基于Mask Scoring R-CNN的高质量数据集快速自动标定方法

针对计算机视觉领域人工标定多目标数据集时间冗长的问题,提出一种基于Mask Scoring R-CNN的高质量数据集快速自动标定方法;首先,设计了高质量数据集快速自动标定架构,训练数据自动标定模型并搭建目标分类与标定系统;其次,在对比不同残差网络及引入迁移学习基础上,进一步研究了基于MaskIoU Head的多目标掩膜标定质量评价方法,完成基于Mask Scoring R-CNN的多目标高质量数据集快速自动标定方法设计;最后,以车辆数据为例进行数据集快速自动标定方法验证,实验结果表明,相较于Mask R-CNN和Faster R-CNN方法,Mask Scoring R-CNN方法具有目标数据分类效果好及掩膜分割精度高的优点,检测准确率达到93.4%,且标定速度相较于人工标定速度提升了95.77%。     

基于改进Mask R-CNN的火焰图像识别算法

传统火焰检测算法依赖于人工特征工程,具有主观性和盲目性,存在泛化能力差,检测准确率不高等问题。提出一种基于改进Mask R-CNN的火焰图像识别算法,算法在Mask R-CNN的基础上,在特征金字塔引入一条自下向上的特征融合,同时改进了损失函数,使边框定位更准确。在自建的测试数据集上实验表明,改进后算法准确率相对于原先算法识别定位精度更高,检测准确率提升超过5%。     

结合深度学习与支持向量机的金属零件识别

目的 在视觉引导的工业机器人自动拾取研究中，关键技术难点之一是机器人抓取目标区域的识别问题。特别是金属零件，其表面的反光、随意摆放时相互遮挡等非结构化因素都给抓取区域的识别带来巨大的挑战。因此，本文提出一种结合深度学习和支持向量机的抓取区域识别方法。方法 分别提取抓取区域的方向梯度直方图（HOG）和局部二进制模式（LBP）特征，利用主成分分析法（PCA）对融合后的特征进行降维，以此来训练支持向量机（SVM）分类器。通过训练Mask R-CNN（regions with convolutional neural network）神经网络完成抓取区域的初步分割。然后利用SVM对Mask R-CNN识别的抓取区域进行二次分类，完成对干扰区域的剔除。最后计算掩码完成实例分割，以此达到对抓取区域的精确识别。结果 对于随机摆放的铜质金属零件，本文算法与单一的Mask R-CNN及多特征融合的SVM算法就识别准确率、错检率、漏检率3个指标进行了比较，结果表明本文算法在识别准确率上较Mask R-CNN和SVM算法分别提高了7%和25%，同时有效降低了错检率与漏检率。结论 本文算法结合了Mask R-CNN与SVM两种方法，对于反光和遮挡情况具有一定的鲁棒性，同时有效地提升了目标识别的准确率。     

基于注意力及生成对抗网络的遥感影像目标检测

针对传统目标检测算法在环境多变、背景复杂、目标聚集、小目标过多的航空遥感影像目标检测上效果不理想的问题, 本文提出了一种基于注意力机制及生成对抗网络的遥感影像目标检测模型Attention-GAN-Mask R-CNN. 该模型将注意力、生成对抗网络和Mask R-CNN结合起来, 用以解决遥感影像目标检测中存在的问题. 实验结果表明, 在复杂的遥感影像数据集中, 该方法提升了目标检测的效率和准确率.     

