面向水稻穗上谷粒原位计数与遮挡还原的轻量级I2I深度学习方法

【目的】为解决传统水稻考种机谷粒表型分析算法在功能和效率上的局限性,针对穗上谷粒原位计数和被遮挡谷粒几何特征还原设计一种基于深度学习的轻量级通用算法框架。【方法】将穗上谷粒原位计数与被遮挡谷粒还原这2个复杂任务分别拆解为2个阶段,将其核心阶段建模为I2I问题。基于MobileNet V3设计1种能够解决I2I问题的轻量级网络架构,并针对2个任务的特点分别设计了数据集图像制作方法,选择合适的优化策略和超参数对其进行训练。训练结束后,使用TensorFlow Lite runtime解释器将模型部署在考种机的树莓派4B开发板上,并进行测试。【结果】该算法在穗上谷粒计数任务中具有良好的准确性、快速性,且具有一定的泛化性能。在被遮挡谷粒的形状还原任务中,该算法所还原的谷粒图像在面积、周长、长度、宽度和颜色分数评价指标中准确率均达到97%以上。【结论】该算法能够有效地完成穗上谷粒计数和被遮挡谷粒的还原任务,且具有轻量级的优点。

基于生成对抗网络的面部遮挡还原算法研究

为了解决人脸识别系统中待检测目标常会受到不同形式遮挡的问题,提出一种基于深度学习的遮挡还原算法。研究复杂环境下的面部遮挡还原算法,首先针对灰度图像利用传统的稀疏表示方法实现面部图像的遮挡恢复,然而,稀疏表示在对象的选择上具有一定的局限性,并且得到的稀疏解有可能会产生目标丢失的问题。因此提出采用基于深度学习改进的对抗神经网络模型算法进行面部图像的遮挡还原。该方法不仅可以弥补稀疏表示法在单一目标选择上的不足,还可以有效地克服光照的影响。并通过对比试验,稀疏表示法对面部遮挡还原的精度为81.85%,而对抗网络算法的还原精度高达92.03%,实现了对面部遮挡图像的有效还原,解决了面部遮挡对人脸识别系统的干扰性,并提高了遮挡还原的精度。