基于双模型融合的大熊猫头部图像分割

在大熊猫(Ailuropoda melanoleuca)的迁地保护和种群饲养管理中,及时、快速地进行个体识别和行为监测,对其健康管理具有至关重要的作用。圈养大熊猫健康状况通常由专门的饲养人员肉眼观测,人力成本高、效率低并且缺乏时效性。基于图像的动物个体识别与行为分析技术效率高、时间成本低,已经成为新的监测发展趋势。已有研究提出,通过大熊猫面部图像的检测和分析,可实现个体识别和行为分类。但该方法依然存在检测精度不足导致识别准确率难以提升的问题。本文提出一种基于YOLOv3和Mask R-CNN的双模型融合方法,实现了大熊猫头部图像分割和精准检测。包含3个部分:YOLOv3完成头部检测,Mask R-CNN完成大熊猫轮廓分割,然后将两个模型的输出进行交并比融合。结果显示,头部检测准确率为82.6%,大熊猫轮廓分割准确率为95.2%,总体头部轮廓分割准确率为87.1%。该方法对大熊猫头部图像的识别率和分割准确率高,为大熊猫的个体识别、性别分类提供了帮助,为行为分析提供了技术参考。

基于“检测+分类”模型融合的物体识别应用分析

物体识别作为自动驾驶、行为检测等算法的基础,具有相当重大的研究意义。通常物体识别分为两种做法:物体检测和物体识别。结合准确率以及目标物体定位这两点要求,提出了"检测+识别"双模型融合的物体识别算法应用,通过检测算法实现物体的定位,再将定位物体抠图后放入识别模型中进行物体分类,此方法在少量数据训练的情况下,同时兼顾了识别的准确率以及目标物体定位两个要求,很大程度提升了算法应用的实用性。

基于鲁棒高阶条件随机场的视频自动分割

针对交互式分割方法存在用户标注繁琐和过分割现象,以及仅考虑二元项不能获得图像中准确的物体边界等问题,结合鲁棒高阶条件随机场,提出一种视频自动分割方法。采用基于超像素显著性特征的分割方法对视频初始帧进行自动分割,其结果作为初始化种子建立模型。根据颜色信息设计高斯混合模型,基于纹理、形状等特征,利用联合Boosting算法训练Jointboost强分类器模型,通过条件随机场提高分割准确度。引入基于超立体像素的高阶项,增加像素与区域的关联,提高分割边界的平滑度。实验结果表明,该方法明显地提高了分割效果。

一种高速铁路接触网悬挂飘浮物识别系统研究

对于高速铁路而言,在大风天气的影响下,风筝、气球、塑料袋等漂浮物极易挂在接触网导线上,进而可能引发列车取电受阻、接触网跳闸等事故;近年来,在接触网智能运维领域,虽采用人工智能的方式进行漂浮物隐患的自动识别,但由于飘浮物类型、形态、颜色等的多样性,使得高速铁路接触网悬挂飘浮物仍然难以被及时发现。本文基于导线区域识别方法和结合多模型融合技术,提供一种高速铁路接触网悬挂漂浮物识别系统,能快速识别出接触网悬挂飘浮物,满足实时性需求,实现了接触网悬挂飘浮物的精准识别,可有效避免因导线飘浮物隐患引起的接触网线路事故。

一种结冰显微图像中气泡的自动提取方法

针对传统图像分割方法提取结冰显微图像中的气泡漏检率高和无法分离粘连气泡的问题,提出深度神经网络和传统分割算法相结合的方法。基于Attention U-Net网络,采用双分支融合预测策略对结冰显微图像中的气泡进行提取。针对部分气泡粘连问题,引入直方图均衡化和局部极小值,采用基于距离变换的分水岭算法,对结冰显微图像中粘连气泡进行二次分割。实验结果表明:通过双分支融合预测的Attention U-Net网络,对不同结冰显微图像中的气泡提取更精确,特别是对于较小气泡的检出率更高。测试图像的像素精度、平均像素精度、平均交并比和频权交并比分别达到0.9767、0.8916、0.8188和0.9575。基于距离变换的分水岭算法在粘连气泡分割中也展现了良好的性能,为后续统计气泡个数、面积等特征提供可量化的数据支撑。