基于深度学习的空间非合作目标特征检测与识别

针对空间非合作目标检测与识别任务的智能化要求,本文将深度学习方法Mask R-CNN(mask region-based convolutional neural network)应用于任务中,并借鉴R-FCN(region-based fully convolutional networks)和Light-head R-CNN (light-head region-based convolutional neural network)对其进行优化改进,提升检测速度,以满足空间任务实时性要求。实验结果表明,与传统的Mask R-CNN相比,改进的Mask R-CNN可缩短20%的检测时间。针对深度神经网络需要大样本数据集进行训练的特点,本文基于迁移学习提出搭建虚拟环境进行样本采集,构造空间目标特征检测与识别数据集的方法。实验结果表明,网络在虚拟环境生成的数据集上可以很好地学习到相应特征,从而具备迁移到实际任务的能力。     

基于Faster R-CNN的手势识别算法

针对传统手势识别算法准确率不高、鲁棒性不强的问题,基于卷积神经网络提出基于Faster R-CNN的手势识别算法.首先修改Faster R-CNN框架的关键参数,达到同时检测和识别手势的目的;然后提出扰动交叠率算法,避免训练模型的过拟合问题,进一步提高识别准确率.在公共数据集NTU和VIVA上进行手势识别实验的结果表明,该算法有效地避免了训练模型的过拟合问题,比传统算法具有更高的识别准确率和更强的鲁棒性.     

基于改进Mask R-CNN的刮板输送机铁质异物多目标检测

刮板输送机是煤矿井下的关键运输设备,铁质异物进入刮板输送机会引发磨损、断链等,甚至会造成停产、伤人等严重事故。现有刮板输送机异物识别方法存在对井下图像的适应性较差、无法区分异物类别与数量等问题。针对上述问题,提出了一种基于改进掩码区域卷积神经网络（Mask R-CNN）的刮板输送机铁质异物多目标检测方法。采用基于Laplace算子的图像增强算法对井下低照度、高粉尘环境下采集的图像进行预处理,对增强后的图像进行标注,制作数据集。采用Mask R-CNN模型的ResNet-50特征提取器获取铁质异物图像特征;采用特征金字塔网络进行特征融合,保证同时拥有高层的语义特征（如类别、属性等）和低层的轮廓特征（如颜色、轮廓、纹理等）,以提高小尺度铁质异物识别精度;针对Mask R-CNN模型生成的锚点与待检测的铁质异物尺寸不对应的问题,对Mask R-CNN模型进行改进,采用k-meansⅡ聚类算法代替原来的锚点生成方案,通过遍历数据集中标注框的长宽信息得到聚类中心点,实现刮板输送机铁质异物多目标检测。实验结果表明,改进Mask R-CNN模型对单张图像的平均检测时间为0.732 s,与Mask R...     

基于深度学习的车载导航导光板表面缺陷检测研究

针对车载导航导光板表面缺陷像素值分布不均且普遍较小、背景复杂多变等特点,提出了基于改进掩膜区域卷积神经网络(Mask Region-based Convolutional Neural Network,Mask R-CNN)模型检测车载导航导光板表面缺陷的检测方法.首先,引入PinFPN模块改进原有Mask R-CNN...     

基于改进Mask R-CNN的卫星目标部位检测方法

针对卫星部件维修更换、燃料加注、废弃卫星回收等空间在轨服务中需解决的目标卫星部位检测问题,在Mask R-CNN的基础上,改进其主干网络结构并缩减分类回归、Mask分支通道数,提出了一种改进的实例分割网络模型Ring-Engine-Mask R-CNN,使用实物模型图像和3dsMax生成的仿真图像建立了专用数据集,给出了一种基于深度学习的卫星目标部位检测方法;实验结果表明,该方法能较好的完成卫星星箭对接环和远地点发动机喷管两种目标部位的检测分割,相较于传统的网络模型,在缩小了模型规模的同时,具有更高精度和更快的检测速度.     

