基于卷积神经网络预测结果的缝隙修复算法研究

随着卷积神经网络技术的发展,近来的研究越来越注重于准确率的提升以及语义信息的完善。其中Mask R-CNN网络是对Faster R-CNN进一步改进后的实例分割网络,在高分遥感图像地物识别具有良好的分割效果。但由于卷积神经网络只能用小瓦片图像进行训练和预测,而导致预测结果存在较大的语义信息误差。面对这种问题,提出了针对卷积神经网络预测结果缺陷的缝隙修复算法,即先使用Overlapsize算法改善预测结果与真实结果的匹配程度,再通过PostGIS数据库中的相关函数填补缝隙,使小瓦片能真正拼接成完整大图。研究及实验结果表明：该算法能够很好地改善图像语义信息,具有实用性。     

融合注意力机制与可变形卷积的多尺度骨病变检测

目的 在计算机断层扫描（computed tomography,CT）影像中对骨组织部位进行自动分析和检测,对于骨科疾病的早期诊断具有重要意义,然而基于人工分析诊断的方法存在效率较低、诊断的准确性和客观一致性无法保证等问题。为此,本文研究构建一个骨组织病变检测的级联神经网络模型,以期为骨科医生的诊断提供支持。方法 在影像预处理阶段使用改进的增强方法对CT影像进行对比度增强并获取影像中的人体有效部位;根据骨骼组织CT值（Hounsfield unit,HU）的分布范围进行阈值分割,得到大致的骨组织区域;以级联目标检测模型为研究基线,结合注意力机制与可变形卷积增加特征图的全局上下文的相关性,以适应形态多变的骨病灶;通过特征融合模块促进不同尺度特征信息之间的融合,并在多个尺度特征图上分别进行骨组织病变训练和预测。结果 在DeepLesion数据集上进行实验,实验结果表明,本文网络对骨病变检测的召回率（recall）、准确率（precision）、F1分数、平均精度（average precision,AP）分别为0.85、0.613、0.712以及0.816;较对照组中性能最优的通用CT病变检测网络对骨病变检测的召回率提升0.15。结论 本文提出的网络模型对CT骨组织病变具有较好的检测效果,能够对骨组织病变判别诊断提供辅助支持,提高诊断效率,降低漏诊风险。     

Mask R-CNN模型在茄花花期识别中的应用研究

将Mask R-CNN实例分割模型应用于茄子花期识别研究,针对Mask R-CNN模型对大目标物存在误检和漏检的情况,提出使用混合空洞卷积融合普通卷积的方法,在ResNet50的残差块中进行参数修改,通过堆叠残差块完成对整个特征提取网络的改进,扩大了特征图感受野,增强了全局信息关联性;针对出现的过拟合问题,运用迁移学习方法将预训练的ResNet50特征提取网络作为茄花识别模型的初始参数,提高了模型在测试集泛化能力的同时提升了模型训练速度。运用改进的模型在测试集上的mAP为0.962,mIOU为0.715。通过定性分析并与其他模型进行对比,证明改进的模型能有效提高大目标物分割能力,对茄子花期识别具有良好效果。该研究为茄花自动授粉与花期管理提供了技术支持,对保证授粉质量,提升经济效益具有重要意义。     

AI-Based Supervision for a Stirred Extraction Column Assisted with Population Balance-Based Simulation

Solvent extraction as environmental benign separation technique can be modeled in physical detail by population balance of the droplet size distribution. However, much information on the droplet generation and coalescence is necessary for representative results. In this contribution, we present a comparison of AI-evaluated experimental and simulated data on the behavior of a stirred solvent extraction column with an inner diameter of 32 mm. Lab experiments were performed using the standard test system with n-butyl acetate, acetone, and deionized water. A digital camera is placed in front of the middle section as well as the head of the column. Droplet size evaluation is performed using a retrained neural net (Mask R-CNN). The stirred DN32 extraction column is modeled and simulated using a 1D CFD population balance software. The simulation allows for behavior analysis, trends comparison, and validation of the hydrodynamics and mass transfer performances.     

基于双流Faster R-CNN的像素级图像拼接篡改定位算法

基于双流Faster R-CNN的图像拼接篡改定位算法因综合考虑彩色图像及其噪声图像作为输入而获得良好性能.但是,它仍存在两个不足,定位精度只是块级且经过隐写分析富模型产生的噪声图易夹杂大量冗余非篡改区域信息.为此,提出一种基于双流Faster R-CNN的像素级拼接篡改定位模型.针对第一个缺陷,增加一个全卷积网络分支...     

基于改进Faster R-CNN的瓶装饮料商品目标检测方法

该文以无人售货机售卖瓶装饮料商品为研究场景,提出一种基于改进Faster R-CNN算法的瓶装饮料商品目标检测方法.首先,采用残差网络ResNet-50进行特征提取,加深网络对目标特征的提取和学习的深度;然后,根据瓶装饮料商品形态学特征,增加区域建议网络(Regional Proposal Network)的锚框数量和...     

基于深度学习的座舱开关状态识别研究

飞机飞行前为保证飞行安全,需要机务人员对座舱开关、安全销等状态进行检查确认,由于检查对象多、状态多,人为检查常常出现错检、漏检.因此,以飞机座舱开关为具体研究对象,提出了一种基于深度学习的座舱开关状态识别方法.在典型的目标检测算法Faster R-CNN的基础上,提出基于特征融合的多分支Faster R-CNN改进算法,既提升了小目标开关的检测精度,又兼顾了 一般大小目标物体的检测精度.多组对比实验表明,所提出的方法在座舱开关状态检测场景中的平均精度较原始的Faster R-CNN有明显提升.     

基于Mask R-CNN的电力设备锈迹检测

电力设备锈迹目标的识别在电力安全方面具有极高的应用价值，但是锈迹具有大小、形状不规则等特点，利用传统的机器学习算法检测效率和准确率不高.针对这一问题，研究分析锈迹特点，提出基于Mask R-CNN的电力设备锈迹检测识别方法.使用Faster R-CNN完成目标检测的功能，FCN精准的完成语义分割的功能，实现像素级别的分类识别，较好地解决了不规则锈迹的检测问题.实验结果表明，基于Mask R-CNN的电力设备锈迹检测结果准确率高.