为保证虚拟手术系统中的网格质量,提出一种基于Loose r sample理论的快速表面网格重建算法。记录满足Loose r sample采样定理的点集,用以描述物体的轮廓。通过约束Delaunay方法对该点集进行三角化,标记顶点和Delaunay单元,重构新的网格...为保证虚拟手术系统中的网格质量,提出一种基于Loose r sample理论的快速表面网格重建算法。记录满足Loose r sample采样定理的点集,用以描述物体的轮廓。通过约束Delaunay方法对该点集进行三角化,标记顶点和Delaunay单元,重构新的网格。实验结果表明,该算法能够保证生成网格的质量,简化仿真复杂度。展开更多
为提高果园虫害远程监测自动识别的准确率与稳定性,以梨小食心虫作为研究对象,提出了基于Mask R-CNN目标检测模型的虫害识别方法。在Faster R-CNN模型基础上优化添加用以预测分割的Mask回归分支,将进行2次量化操作的Ro I Pooling层替换...为提高果园虫害远程监测自动识别的准确率与稳定性,以梨小食心虫作为研究对象,提出了基于Mask R-CNN目标检测模型的虫害识别方法。在Faster R-CNN模型基础上优化添加用以预测分割的Mask回归分支,将进行2次量化操作的Ro I Pooling层替换为使用线性插值算法的Ro I Align层,另外添加并列的FCN层,使模型具有更强大的泛化能力,可在有效检测目标的同时输出高质量的实例分割Mask。采用固定式物联网捕虫装置获取数据样本,并应用数据增广和掩模标注等方法构建数据集,经过深度学习训练,可有效提高果园虫害识别的准确性。实验表明,该方法的目标识别平均准确率达98.87%,能够对梨小食心虫进行精确、稳定、高效的识别,可为精确虫害防治提供参考。展开更多
针对Faster R-CNN算法对多目标、小目标检测精度不高的问题,本文提出一种基于Faster R-CNN的多任务增强裂缝图像检测(Multitask Enhanced Dam Crack Image Detection Based on Faster R-CNN,ME-Faster RCNN)方法。同时提出一种基于K-me...针对Faster R-CNN算法对多目标、小目标检测精度不高的问题,本文提出一种基于Faster R-CNN的多任务增强裂缝图像检测(Multitask Enhanced Dam Crack Image Detection Based on Faster R-CNN,ME-Faster RCNN)方法。同时提出一种基于K-means的多源自适应平衡TrAdaBoost的迁移学习方法(multi-source adaptive balance TrAdaBoost based on K-means,K-MABtrA)辅助网络训练,解决样本不足问题。ME-Faster R-CNN将图片输入ResNet-50网络提取特征;然后将所得特征图输入多任务增强RPN模型,同时改善RPN模型的锚盒尺寸和大小以提高检测识别精度,生成候选区域;最后将特征图和候选区域发送到检测处理网络。K-MABtrA方法利用K-means聚类删除与目标源差别较大的图像,再在多元自适应平衡TrAdaBoost迁移学习方法下训练模型。实验结果表明:将ME-Faster R-CNN在K-MABtrA迁移学习的条件下应用于小数据集大坝裂缝图像集的平均IoU为82.52%,平均精度mAP值为80.02%,与相同参数设置下的Faster R-CNN检测算法相比,平均IoU和mAP值分别提高了1.06%和1.56%。展开更多
文摘为保证虚拟手术系统中的网格质量,提出一种基于Loose r sample理论的快速表面网格重建算法。记录满足Loose r sample采样定理的点集,用以描述物体的轮廓。通过约束Delaunay方法对该点集进行三角化,标记顶点和Delaunay单元,重构新的网格。实验结果表明,该算法能够保证生成网格的质量,简化仿真复杂度。
文摘为提高果园虫害远程监测自动识别的准确率与稳定性,以梨小食心虫作为研究对象,提出了基于Mask R-CNN目标检测模型的虫害识别方法。在Faster R-CNN模型基础上优化添加用以预测分割的Mask回归分支,将进行2次量化操作的Ro I Pooling层替换为使用线性插值算法的Ro I Align层,另外添加并列的FCN层,使模型具有更强大的泛化能力,可在有效检测目标的同时输出高质量的实例分割Mask。采用固定式物联网捕虫装置获取数据样本,并应用数据增广和掩模标注等方法构建数据集,经过深度学习训练,可有效提高果园虫害识别的准确性。实验表明,该方法的目标识别平均准确率达98.87%,能够对梨小食心虫进行精确、稳定、高效的识别,可为精确虫害防治提供参考。
文摘针对Faster R-CNN算法对多目标、小目标检测精度不高的问题,本文提出一种基于Faster R-CNN的多任务增强裂缝图像检测(Multitask Enhanced Dam Crack Image Detection Based on Faster R-CNN,ME-Faster RCNN)方法。同时提出一种基于K-means的多源自适应平衡TrAdaBoost的迁移学习方法(multi-source adaptive balance TrAdaBoost based on K-means,K-MABtrA)辅助网络训练,解决样本不足问题。ME-Faster R-CNN将图片输入ResNet-50网络提取特征;然后将所得特征图输入多任务增强RPN模型,同时改善RPN模型的锚盒尺寸和大小以提高检测识别精度,生成候选区域;最后将特征图和候选区域发送到检测处理网络。K-MABtrA方法利用K-means聚类删除与目标源差别较大的图像,再在多元自适应平衡TrAdaBoost迁移学习方法下训练模型。实验结果表明:将ME-Faster R-CNN在K-MABtrA迁移学习的条件下应用于小数据集大坝裂缝图像集的平均IoU为82.52%,平均精度mAP值为80.02%,与相同参数设置下的Faster R-CNN检测算法相比,平均IoU和mAP值分别提高了1.06%和1.56%。
