基于FCN和互信息的医学图像配准技术研究

针对传统配准方法在进行三维多模态图像配准时存在收敛速度较慢、容易陷入极值等问题,提出一种基于全卷积神经网络(Fully Convolutional Networks,FCN)和互信息的配准方法。利用FCN模型提取二维图像深层特征并进行粗配准;将得到的配准结果作为互信息算法的初始搜索点,从而使搜索范围缩小至全局最优解附近;利用互信息算法对参数进一步微调优化,得到最优三维配准结果。实验结果表明,在进行CT-MR图像配准时,所提方法不仅可以大幅度提升配准速度,还能有效避免局部收敛的情况,具有更高的准确性。

基于FCN算法的秦岭北麓建设用地多时序遥感监测分析研究

为全面掌握秦岭北麓建设用地分布情况及转化机制,促进资源、环境协调可持续发展。本文选取秦岭北麓建设用地作为研究对象,以2019—2021年的高分一号影像数据作为数据源。通过建立样本库,选取实验区,采用FCN(fully convolutional networks全卷积神经网络)算法对实验区和秦岭北麓全区多时序影像进行智能提取,实现秦岭北麓建设用地变化监测。从对建设用地图斑分布情况、变化趋势以及变更因素的分析来看,秦岭北麓12个季度建设用地面积整体呈现增长趋势,建设用地转入类型以其他用地和耕地为主,转出则以其他用地为主。通过有效掌握秦岭北麓建设用地变更机制,对提升国土综合监管及社会服务能力具有重要意义。

融合残差反卷积的图像分割算法研究

针对FCN算法在处理复杂场景时出现误分割问题,本文提出一种融合残差反卷积的图像分割算法RDM-FCN。在编码器部分,采用VGG16网络来提取图像特征;在解码器部分,通过构建残差反卷积模块和引入残差连接,以增强跨层特征的传递。通过采用交叉熵损失函数,提升模型的分割精度。测试结果显示,本文算法与FCN算法相比较,准确率提高了0.0347,平均交并比提高了0.0215,平均像素准确率提高了0.005。实验结果表明,本文算法的分割精度较高,能够较好地保留物体边缘和细节部分的信息。

温室草莓采摘机器人设计与试验

为实现温室草莓采摘机械化和自动化,设计并制作一种应用于日光温室的草莓采摘机器人。该机器人能实现自主路径规划,行走过程中识别成熟草莓并完成采摘。设计以ROS分布式计算系为主控制网络,以激光雷达进行移动机器人的地图构建与定位,双目深度相机实现对成熟草莓的识别和定位,搭载柔性仿生夹爪6自由度机械臂实现目标草莓抓取和放置。设计机器人软件平台,使用改进A*算法实现自主路径规划和导航避障;利用R-FCN目标检测网络和双目视觉技术实现成熟草莓检测及定位。结果表明:该草莓采摘机器人可实现目标检测及定位,检测到的草莓坐标与机器人手爪坐标的误差在4 mm以下,成熟草莓识别率为95%,满足采摘要求。

基于Mask R-CNN的人脸检测与分割方法

针对现有主流的人脸检测算法不具备像素级分割,从而存在人脸特征具有噪声及检测精度不理想的问题,提出了一种基于Mask R-CNN的人脸检测及分割方法。通过ResNet-101结合RPN网络生成候选区域,再利用RoIAlign算法实现像素级的特征点定位,旨在提高定位精度。根据全卷积网络生成相应的人脸二值掩码,实现图像中人脸信息与背景的分割。此外,构建了一个具有分割标注信息的人脸数据集用于训练相应模型。在通用人脸检测数据集的实验结果表明,该方法具有较好的人脸检测效果,并能在准确检测的同时实现像素级的人脸信息分割。

基于改进的Mask R-CNN的行人细粒度检测算法

针对复杂场景下行人检测效果差的问题,采用基于深度学习的目标检测中领先的研究成果,提出了一种基于改进Mask R-CNN框架的行人检测算法。首先,采用K-means算法对行人数据集的目标框进行聚类得到合适的长宽比,通过增加一组长宽比(2∶5)使12种anchors适应图像中行人的尺寸;然后,结合细粒度图像识别技术,实现行人的高定位精度;其次,采用全卷积网络(FCN)分割前景对象,并进行像素预测获得行人的局部掩码(上半身、下半身),实现对行人的细粒度检测;最后,通过学习行人的局部特征获得行人的整体掩码。为了验证改进算法的有效性,将其与当前具有代表性的目标检测方法(如更快速的区域卷积神经网络(Faster R-CNN)、YOLOv2、R-FCN)在同数据集上进行对比。实验结果表明,改进的算法提高了行人检测的速度和精度,并且降低了误检率。

基于FCN的岩石混凝土裂隙几何智能识别

裂隙几何的精准、高效识别是建立岩石混凝土材料非连续力学模型的基础。传统算法,如阈值分割、边缘检测与区域生长法等,基于有限经验,工作量大且识别精度低。人工智能识别迥异于人类经验,可自我循环、可自我正反馈甚至可实现自我学习。人造类材料中混凝土性能最接近于岩石,具有相似的裂纹几何分布特征。针对天然岩石与混凝土裂隙识别,尝试提出基于全卷积神经网络的智能识别算法。首先建立基于混凝土3种应用场景(建筑结构、路面及隧道表面)的裂隙数据集,经过卷积操作、池化操作与反卷积操作实现了误差值的迅速收敛。引入新的卷积核参数,架构新的全卷积网络,基于像素的二分类问题,利用查准率与查全率对识别模型进行评价,全卷积神经网络识别算法评价指标较好。进而结合矢量化算法,实现了裂隙几何长度、宽度及面积的实时统计。最后对边缘检测、大律法、区域生长法及全卷积神经网络算法进行了验证,任意选取5组图像进行识别,新算法提取的裂隙与标签图在定性上最相近,并且在定量上查全率与查准率也极大优于传统算法。全卷积神经网络随着自我学习的深入还可不断提高识别精度,降低误差,未来在岩石、混凝土等工程领域的应用具有巨大生命力。