基于卷积神经网络的磁瓦表面缺陷识别

针对现有的磁瓦表面缺陷识别算法准确率低且泛化能力不足的问题,提出一种基于卷积神经网络的磁瓦表面缺陷识别算法。该算法在轻量级NASNet卷积神经网络的基础上,引入双线性模型增强网络的特征表达力,提高算法识别精度。其次,为了减少模型参数量与计算量,改进NASNet模型结构进行特征降维。同时采用Adam算法作为网络的优化算法,提高训练过程的平稳性和收敛速度;选择Leaky ReLU函数作为网络的激活函数,提高模型的鲁棒性。考虑小样本磁瓦数据集,引入Dropout、样本增强、迁移学习技术防止网络过拟合,提高网络模型的泛化能力。实验结果表明,该算法实现了小样本多类别磁瓦表面缺陷的高精度识别,平均识别精度达到98.8%,与轻量级NASNet相比平均识别率提升约2.49%。

室内服务机器人的实时场景分割算法

室内场景下的实时场景分割是开发室内服务机器人的一项关键技术,目前关于语义分割的研究已经取得了重大进展,但是多数方法都倾向于设计复杂的网络结构或者高计算成本的模型来提高精度指标,而忽略了实际的部署成本。针对移动机器人算力成本有限的问题,设计一种轻量化的瓶颈结构,并以此为基本元素构建轻量化场景分割网络。该网络通过与特征提取网络级联获得更深层次的语义特征,并且融合浅层特征与深层语义特征获得更丰富的图像特征,其结合深度可分离卷积与多尺度膨胀卷积提取多尺度图像特征,减少了模型的参数量与计算量,同时利用通道注意力机制提升特征加权时的网络分割精度。以512像素×512像素的图像作为输入进行实验,结果表明,该算法在NYUDv2室内场景分割数据集和CamVid数据集上的MIoU分别达到72.7%和59.9%,模型计算力为4.2GFLOPs,但参数量仅为8.3Mb,在移动机器人NVIDIAJetsonXavierNX嵌入式平台帧率可达到42frame/s,其实时性优于DeepLabV3+、PSPNet、SegNet和UNet算法。

基于空时域信息融合的水面垃圾显著性检测

针对现有目标检测算法在水面垃圾检测中,由于图像存在光照、水纹、倒影等干扰导致的算法鲁棒性不足的问题,提出了一种融合空域先验信息和频域相位谱的水面垃圾显著性检测方法。在空域融合基于背景先验、局部对比度先验和暗部区域先验信息生成的最小障碍距离图、对比度图和背景图,得到初始的水面垃圾显著图;在频域对图像相位谱进行低秩分解再加权融合,得到冗余较少的显著目标。实验证明,该方法准确率可达96.4%,可有效抑制波纹、光照、倒影的干扰。