基于Faster-RCNN和先验知识的车架VIN码识别方法

为了提高车检所工作效率,同时克服对VIN(Vehicle Identification Number)这类长字符串识别准确率低的难题,基于现有深度卷积神经网络的模型,提出以Faster R-CNN为主干网络,并结合先验知识的车架VIN识别模型。根据车架号图像特点,选择Faster R-CNN进行字符级定位和识别的方案。针对长字符识别容易漏字符的现象,使用被遗漏位置的前后字符坐标来定位缺失字符。使用inception网络对补漏得出的字符区域进行识别。灵活使用先验知识使得该方法比只使用Faster R-CNN识别车架号的准确率提高了31.7百分点,识别率达到了64.77%,这也高于当前主流OCR模型在长度超过15位的文本上的准确率。

基于多流神经网络的痤疮证候分类

目的以为中医提供贴合实际需求的痤疮辅助分类方案为目的,针对传统神经网络在痤疮证候分类任务中计算复杂、准确率低,且无法实现将面图像与舌图像相结合进行同时分析的问题,提出了基于多流神经网络的痤疮证候分类模型。方法首先,针对面部图像,引入预处理模块Faster-RCNN识别出痤疮患者五官区域并对其进行遮挡,完整保留面部皮肤。其次,针对舌图像,引入预处理模块基于K-means聚类算法的舌图像苔质分离方法。接着,将面部皮肤、舌质和舌苔图像分别作为多流神经网络分类模块的三个并行对称网络流的输入,提取更充分有效的图像特征。最后,将三个分类结果相加融合得到证候类型输出。结果实验完成面图像五官自动识别、舌图像苔质分离的图像预处理任务,搭建多流神经网络完成痤疮证候分类,整体模型针对痤疮证候的最高分类准确率为97.13%。结论基于多流神经网络的痤疮证候分类模型实现了将面图像与舌图像相结合进行分析的任务,同时,模型测试效率及准确率较经典网络有所提高。

基于深度学习的钢轨光带检测算法

列车在轨道上行驶的过程中,车轮的轮缘会对钢轨轨面进行碾压,形成光带。钢轨光带的形状反映钢轨与车轮之间的位置关系,对异常光带形状的捕获可以有效预防列车运行的安全问题,并且提高列车乘坐的舒适程度。传统的人工检测光带方法存在效率低和专业性强等问题。早期的计算机视觉技术利用图像的边缘信息和灰度信息对钢轨区域进行定位,在此基础之上对光带区域进行分割,在效率和鲁棒性上差强人意。因此,对钢轨以及光带区域进行高效率、高精度分割是十分必要的。首先,使用ResNet分类网络区分道岔区和非道岔区图像。然后,针对两种图像,分别利用DeeplabV3+分割网络对图像的光带和钢轨区域进行分割。最后,针对钢轨边缘容易分割不清的问题,提出一种基于Douglas-Peucker算法的后处理算法,对钢轨边缘进行拟合。研究结果表明:相比于直接利用语义分割网络对两类图像一起分割,先分类再分割并对分割结果后处理的操作能够稳步提高分割准确率。该算法对非道岔区的图像的整体分割、铁轨分割、光带分割的交并比(IOU)分别为95.45%,87.48%,92.60%;对道岔区的图像的相应指标分别为90.20%,76.56%,85.42%。因此,所提算法对钢轨以及光带区域的分割精度较高,并且能够高效完成批量图像处理,具有较高的工程价值。