基于CSS-Cascade Mask R-CNN的有遮挡多片烟叶部位识别

烟叶部位信息是进行烟叶分级的重要参考信息,准确识别烟叶部位对实现烟叶智能分级具有重要意义。在实际的烟叶智能分级应用中,为了提高分级效率,需要对多片烟叶等级进行同步识别。受现行上料方式的限制,同步识别的多片烟叶间往往存在局部遮挡的问题,给烟叶的目标检测和部位识别带来挑战。该研究提出一种基于改进Cascade Mask R-CNN,融合通道、非局部和空间注意力机制,并引入柔性极大值抑制检测框交并操作与斯库拉交并比损失函数(SIoU)的目标检测与识别模型(CSS-Cascade Mask R-CNN)。该模型对Cascade Mask R-CNN进行了三方面的改进:一是在其骨干网络Resent101上同时引入通道、非局部、空间3种注意力机制,使网络更加关注未被遮挡且部位特征明显区域的显著度;二是将Cascade Mask R-CNN中的损失函数SmoothL1Loss替换为SIoU损失函数,将预测框与真实框之间的方向差异引入到模型训练中提高模型检测精度;三是在筛选候选框时将常规的非极大抑制(non-max-suppression)替换为柔性非极大抑制,以避免删除候选框造成信息丢失。试验结果表明,利用提出的模型对有遮挡多片烟叶进行检测和部位识别,检测框平均准确率均值(bbox_mAP50)达到了80.2%,与改进前的Cascade Mask R-CNN模型相比提高了7.5个百分点。提出的模型与多个主流的目标检测模型(YOLOvX、YOLOv3、YOLOv5、Mask R-CNN、Cascade R-CNN)相比,分别高7.1、10.2、5.8、9.2、8.4个百分点,尤其是对较难区分的下部烟叶优势明显,因此研究结果可以为有遮挡多片烟叶部位的检测识别提供参考。

基于改进型Cascade Mask R-CNN的架空输电线路多目标识别算法的研究

近几年来,国网架空输电线路巡检人员依托于巡检无人机、巡检机器人等智能巡检设备,获取了海量的图像和视频信息,巡检图片判断的工作量越来越大,同时因个人技能、经验等方面的差异,可能导致基于巡检图片对于设备缺陷和隐患分析不满足要求。为了对获取的信息进行快速而准确的分析和处理,本文借助公司在电力线路巡检方面积累的丰富图像,将Cascade Mask R-CNN智能识别算法在原有基础上进行改进,使用了ResNet101+FPN的方式来提升算法对于小目标的识别能力,并且将IoU Loss替换为DIoU Loss作为边界框的损失,使网络朝着预测框与真实框重叠度较高的方向去优化,减小正负样本不平衡带来的误差,增强了对远景目标的检测;同时搭建了深度学习TensorFlow实验平台,并在该平台基础上设计并开发了巡检图像目标检测实验平台交互界面,实现了对巡检图像目标检测的可视化操作。

基于改进Cascade R-CNN算法的船舶目标检测方法

为了解决实际场景下船舶目标检测精度低的问题,本文在Cascade R-CNN算法的基础上,提出一种船舶目标检测方法 Boat R-CNN。Boat R-CNN使用带自注意力机制的Swin-Transformer Tiny网络提取图像特征,使用Soft-NMS非极大值抑制方法提升候选框过滤精度,使用Smooth_L1损失函数加速模型收敛并减少梯度爆炸情况,使用CIOU边界框回归损失提高候选框回归质量,并针对船舶目标的形状特征优化锚框的长宽比,提高锚框的生成质量。实验结果表明,Boat R-CNN算法的精度相比原版Cascade R-CNN算法提高了21.8%,相比主流Faster R-CNN算法提高了30.3%,有效提升了实际场景下的船舶目标检测精度。

基于改进Cascade R-CNN的安全帽检测算法

针对安全帽检测中,目标形状、尺度变化大,易出现漏检、误检等问题,提出了一种基于改进级联基于区域的卷积神经网络(Cascade R-CNN)的安全帽检测算法。首先,对ResNet50进行改进形成D-ResNet50,利用可变形卷积仅增加少量参数就可增大感受野的特性,对特征提取网络的C2~C5卷积层进行重塑,提高网络对目标几何变换的适应能力和特征提取能力。其次,将D-ResNet50作为主干网络引入Cascade R-CNN,形成级联目标检测器,在每个阶段对正负样本重采样,抑制误检问题。再次,对递归特征金字塔进行改进,更高效地进行多尺度特征融合,并且基于反馈信息对特征进行二次处理,增强特征表达,提高网络的分类和定位能力。最后,使用Soft-非极大值抑制(Soft-NMS)进行后处理,进一步解决漏检问题。提出的方法在Hard hat workers数据集上的AP值相比检测基线提高了3.5%,与Sparse R-CNN、TridentNet、VFnet等先进算法相比分别提升了4.7%、5.9%、2.3%等。

