基于可见光/红外图像的夜间道路场景语义分割

针对夜间道路场景解析困难的问题,提出了一种联合可见光与红外热像图实现夜间场景语义分割的方法。首先将双谱图像分别输入至两路并行的全卷积神经网络中,在网络的尾端融合特征并预测得到初步的语义分割结果。在此基础上,对双谱图像进行自适应直方图均衡及双边滤波,并利用基于双谱图像信息的稠密条件随机场对语义分割结果进行优化。实验结果表明,相比于单独使用可见光图、红外热像图、融合图,本文方法可以对夜间道路场景进行更准确的解析。

一种红外热图像目标区域分割的深度学习算法

为了解决复杂背景下红外热图像目标区域分割困难的问题,提出了一种利用全卷积网络和稠密条件随机场的深度学习分割算法.首先,利用全卷积网络进行像素级别特征提取,获得粗分割结果;然后,使用稠密条件随机场对粗分割结果进行上下文信息优化的精分割,最终实现目标区域的分割.将该算法应用于实际采集的太阳能板红外热图像数据集,五折交叉验证结果表明,该算法平均查准率为89.96%,平均查全率为94.55%,平均F1 指数为0.9118,平均J指数为0.8687.同时,最高查准率为93.35%,最高查全率为97.59%,最高F1 指数为0.9562,最高J指数为0.9125,均高于现有的主要算法.该算法耗时短且不需过多的人工干预,能实现复杂背景下红外热图像目标区域的有效分割.

结合深度学习和NCFS算法的堆石料粒度分布智能检测方法

针对目前堆石坝施工过程中人工筛分试验无法实现爆堆料物粒度快速检测以及现有粒度检测模型准确度低、泛化能力差等问题,提出了一种基于深度学习模型与邻域分量特征(Neighborhood Component Feature Selec⁃tion,NCFS)算法相结合的堆石坝料物粒度数字筛分检测方法,该方法可以通过拍摄料堆图像快速检测料堆粒度分布。为了提高深度学习模型的精确度,提出将基于迁移学习的Deeplabv3+模型和稠密条件随机场算法(Dense⁃CRF)结合用于图像训练学习和优化;在料堆二维特征到三维粒度分布转换方面,提出基于NCFS算法的块石二维平面参数对三维粒度的表征公式,并采用MATLAB语言编制了相应的软件加以实现。句容抽水蓄能电站工程现场爆破料堆图像采集和筛分试验分析的结果表明:所提方法是可行的,且相比其他方法,在特征提取以及粒度检测精度上均有所提高。