砂样图像岩屑自动分割提取方法

通过将砂样图像进行单颗粒分割,识别砂样成分,可显著提高砂样岩性分析的准确性和效率。现有的砂样图像分割方法主要以传统分水岭算法和卷积神经网络为主,但由于对单颗粒岩屑轮廓细节提取不足,误分割率高。本文提出一种以图像融合算法为桥梁,将卷积神经网络和分水岭算法相结合的单颗粒图像分割提取方法。首先利用改进的Mask R-CNN网络快速分割砂样原图,获得其初分割图像;然后,将初分割图像与砂样原图进行融合,再使用改进的分水岭算法对融合结果进行分割;最后,利用砂样原图坐标点匹配方法,将分水岭分割得到的结果图像进行修正,完成单颗粒岩屑图像提取。实验结果表明,本文的单颗粒自动分割提取方法准确率高达96.77%,且模型更轻量和精准,为岩屑图像分割提供了一种可行且有效的方法,可满足有效测算油藏层构造变化、查找潜在沉积物源及储层动态变化的需求。

基于改进YOLO算法的动物源性食品检测方法

由于动物源性食品图像的特征分布不规则,导致对其检测结果的可靠性难以得到保障,为此提出了一种基于改进YOLO算法的动物源性食品检测方法。通过YOLO V3的主干特征提取网络Darknet-53,分别对动物源性食品图像中存在的可见光和红外光进行特征提取,结合二者对应模态特征的最佳权重参数,进行特征加权融合,计算融合后特征的目标框位置损失、目标置信度损失以及类别损失,确定最终的分类。测试结果表明,设计方法对动物源性食品图像的识别结果稳定,且错误识别数量始终保持在较低水平,不受测试数据集构成的影响。

改进YOLOX的绝缘子故障实时检测方法

绝缘子作为输电线路中的重要组成部分,对输电线路的正常运行起到关键作用。针对传统检测算法参数多,无法满足绝缘子缺陷检测实时性的问题,提出一种基于改进YOLOX的绝缘子故障实时检测方法。首先将深度可分离卷积与主干特征提取网络相结合,减少网络计算量,以提升检测速度;其次引入简化BiFPN,减少图片输入时计算所产生的特征图冗余和模型参数量,以降低网络复杂度;最后针对缺乏缺陷绝缘子类数据的问题,提出随机处理图片的数据增强方法。采用实验拍摄高清图片与缺陷绝缘子数据集结合,对改进的网络进行验证。结果表明,改进后的算法比原始的YOLOX算法检测速度提升13.8%,并且具有较高的平均检测精度(mAP=99.64%)。

基于改进YOLOv5算法的果园水果检测

针对YOLOv5主干特征提取网络能力弱,特征融合能力差等问题,提出了一种改进的YOLOv5目标检测算法。提出了一种双主干特征提取网络,将特征提取网络分成主路和辅路两个支路,提升模型的特征提取能力。同时,修改YOLOv5中的C3模块,进一步提升C3模块的特征提取能力。在特征融合方面,提取一种新型的特征图拼接方式,取代了原有的特征图Concat方式,提升了模型的特融合能力。实验结果表明,改进后的YOLOv5算法,在自己收集的水果数据集上的mAP@0.5达到了85.0%,较改进前的YOLOv5(82.8%)提升了2.2%,且检测速度基本保持不变,能够快速准确地进行果园水果检测。同时进行了相关消融实验,进一步验证了所提出每个改进点的有效性。

基于轻量化深度学习网络的工业环境小目标缺陷检测

工业环境下表面缺陷检测是质量管理的重要一环,具有重要的研究价值.通用检测网络(如YOLOv4)已被证实在多种数据集检测方面是有效的,但是在工业环境的缺陷检测仍需要解决两个问题:一是缺陷实例在表面占比过小,属于典型的小目标检测问题;二是通用检测网络结构复杂,很难部署在移动设备上.针对上述问题,提出一种基于轻量化深度学习网络的工业环境小目标缺陷检测方法.应用GhostNet替代YOLOv4主干特征提取网络,提高网络特征提取能力及降低算法复杂度,并通过改进式PANet结构增加YOLO预测头中高维特征图比例以实现更好的性能.以发动机金属表面缺陷检测为例进行实验分析,结果表明该模型在检测精度(mAP)提升5.83%的同时将网络模型参数量降低83.5%,检测速度提升2倍,同时满足缺陷检测的精度和实时性要求.

基于改进YOLOv3的骑车人识别研究

针对智能网联汽车大发展环境下骑车人在公路上为易受伤群体的问题,将目标识别作为无人驾驶技术中的关键一环,提出使用YOLOv3算法对骑车人识别算法进行研究。YOLOv3的主干特征提取网络为Darknet-53,此种网络结构针对于多种类目标检测适用性强,然而公路骑车人作为单种类目标,Darknet-53网络结构显得冗繁。基于此,提出一种在YOLOv3算法基础上记性改进的算法,通过替换主干特征提取网络为Dark-19简化网络结构,降低网络复杂度,之后优化损失函数,将原来的IoU替换成CIoU,以提高识别精度。通过在TDCB上进行仿真实验,结果表明,改进后的YOLOv3算法平均检测精度和检测速度都有所提高,精度上提高了约3%,检测速度上约提高了0.013 s,此种改进后的算法有助于提高公路骑车人的安全性,对骑车人识别研究有着重要意义。