基于改进的YOLOv5金刚石线表面质量检测

金刚石线上固着的金刚石颗粒数量、位置分布和分布密度等是衡量金刚石线表面质量的重要参数,也是衡量金刚石线切割能力的重要指标。针对金刚石颗粒微小、密集、粘连等现象导致其特征难以提取、识别准确率低等问题,本文采用深度学习技术,提出一种基于改进的YOLOv5金刚石线表面质量检测方法。首先在图像处理阶段,使用阈值分割技术初步划分大、小颗粒;其次在主干网络部分,添加CA(coordinate attention)注意力模块,获取更高质量的粘连颗粒中单粒边界特征;再次设计C2(CA+CBL)模块,用特征融合保留不同层之间的语义信息,进而提升密集小目标的检测精度;最后用一个卷积代替CSP2_X结构,降低计算量,同时将不同尺度的输出特征图感受野缩小,避免颗粒特征虚化,从而影响颗粒的检测精度。实验表明,改进的网络模型,能够有效识别形状不一、大小不一、粘连和密集的金刚石颗粒图像,微粒平均精度(AP)达到83.80%,大颗粒平均精度达到90.70%,平均精度均值(mAP)达到87.20%。

基于级联卷积神经网络的山羊姿态估计

为了实现单只和多只山羊的姿态估计,试验采集陕西关中地区某山羊养殖场的山羊视频和图片,标注山羊的轮廓、关键部位和连接,构建山羊姿态数据集;将山羊骨架分解为18个关键部位和17个连接,并通过深度卷积神经网络预测、匹配、提取山羊骨架,即采用单分支级联卷积神经网络预测单只山羊的关键部位,并按顺序连接提取山羊骨架,采用双分支级联卷积神经网络同时预测多只山羊的关键部位和连接,再用匈牙利算法进行匹配来提取每只山羊的骨架。结果表明:单分支级联卷积神经网络模型的关键部位正确预测率达到了82.50%;双分支级联卷积神经网络模型关键部位和连接的正确预测率分别是85.32%和83.76%,骨架提取的正确率为78.26%;平均对象关键点相似度为0.85时两个模型的平均召回率和平均准确率均达到80%。说明本试验构建的神经网络模型预测山羊骨架的准确性和效率优良。