基于Cascade R-CNN的乳腺钼靶肿块检测算法研究

乳腺癌生物学特性复杂,恶性程度极高,位于女性恶性肿瘤发病率首位。乳腺钼靶肿块的X射线检查是早期确诊乳腺癌的重要方式。但乳腺钼靶肿块的检测尚处于早期阶段,现有的计算机辅助检测检测精度较低。针对这一问题,论文提出了一种基于Cascade R-CNN的乳腺钼靶肿块检测方法。实验使用南佛罗里达大学的乳房X光检查数据集,将乳腺钼靶肿块分为良性和恶性两类。通过在特征网络中加入注意力模块,提取了较为丰富的乳腺钼靶肿块特征。此外,论文提出了一种新的FPN网络FA-FPN,进一步提高了乳腺钼靶肿块病灶特征的提取,解决了深层网络在下采样中特征出现稀释的问题,提高了乳腺钼靶肿块的检测准确率。经实验验证,该模型在南佛罗里达大学的乳房X光检查数据集上的mAP值达到82.9%,在AP75下表现尤为突出。该方法在乳腺钼靶肿块的检测中具有良好的性能,可以提高乳腺钼靶肿块的检测精度,并在一定程度上避免了误检和漏检。

改进Mask R-CNN的馆藏报纸图像内容分割

开展馆藏报纸图像内容分割研究,能提升文字识别准确率,对促进机器识别取代人工操作、提高图书馆数字化工作效率具有重要意义。文章根据报纸图像呈现的特征,提出一种基于改进MaskR-CNN的算法,实现报纸图像内容分割。首先,通过优化锚框比例和损失函数,对原始MaskR-CNN算法进行改进。其次,采用数据增强、调整训练参数开展样本训练。最后,通过实验的方式对改进后的MaskR-CNN算法训练模型和原始算法训练模型进行比较,并采用AP_bbox和AP_segm评价指标对实验结果进行评估,改进后的算法训练模型AP_bbox为0.935,AP_segm为0.943,均超过原始算法训练模型。实验结果表明,改进后的MaskR-CNN算法能够实现报纸图像内容有效检测与分割。

基于Mask R-CNN的电力关键设备运行状态检测

为判断电力关键设备两端负载电压与干路总电压之间的数值关系,提出基于Mask R-CNN的电力关键设备运行状态检测方法。在Mask R-CNN网络结构中,判断电量信号的时域范围与频域范围。然后根据负荷阻抗特征计算交流参数的取值结果,再联合已获取的电信号参量,求解连续相关函数,从而检测电力关键设备运行状态。实验过程中,设备两端负载电压、内阻消耗电压之和与干路总电压之间的差值未超过1.5 V,说明该方法能够证明电力关键设备两端负载电压、内阻消耗电压之和等于干路总电压数值的猜想成立,可以根据该验证检测电力关键设备运行状态是否正常。

改进的Cascade R-CNN算法在目标检测上的应用

针对Cascade R-CNN目标检测算法中存在检测精度较低以及目标遮挡问题,本文提出一种改进的Cas-cade R-CNN网络目标检测算法.该算法在主干网络ResNet101中引入可切换空洞卷积模块(Switchable Atrous Convolu-tion,SAC),该模块主要由两个全局上下文模块以及SAC组件构成,采用SAC组件以不同的空洞卷积率对特征进行卷积,并使用Switch函数收集特征来提高特征提取能力.同时,在ResNet101残差网络中引入坐标注意力机制(Coordi-nate Attention,CA),该机制将位置信息嵌入通道注意力中,用于更好地获取方向感知和位置感知信息,进而提高目标检测精度.此外,针对目标遮挡问题,引入Repulsion Loss损失函数.该损失函数主要由吸引项和排斥项组成,吸引项使得预测框和匹配上的目标框尽可能接近,排斥项使得预测框远离错误目标,进而减少非极大值抑制(Non-Maximum Suppression,NMS)的误检,提高目标检测中遮挡问题的检测精度.实验结果表明,在公开的科大讯飞AI挑战赛数据集上,与原算法测试性能相比,改进的Cascade R-CNN网络对该数据集检出率增长了2.39%,改进算法的识别精度有一定的提高.

