度达到88%,与其它算法相比提升了3.8%以上。     

基于水平集的组织热损伤区域自动检测

为超声引导的HIFU治疗系统设计一种自动检测凝固性坏死损伤区域的大小形状及位置的辅助诊断方法,本文提出一种基于水平集的HIFU损伤区域自动探测方法,利用超声剪影图像所含灰度变化信息,自动识别热损伤发生的位置,设置水平集函数的初始值,进而对热损伤区域的的边界进行检测.该算法分割出的组织损伤区域形状与大小均与组织剖面所见损伤区域相符,对连通或非连通区域均可进行很好的分割.     

一种基于改进PCNN模型的图像分割方法

通过对传统脉冲耦合神经网络(PCNN)模型的改进,在模型的输入端加入目标区域的边缘数据,使最高灰度级不同的非连通神经元同期点火,实现了多目标区域同时分割。给出了影响同期点火激励范围的主要参数β的自动设定方法,并设计了基于图像最大熵准则的自动分割算法。用分割精度评价准则验证了所提出方法的有效性。实验证明,对于低噪声污染的图像,改进的PCNN模型在多目标识别中的正确接受率达到95%以上,明显优于经典的Fastlinking模型。     

基于注意力机制的轻量级RGB-D图像语义分割网络

目的针对卷积神经网络在RGB-D(彩色-深度)图像中进行语义分割任务时模型参数量大且分割精度不高的问题,提出一种融合高效通道注意力机制的轻量级语义分割网络。方法文中网络基于RefineNet,利用深度可分离卷积(Depthwiseseparableconvolution)来轻量化网络模型,并在编码网络和解码网络中分别融合高效的通道注意力机制。首先RGB-D图像通过带有通道注意力机制的编码器网络,分别对RGB图像和深度图像进行特征提取;然后经过融合模块将2种特征进行多维度融合;最后融合特征经过轻量化的解码器网络得到分割结果,并与RefineNet等6种网络的分割结果进行对比分析。结果对提出的算法在语义分割网络常用公开数据集上进行了实验,实验结果显示文中网络模型参数为90.41 MB,且平均交并比(mIoU)比RefineNet网络提高了1.7%,达到了45.3%。结论实验结果表明,文中网络在参数量大幅减少的情况下还能提高了语义分割精度。     

基于 Blob 算法的烫印缺陷在线检测的研究

分析了常见的烫印缺陷,介绍了烫印缺陷在线检测的基本流程以及检测系统的关键技术,包括烫印缺陷的判定,Blob 算法如何分析连通区域,确定连通区域的数量、大小、面积和位置等信息,根据连通区域的特征参数成功地对烫印缺陷进行了分析归类,实现了烫印缺陷的在线检测。     

融合注意力机制的弱监督纸板表面缺陷检测

目的 针对目前表面缺陷检测方法因缺少实例级标签,使深度神经网络在工业检测上的应用受到限制的问题。本文面向实际的纸板表面缺陷检测任务,提出弱监督学习下融合卷积和注意力机制的神经网络算法。方法 该网络通过将通道注意力模块和梯度类激活映射模块相结合,进一步提高类激活图的精细度,实现纸板表面缺陷的精确定位;同时通过倒残缺结构和上采样层的组合操作,进一步细化浅层特征提升网络的特征提取能力,加快网络收敛速度。结果 通过在公开的纸板缺陷数据集上进行实验,本文提出的算法在使用图像级标签训练的情况下,分类正确率与定位正确率分别达到99.0%和92.2%,验证了该算法的有效性。结论 避免了实例级标签数量较少和过于主观的缺点,为基于机器人的缺陷纸板剔除奠定了基础。     

基于背景重构和水平集的多运动目标分割

针对固定摄像机监控中多运动目标自动分割问题,本文提出了一种基于背景差分和水平集的新方法.首先,该方法通过求解连续三帧图像的对称差分,确定出当前帧中的背景像素点,并对背景像素点的灰度值进行统计,最后选择频率最高的灰度值作为该点背景像素灰度值来重构背景.其次,提出了基于8-邻域搜索的区域生长算法完成连通区域的检测,并通过设置阈值和连通域分析,消除背景块噪声并标定出运动目标区域.最后,对所有运动目标区域块,分别采用无需重新初始化的水平集算法作分割,得到封闭和完整的目标轮廓.实验结果表明,该算法能实现固定摄像机滥控中刚体或非刚体的多运动目标的自动检测和轮廓分割.     

