一种基于空间上下文注意力网络的立体匹配方法

立体匹配可以看作是有监督的学习任务,通过将大量的左右图像输入到卷积神经网络中进行训练,可以获得性能良好的视差图。但是,当前的网络结构对病态区域的视差估计仍然存在困难。为了解决这个问题,提出了一种空间上下文注意力网络,这个网络可以通过聚合全局上下文信息来提高对病态区域的视差估计准确性。实验结果表明,提出的方法在合成数据集Scene Flow和真实场景数据集KITTI 2015中对病态区域的视差估计得了较好的效果。

基于YOLOv3的磁瓦表面缺陷检测算法

由于磁瓦缺陷本身对比度、不同缺陷特征不尽相同等原因,传统缺陷检测算法检测效果较差。针对不同缺陷特征的磁瓦缺陷检测的问题,提出了一种基于YOLOv3的磁瓦缺陷检测方法。YOLOv3借鉴Resnet的残差结构可以很轻松的构建更深的卷积网络,更深的网络可以更好地表达磁瓦缺陷的特征。同时其类似FPN的特征融合思想,可以较好地保证小缺陷样本不会出现特征丢失的情况。基于以上优点,YOLOv3很适合应用于缺陷检测。实验结果表明,该方法在检测效果上不差于基于Resnet101的FasterR-CNN的方法,而且其平均检测速度快5倍以上。

基于Mask R-CNN的磁瓦表面缺陷检测算法

磁瓦图像具有光照不均、表面纹理复杂、对比度低等特点,针对传统的缺陷检测算法难以准确分割其中缺陷的问题,提出基于掩膜区域卷积网络(Mask R-CNN)的缺陷检测算法。该算法首先通过限制对比度的自适应直方图均衡化方法对图像进行预处理;然后,采用残差网络50(ResNet50)构建特征金字塔网络(FPN)获取图像信息并提取特征,再采用区域建议网络(RPN)提取缺陷区域的感兴趣区域,得到相应的锚框,并通过全卷积神经网络(FCN)对感兴趣区域内部的像素类别进行预测,以实现缺陷分割;最后通过网络的全连接层实现每个感兴趣区域所属类别和相应锚框坐标的预测。实验结果表明,该算法具有较强的泛化能力,可以对表面存在大量纹理复杂、光照不均和对比度低的磁瓦图像进行精确的缺陷分割,具有较强的鲁棒性。