基于改进Mask R-CNN的矿石类型检测算法

针对不同的矿石类型进行选矿工艺参数设置和操作有利于保障精矿质量,提高回收率和降低物资消耗。由于缺乏矿石类型实时检测有效手段,选矿过程的精准操作目前较难实现。为此,本文提出一种全面改进的Mask R-CNN矿石类型检测算法。算法步骤:①使用ResNetV1d-50提取矿石图像各阶段的特征图,并在主干网络中加入可变形卷积以便增强异形矿石的特征;②改进FPN,通过在主干网络的C5特征层加入特征残差模块,并融合到P5特征层,得到具有更强语义信息的多尺度特征图;③改进RPN,设计自适应的正样本IOU选取方案来匹配宽高比异常的矿石,进一步提高异形矿石的识别精度;④在RoIAlign网络基础上加入Global-Context,以提高小矿石的检测能力;⑤在数据增强和训练技巧方面对模型进行改进。结果表明,本文算法的平均精度为67.92%,平均交并比为63.54%,分别比基准模型提高了13.67%和9.71%。本文研究方法在矿石类型识别领域具有较好的应用价值。

基于改进Cascade R-CNN的绝缘子故障检测方法研究

针对航拍图中存在的绝缘子故障位置在图像中占比小、背景环境复杂导致的故障检测准确率低的问题,提出一种基于改进Cascade R-CNN模型的绝缘子故障检测方法。在原有Cascade R-CNN模型的基础上,在骨干网络中引入可变形卷积学习几何变换能力,在检测器中引入平衡损失函数平衡难易样本。在模型训练阶段,使用Copy-Paste与Mosica丰富故障绝缘子样本,平衡正负样本。使用该模型对航拍绝缘子图片进行故障检测实验,改进损失函数的模型与传统Cascade R-CNN模型相比平均召回率提升0.38%,引入可变卷积后的Cascade R-CNN模型与Faster R-CNN模型,相比平均召回率,从原来的89.78%变成93.49%,结果表明该模型能够有效克服样本遮挡以及样本不平衡的干扰。

基于Mask R-CNN和迁移学习的无人机遥感影像杉木单木树冠提取

【目的】利用无人机遥感影像对树冠进行自动化提取,获取高精度树冠信息。【方法】该研究提出一种基于Mask RCNN和迁移学习的无人机影像单木树冠提取方法。首先,选用在Faster R-CNN基础上改进优化的Mask R-CNN实例分割模型,特征提取网络在ResNet50残差网络和ResNet101残差网络二者间选取最优。其次,引入迁移学习与Mask RCNN一起训练,联合迁移学习的导向作用降低训练时间,提高训练精度。【结果】Mask R-CNN模型的总体精度为93.59%,用户精度为65.46%,F1分数为76.05%,平均精度均值为0.31;载入迁移学习后的Mask R-CNN模型在同等训练条件下比原模型的用户精度提升29.53%,F1分数提升19.63%,平均精度均值提升0.21;分别以ResNet50和ResNet101为特征提取网络的Mask R-CNN模型中,ResNet50+Mask R-CNN模型的总体精度、用户精度、F1分数、平均精度均值各为96.94%、95.57%、96.17%、0.54,ResNet101+Mask R-CNN模型的总体精度、用户精度、F1分数、平均精度均值各为96.20%、94.41%、95.19%、0.49;其中载入迁移学习的ResNet50+Mask R-CNN模型在预测东西冠幅、南北冠幅、树冠面积与样方郁闭度的预测决定系数分别为0.87、0.84、0.93和0.83。【结论】本研究提出的基于Mask R-CNN和迁移学习的方法得到了较为精准的树冠参数结果,为无人机遥感影像评估树木资源提供了一种快速高效的解决方案。