复杂交通场景中的车辆检测与跟踪新方法

提出了复杂交通场景中的车辆检测新方法,采用背景差法进行运动对象分割,并结合运动边缘检测以提高检测的准确性,对提取出的感兴趣区域按一定规则进行区域融合以检测车辆。提出基于区域特征匹配的车辆跟踪新方法,通过计算车辆链表中区域的特征向量与当前帧运动区域特征向量的距离确定匹配车辆,实现车辆跟踪。同时利用“确定车辆”、“临时车辆”规则解决车辆遮挡和阴影问题。实验结果表明该方法简单有效,能有效解决车辆遮挡和阴影问题,实时提取交通信息。     

基于FT与超像素模糊C均值聚类的马铃薯病虫害图像识别技术

本文针对马铃薯病虫害区域难以自动分割的问题,提出了一种基于FT显著性检测与超像素模糊C均值聚类（SFFCM）相融合的无监督分割方法。该算法利用FT显著性检测增强梯度图像,并对梯度增强图像进行重构。经过分水岭分割后,对各超像素区域颜色求平均,利用FCM算法聚类得到最终的分割图。实验表明,与SFFCM、SFFCM-SR相比,本文算法分割效果占优。     

基于多特征匹配的液晶屏字符缺陷检测

目的 为了实现电动滑板车包装前液晶屏字符检测高效、高精度的目标,以及为了解决液晶屏字符中Led段码字体难以精确分割、匹配算法复杂等问题。方法 通过Hough直线检测实现字符区域的位置校正,投影法实现分割字符区域,形态学处理、连通域分析实现各字符的提取,采用BP神经网络模型对字符进行识别,最后通过改进的几何特征检测字符缺线、漏线,灰度特征检测字符亮度不均匀。结果 液晶屏字符实验结果表明,每个字符平均识别时间为0.16s,每个屏幕平均识别时间为0.6s,液晶屏字符缺陷加权识别率为96%。结论 该算法具有较高的可靠性、效率、识别率,解决了液晶屏字符在几何、亮度缺陷下高效、高精度检测实际工程的问题,为同类产品的检测提供了算法经验。     

基于大气散射模型的单幅雾天图像复原方法

现有大气散射模型方法对于利用长期固定成像器的地方可以较好实现场景建模并复原雾天图像,但在缺乏其他天气状况下,景物图像作为参考的单幅雾天图像不能很好地复原。针对这一问题,该文提出一种新的基于大气散射模型的单幅雾天图像复原方法。该复原方法先通过边缘检测算法查找景物轮廓来划分不同区域,然后标定不同连通区域来划分景物层次,再计算图像灰度值变化曲线的斜率并分割天空区域,最后对新的环境光强度设定,对不同区域的景物采用不同的参数进行复原。采用一张手动拍射图像和一张网络图像作为实例分别进行实验,结果表明:该方法能够很好地复原缺乏参考图像的单幅雾天图像。     

面向道路场景语义分割的移动窗口变换神经网络设计

道路场景语义分割是自动驾驶环境感知的一项重要任务。近年来,变换神经网络(Transformer)在计算机视觉领域开始应用并取得了很好的效果。针对复杂场景图像语义分割精度低、细小目标识别能力不足等问题,本文提出了一种基于移动窗口Transformer的多尺度特征融合的道路场景语义分割算法。该网络采用编码-解码结构,编码器使用改进后的移动窗口Transformer特征提取器对道路场景图像进行特征提取,解码器由注意力融合模块和特征金字塔网络构成,充分融合多尺度的语义特征。在Cityscapes城市道路场景数据集上进行验证测试,实验结果表明,与多种现有的语义分割算法进行对比,本文方法在分割精度方面有较大的提升。