基于改进Mask R-CNN的生活垃圾检测

近年来,人们对于垃圾的分类与回收越来越重视,但垃圾分类耗费了大量的人力和物力且分拣效率低下。针对基于矩形边界框的垃圾检测方法在多分类环境下效果不够理想等问题,提出了一种基于改进Mask R-CNN算法的生活垃圾检测模型。该模型摒弃了传统的ResNet,采用改进的ResNeXt101作为主干网络进行特征提取,提高了目标检测的准确率和背景边界线分割的精确度。实验结果表明,与传统的Mask R-CNN算法相比,本文模型的mAP为91.1%,提升了2.35%;与当前流行的目标检测模型进行了对比,本文模型的分类准确率和分割精确度均表现优异,表明了所提模型在垃圾检测任务中的可行性与有效性。     

基于多任务级联卷积神经网络的交通标志检测

为解决复杂驾驶环境中小目标交通标志的高精度检测问题,基于Cascade R-CNN级联模型提出一种多任务级联模型GA-CMF R-CNN(guided anchoring-cascade mask flow R-CNN).采用ResneXt101(32×4d)-FPN作为特征提取网络,确保特征图的语义信息和分辨率信息;...     

基于改进Mask R-CNN的建筑钢筋尺寸检测算法

建筑施工现场钢筋图像背景复杂且干扰较多,传统图像检测算法无法有效利用特征信息,难以满足现阶段建筑智能监理行业中钢筋尺寸检测精度的验收要求。提出一种在Mask R-CNN模型基础上加入自下而上路径和注意力机制的改进模型BU-CS Mask R-CNN。在建筑工地现场拍摄图像后,整理自建钢筋数据集,并在此数据集上进行算法验证。实验结果表明,与Mask R-CNN模型相比,BU-CS Mask R-CNN模型的召回率、交并比和像素准确率分别提升了4.9%、6.8%、7.4%,钢筋直径和间距的尺寸检测精度分别提升了14.9%、4.4%,能得到更加准确的钢筋目标检测框和边缘分割掩膜,达到了行业中实际工程验收的精度要求。     

改进Mask R-CNN在航拍灾害检测的应用研究

目标检测在众多领域具有极高的理论意义与应用价值，更稳定、更精确的目标检测方法是目前灾害检测领域研究的热点与难点。将基于深度学习的目标检测方法应用于灾害检测中，提出基于改进Mask R-CNN的航拍灾害检测方法。针对检测中出现的准确率较低，采用改进特征金字塔的结构，充分利用特征映射图的信息，提高各尺寸灾害目标的检测精度；并引入在线困难样本挖掘机制，解决正负样本不均衡的问题，减少误检率和漏检率。同时采用多部件结合的方法剔除误检目标。为验证该方法的有效性，在Tensorflow深度学习框架上，选取不同高度的森林火灾、滑坡、泥石流、地震航拍图像进行验证实验。结果表明，该方法能实现对不同类型的灾害进行快速而又准确的检测，同时对基于其他应用背景的目标识别研究也具有一定的参考意义。     

基于RPN和FCN的电力设备锈迹检测

针对电力设备在高温、高压、高流速条件下长期连续运行发生锈蚀隐患难以及时发现的问题,提出一种基于区域建议网络与全卷积神经网络相结合的对无规则锈迹进行检测的方法RPN-FCN。首先使用区域建议网络生成带锈迹的候选区域,然后对锈迹候选区域进行全卷积操作,从而在像素级别进行精确的分类定位。通过实验对比,结果表明本文提出的方法对于无规则的锈蚀检测更加准确有效。     

人体关键点检测的Mask R-CNN网络模型改进研究

由于在现有的人体关键点检测问题中,深度学习解决方案采用的掩膜区域卷积神经网络Mask R-CNN存在参数量大导致计算成本过高、迭代次数多导致训练时间过长等问题,提出了一种基于重组通道网络ShuffleNet改进 Mask R-CNN网络模型。通过引入ShuffleNet的网络结构,使用分组逐点卷积与通道重排的操作与联合边框回归和掩膜分割的计算结果对Mask R-CNN进行轻量化改进。使用该方法改进网络模型在进行单人或多人情况下的人体关键点检测中,在保留精度的前提下,可以加快运行速度,减少检测时间。