基于多目标采样和改进Mask R-CNN的木瓜成熟度检测

目的:提高木瓜成熟度检测准确率及鲁棒性。方法:提出一种基于多目标采样和改进Mask R-CNN的木瓜成熟度检测方法。通过均值平均精度、准确率、精确率—召回率曲线和计算时间等指标,验证所提方法的有效性和鲁棒性,并将其检测效果与Faster R-CNN、RetinaNet和CenterMask等方法进行对比。结果:试验方法对木瓜成熟度检测的平均精度均值、50%平均精度均值、75%平均精度均值分别为98.43%,98.67%,98.68%,对未成熟、半成熟和成熟木瓜成熟度的平均检测精度为99.38%,98.81%,99.37%。结论:该方法可用于开发木瓜成熟度检测的电子系统,提升木瓜成熟度检测和木瓜分级的性能。

基于改进Mask R-CNN的高密度砂岩颗粒的分割识别

针对高密度颗粒密度大,数量多,形态不一,且颜色相近的情况,通过传统方法对砂岩颗粒分割难度存在检测不准和漏检的不足。想要在少量样本中获取更好的效果,变得更加困难。基于上述问题提出一种基于改进Mask R-CNN的DGC-Mask R-CNN检测模型,针对少量样本、高密度砂岩颗粒的分割与识别。首先收集了128张超高分辨率的图片,每张图片有近200个砂岩颗粒实例,共26200个实例对象。为了使模型拥有更好的泛化能力,防止少量样本下的过拟合,使用Albu进行图像增强。用自监督预训练模型Barlow Twins来对砂岩颗粒的特征进行初步提取。在DGC-Mask R-CNN中,构建ResNet50模型作为骨干特征提取网络,在ResNet50的BottleNeck的C 3、C 4、C 5特征卷积层中改进传统卷积方式,使用可变形卷积神经网络(deformable convolutional neural network,DCN),并添加全局上下文建模框架(global context block,GCB)注意力机制。在上采样器的多个级联上采样模块中,结合改进的上采样算法CARAFE。实验结果表明,改进后的DGC-Mask R-CNN,使得检测与分割识别的平均精度达到88.9%和88.8%,与传统的Mask R-CNN、Cascade-Mask R-CNN、Mask Scoring R-CNN、HybridTaskCascade相比检测精度更高。在均值平均精度方面,与其他模型相比提升较为明显。将模型分割后得到的结果,进行砂岩颗粒的统计以及长短轴的计算,可实现对该部分砂岩颗粒的溯源,计算地壳运动导致的砂岩迁移的距离,进而评估地下油藏。

一种改进的基于Mask R-CNN的玉米大斑病实例分割算法

玉米作为我国主粮作物,其生产常受大斑病、小斑病、锈病等病害及虫害影响,导致其产量与品质下降,威胁农业生产安全。近年来,视觉检测技术因其高准确性已成为病害防控的重要工具。以Mask R-CNN为基础框架,通过融入DyHead、Groie和OHEM模块进行优化,旨在提升对细微病灶图像的分割效能。改良后的模型在病害图像分割任务上展现出卓越性能,平均精度(mAP)提升4%,尤其在小目标分割上准确率提高8.5%,相较于YOLOv5、YOLACT++等同类模型优势显著。通过消融实验验证了各新增模块的有效性,证实该模型为精准检测玉米大斑病提供了有力的技术支持与理论依据。

基于改进Cascade R-CNN的探地雷达管线目标检测

针对人工识别探地雷达管线图像时效率低、误差大和成本高昂等问题,本文提出了一种基于改进Cascade R-CNN的管线目标智能化检测方法.首先对探地雷达管线图像数据集进行预处理,提升数据质量.然后采用ResNeXt代替ResNet作为主干网络提取目标特征信息,并添加多尺度特征融合模块FPN使高层特征向低层特征融合,增强低层特征表达能力.其次,使用高斯形式的非极大值抑制方法Soft-NMS得到更加精准的候选框,使用Smooth_L1作为损失函数,加速了模型收敛并且降低了训练中发生梯度爆炸的概率.最后,对于管线目标特殊的形状特征,设置合适的锚框长宽比和大小,提高锚框的生成质量.实验结果表明,本文方法解决了复杂特征的地下管线目标智能化检测,对地下管线目标检测的平均精度达到94.7%,比Cascade R-CNN方法提高了10.1%.

