基于改进SOLOv2的家蚕图像实例分割的应用与研究

在家蚕养殖过程中,通常需要人工检查家蚕是否发生病变,但人工检查存在效率低、检查不全面等问题。为解决这些问题,本研究提出一种新颖的家蚕图像实例分割算法(多级残差特征融合Multi-ResFF-SOLOv2),该算法引入多级残差模块,分别是梯度、傅立叶和空间通道注意力残差模块,从而提取出更高维的语义信息。实验结果分析表明,该算法的平均精确度(Mean Average Precision,mAP)为96.7%,模型经过量化后,其推理速度为61fps。结果为家蚕农业养殖的智能化发展提供了有效的解决方案。

基于改进SOLOv2的金丝球焊焊点检测方法

为实现对金丝球焊焊点的精确检测,提出了一种基于改进SOLOv2网络的金丝球焊焊点检测方法。该方法以SOLOv2网络为主体框架,设计了一种孪生结构编码器,可以同时输入同轴光图像和低环光图像并准确提取焊点特征。在SOLOv2网络结构中将编码器同一层级的特征图通过跳跃连接建立同轴光图像和低环光图像之间的特征联系,实现了图像特征信息互补以及焊点检测准确率的提高。通过孪生结构隔离开同轴光图像和低环光图像特征提取模块的权重参数,避免编码器权重参数在训练过程中偏向于某一种光照场景,提高了网络的泛化能力。改进后的SOLOv2网络在测试集上的交并比IoU和F1-score值分别提升了0.0219和0.0137,并且使用在COCO数据集上的预训练权重来初始化编码器,以加速网络的收敛。相对于语义分割网络,SOLOv2网络也能够有效解决黏连焊点特征提取问题,满足实际检测需求。

基于SOLOV2改进的实例分割算法研究

实例分割在图像分类的基础上为每一个物体生成像素级别的分割掩码,是当前计算机视觉领域热门研究课题,也是极具挑战性的任务之一。针对当前算法存在的分割精度和鲁棒性不高等问题,提出了一种改进的SOLOV2算法。首先,以FCN(Fully Convolutional Networks for Semantic Segmentation)算法为整体框架,采用ResNext作为骨干网络,在不增加网络参数量和计算量的前提下可以有效提升网络的精度;其次,采用改进的NAS-FPN(Neural Architecture Search Feature Pyramid Network)作为特征金字塔网络结构,这是一种可以在FPN中进行特征图的搜索和组合结构,使网络可以重新搜索并融合已经提取的特征图,以此来解决网络不能充分感知特征图从而导致网络精度不高的问题;最后,通过调整超参数得到整个分割网络模型。通过在COCO2017数据集上与BDD100K数据集上进行实验分析比较可知,改进的基于SOLOV2实例分割算法精度达到41.8%,在兼顾实时性的同时网络精度提升了2.1%。通过实验证明改进的算法可以适应多种交通场景,可以完成交通场景目标的检测与分割。

基于改进SOLOv2的煤矿图像实例分割方法

现有的图像分割方法用于清晰度较好的煤矿井下图像时效果良好,但应用于环境复杂的煤矿井下时,获取的图像大多较模糊且目标物体轮廓不清晰,从而影响目标物体的分割精度。针对上述问题,提出了一种基于改进SOLOv2的煤矿图像实例分割方法。将SOLOv2模型的ResNet-50网络替换为ResNeXt-18网络,从而精简网络层数,提升模型的推理速度;引入坐标注意力(CA)模块,以提升模型特征提取能力,保留精确的位置信息,提高模型的图像分割精度;采用ACON-C激活函数替换ReLU激活函数,从而使神经元之间的特征得以充分组合,增强模型的特征表达能力,进一步提高模型的图像分割精度。将改进SOLOv2模型部署在嵌入式平台上进行煤矿图像分割实验,相较于SOLOv2模型,改进SOLOv2模型的Mask AP(掩膜平均精度)提高了1.1%,模型权重文件减小了83.2 MiB,推理速度提高了5.30帧/s,达26.10帧/s,在煤矿图像分割精度和推理速度上均有一定提升。