基于改进SegNet的鸡只检测算法

为实现智能化检测出鸡场中死亡鸡只,提出一种基于改进语义分割模型AT-SegNet的鸡只检测算法。基于对称编码解码结构SegNet,利用空洞卷积在解码前聚合不同感受野的上下文信息,设计一种三尺度注意力级联融合模块,以并联方式嵌入编、解码器间,丰富解码器信息。利用多层深度可分离卷积替代标准卷积,提取深层次语义信息,减少计算量提高实时性。将鸡群图像分割结果交并比与阈值对比判别鸡只状态。实验结果表明,改进的AT-SegNet较原算法的检测精度提高了25.17%,能够在复杂鸡群环境中准确、高效地发现死亡鸡只。

改进YOLOX-nano的火灾火焰烟雾检测

针对在检测火焰和烟雾的火灾检测过程中存在火灾初期小目标难以检测的情况,本文提出了一种基于自然指数损失(eCIoU)的改进YOLOX-nano (ASe-YOLOX-nano)目标检测算法.首先,提出一种新的目标检测函数eIoU损失函数来替代传统IoU损失,解决在检测小目标时预测框和真实框易出现无交集的情况,及无法反应宽高影响等问题.其次,在网络模型中引入注意力模块,在网络初期模糊定位目标位置,提高网络后期对目标尤其是小目标检测的准确性.此外,本文还采用软池化空间金字塔池化结构提取不同尺寸的空间特征信息,可以提升模型对于空间布局和物体变性的鲁棒性,因此目标较小时也可以提取充足的特征,采用Mosaic增强技术预处理数据集,提升模型的泛化能力,以此进一步提高网络性能.通过目标数据集进行对比验证,其结果显示, mAP指标达到70.07%,比原模型提高了3.46%,火焰的准确率达到84.66%,烟雾的达到74.56%, FPS能够稳定在73,相对于传统YOLOXnano算法拥有更好的火灾检测能力.

基于改进MobileNetV3的PCB裸板缺陷检测

为解决传统PCB裸板缺陷检测效率低、误检率高、通用性差等问题,提出一种基于改进MobileNetV3的PCB表面缺陷检测模型。首先对PCB数据集进行预处理,然后采用多方向协调注意力代替原网络中的挤压和激励注意力模块,提升特征定位精度从而增强感受野;最后利用软池化优化MobileNetV3的末端结构,以在简化后的激活映射中保留更多的特征信息。实验结果证明,提出的模型对PCB裸板缺陷检测的平均准确率可达96.1%,图片平均检测速度为25.1 ms,能够高效识别PCB裸板的多种缺陷类型,对工业生产中PCB裸板的质量检测有实际应用价值。

一种基于条件生成对抗网络的单幅图像去雾算法

针对雾(霾)会显著降低基于图像制导武器的可见光侦测设备成像质量,从而干扰对目标精确识别的问题,提出一种基于条件生成对抗网络的单幅图像去雾算法。在生成器下采样中使用软池化运算,以提高细粒度特征的提取能力;加入全局平均池化层,旨在消除图像边缘的震荡效应,提高去雾图像清晰度;简化判别器结构,优化损失函数权重值确定方法,提升网络模型训练效率。实验结果表明:去雾后的图像清晰锐利,色彩自然,在结构相似性、峰值信噪比和图像信息熵等客观定量指标上优于经典去雾算法,对去雾后图像进行目标检测的平均精度均值提升了4.13%。

基于多级分裂HSC-Net的皮肤病图像分割方法

针对皮肤病图像边界模糊且分布不规则、传统卷积分割方法无法满足对边缘细节提取的问题,提出了多级分裂卷积HSC-Net的皮肤病图像分割方法。网络编码端使用ImageNet上的VGG16-BN预训练模型,预训练参数会在训练过程中进行自动微调。将预训练模型中传统的最大池化层用软池化(Soft-pool)层进行替换,以减少传统池化的精度损失。解码端的HSC通过对特征图信息的分级提取,能高效利用特征信息。在解码端融入极化自注意力(Polarized Self-Attention, PSA)机制,使得空间和通道维度上获取更丰富的梯度信息。在ISIC2018数据集上的实验结果显示,精确度、Jaccard指数和Dice指数分别为96.21%、81.88%、81.65%,在准确性、轻量化和边界分割效果上优于现有的分割方法。

改进Retina-Net的草坪杂草目标检测

在城市规划与园林景观中,人工养护的草坪起到美化环境的作用,但是各类草坪杂草的滋生,严重损害景观草坪的观赏性。而人工分辨杂草费时费力,影响后续的除草效率。因此,借助深度学习的研究成果,对现有的Retina-Net目标检测模型进行针对性改进,通过提取训练集目标图像特征信息、增设多尺度感受野、改进软池化层等方式,提升模型的杂草检测和种类分辨的能力,有助于后续除草工作的高效展开。最终试验对6类杂草的识别率分别为85.3%,84%,89.6%,86.7%,95.1%,91.5%。相比较于其他主流目标检测算法,识别率分别提高2.2%~9.3%。

基于改进YOLOv5的金属工件表面缺陷检测

目的针对金属工件表面小尺寸缺陷检测精度低的问题,提出以YOLOv5网络为基础,结合注意力机制与Ghost卷积的表面缺陷检测算法。方法首先,在原网络中增加SE通道注意力模块,增加缺陷有关信息的权重,减少无用特征的干扰,从而提高目标的检测精度。然后,将网络中空间金字塔池化模块的池化方式由最大池化替换为软池化,使得在下采样激活映射中保留更多的特征信息,获得更好的检测精度。最后,采用Ghost卷积块替换主干网络中的常规卷积模块,提取丰富特征及冗余特征,以此提高模型效率。结果改进后网络平均精度均值达到0.9978,相比原网络提高了7.07个百分点。结论该网络显著提高了金属工件表面缺陷检测的精度。

基于多尺度残差收缩U-Net的胎儿心电信号提取

针对在胎儿心电信号提取中,U-Net同级卷积编码器尺度的单一性忽略了母亲和胎儿心电特征波的大小和形态差异,且当残差收缩模块作为编码器的阈值学习过程中缺少对心电信号时间信息利用的问题,本文提出一种基于多尺度残差收缩U-Net模型的胎儿心电信号提取方法。首先在残差收缩模块中引入Inception和时间域注意力,增强同级卷积编码器的胎儿心电信号多尺度特征提取能力和时间域信息的利用;为了保持更多的心电波形局部细节特征,将U-Net中的最大池化替换为Softpool;最后,由残差模块和上采样构成的解码器逐步生成胎儿心电信号。本文应用临床心电信号进行实验,最终结果表明:与其他胎儿心电提取算法相比,本文方法可以提取更为清晰的胎儿心电信号,在2013年竞赛数据集上灵敏度、阳性预测值和F1分数分别达到93.33%、99.36%、96.09%。因此本文方法可以有效提取胎儿心电信号,为围产期胎儿健康监护提供了一种具有应用价值的方法。

基于多层反卷积网络的SAR图像分类

针对传统特征提取方法不能提取目标高层结构特征的问题,提出了一种基于软概率的池化方法,结合多层反卷积网络,学习目标的高层结构特征,并将其用于合成孔径雷达(SAR)图像分类。首先对SAR图像进行子块划分,然后对每个子块进行基于多层反卷积网络的特征编码,学习出不同层次上的图像特征,最后将该特征用于支持向量机(SVM)分类器,实现SAR图像的分类。在国内首批SAR数据上的实验表明,该算法获得了较高的分类准确率。