基于Mask R-CNN和结构光的焊缝特征信息检测方法研究

为了提高焊缝跟踪系统的精准度,提出了一种基于Mask R-CNN和结构光的焊缝特征参数检测系统。通过Mask R-CNN对焊缝结构光图像提取线结构光边界信息,再通过灰度重心法完成对结构光中心线的提取;对中心线图像进行斜率分析,来确定焊缝特征点坐标;最后将坐标信息传输至PLC中,通过PLC控制十字滑台带动焊枪进行焊缝的跟踪操作。避免了强光、灰尘和噪声等干扰,提高了焊缝特征信息检测的准确性。通过与Faster R-CNN和YOLOv5的预测实验对比,Mask R-CNN在焊缝检测中的准确度和稳定性更高。

改进Mask R-CNN的无人机影像建筑物提取

从无人机影像中自动提取建筑物对城乡规划和管理至关重要,然而,在复杂背景干扰和建筑物外观变化很大的情况下给实例提取带来挑战。因此,提出一种改进的Mask区域卷积神经网络(R-CNN)方法用于无人机影像的建筑物自动实例提取。改进方法以ResNet-101作为特征提取网络,在特征融合网络方面,通过添加自底向上的路径增强整个特征层次的定位能力,同时在特征融合中加入空洞空间金字塔池化模块(ASPP)来提高多尺度能力与改善模型性能。在自制建筑物数据集上的综合实验结果表明,与原始的Mask R-CNN方法相比,改进方法的mAP值提高了2.6%,能够很好地实现无人机影像建筑物实例提取。

基于改进Mask R-CNN的马铃薯芽眼识别方法

马铃薯芽眼的准确识别是马铃薯种薯自动化切块的前提,为了提高马铃薯芽眼的识别效果,解决长期以来人工切块效率低下问题,提出了一种基于改进Mask R-CNN的马铃薯芽眼识别方法。通过确定性重排列技术对RoIAlign操作进行改进,消除插值操作的不确定性,确保不同尺寸的候选区域在特征图上的映射的唯一性,提高了目标分类和分割的准确性和稳定性。试验结果表明,改进后的模型识别精确率为98.47%,召回率为96.99%,调和平均值F1为97.72%,平均单幅图像的识别时间为0.135s。与改进前的算法相比,识别精确率、召回率、F1值分别提升了6.46、12.01、9.36个百分点,平均单幅图像的识别时间比改进之前提升了0.004 s。改进的Mask R-CNN算法能够更好地适应马铃薯芽眼的特殊形态和不同的环境因素,有效识别出马铃薯芽眼,为马铃薯种薯智能切块装置研究奠定了良好基础。

复杂背景下基于改进Mask R-CNN的路面裂缝检测算法

裂缝检测对路面养护具有重要意义,深度学习在该领域取得一定成效。然而,在实际应用中,图像中的噪声纹理背景、复杂的裂缝拓扑结构和图像采集设备给裂缝检测带来了一定的挑战。为了提升在复杂场景下的路面裂缝检测精度,提出了一种改进掩码区域卷积神经网络(Mask R-CNN)模型的实例分割算法。使用ConvNeXt-T替代Mask R-CNN的ResNet50框架作为特征生成网络,在自下而上捕获长期依赖的同时保持裂缝特征多样性;设计高维特征提取模块(HFEM)获取高级语义信息,消除背景噪声;引入感受野模块(RFB),扩大感受野,增强多尺度特征信息交互能力。在多结构裂缝图像(MSCI)数据集上进行对比实验,结果表明,提出的改进方法能显著提升Mask R-CNN模型的分割精度,优于经典的Cascade Mask RCNN,最佳模型F1得分84.15%,相较原算法提高了6.29%。在DeepCrack数据集上进行泛化性实验,表现优异。

基于Mask R-CNN的锅炉火焰图像核心高温区域提取

为了提高锅炉火焰核心高温区域特征提取的准确性和稳定性,结合四角切圆燃烧锅炉火焰特点,提出了一种基于Mask R-CNN的火焰核心高温区域轮廓提取方法。通过某330 MW燃煤锅炉工业火焰监控系统获取约10 000帧历史运行工况的火焰图像进行建模,并对升负荷工况的火焰图像进行在线处理验证。结果表明:基于Mask R-CNN模型的核心高温区域检测精准率达到92.35%,相比于传统的阈值分割法、边缘检测法具有更高的稳定性;Mask R-CNN模型能更好地适应变负荷时脉动火焰波动、快速变化的特点,轮廓边缘受其他区域的影响较小,有助于针对火焰核心高温区域轮廓进行火焰几何特征、分布特征的提取计算。