基于Mask R-CNN的地质雷达岩溶预报图像识别研究

岩溶隧道开挖可能遭遇岩溶涌水、突泥等岩溶地质灾害,地质雷达能够有效预报岩溶等地质灾害。然而,传统地质雷达图像解译存在专家经验依赖性强、解译效率慢且易误判漏判等情况。本文采用可实现端到端识别的深度学习技术开展地质雷达图像目标检测与识别的研究,将基于Mask R-CNN的卷积神经网络算法应用于地质雷达岩溶预报图像异常的智能识别。在TensorFlow和Keras框架下,利用地质雷达设备采集获得的数据构建训练数据集和测试数据集,对Mask R-CNN深度学习模型进行训练,最终得到权重参数较好的地质雷达岩溶预报图像的双曲异常检测模型。试验结果及应用案例表明,Mask R-CNN目标检测方法在地质雷达岩溶预报图像的目标检测与识别上取得了良好的效果,有效提高了地质雷达图像的智能化识别效率。

基于空间注意力机制的Mask R-CNN致密储层岩石薄片图像鉴定

针对陆相致密储层岩石薄片鉴定识别难、制片成本高、时间消耗长和人为主观强等难题,选取鄂尔多斯盆地临兴区块上古生界和松辽盆地三肇凹陷扶余油层为靶区,提出一种基于深度学习的致密油储层岩石薄片人工智能鉴定方法,引入图像预处理技术去除岩石薄片图像噪声并统一图像像素大小,构建空间几何增广机制,基于空间注意力机制改进Mask R-CNN算法,并将上述方法应用于实例靶区进行有效性验证。结果表明:图像预处理技术能够在保障图像特征的前提下,有效提高图像质量,减少噪声干扰;空间几何图像增广机制能够在在一定程度上增加可用样本的数量;基于空间注意力机制的Mask R-CNN算法可以同时完成复杂岩石薄片成分的分割与智能识别工作,分割精度在不同数据集情况下的平均精度为89.2%,整体识别准确率为93%,适用于致密油储层岩石薄片特征鉴定。

基于FPGA加速的Mask R-CNN稻瘟病高通量自适应识别模型研究

针对基于图像的稻瘟病现场检测技术依赖先验知识且受制于算力与田间网络状况,无法实现自适应实时检测的问题,提出一种可利用现场可编程门阵列(Field programmable gate array,FPGA)加速的Mask R-CNN(Mask region-based convolutional neural network)稻瘟病高通量自适应快速识别模型。首先将骨干网络改进为MobileNetV2,利用其倒残差模块降低计算量,提高模型并行处理能力;随后增加用于稻瘟病多尺度特征融合的特征金字塔网络模块,使模型具备多尺度自适应处理能力;最后由全卷积网络(Fully convolutional network,FCN)分支输出稻瘟病病斑的实例分割,同时使用交叉熵损失函数完成稻瘟病的定位与分类。稻瘟病实测数据集对模型的验证结果表明:当输入为全高清图像时,模型平均推理时间减少至85 ms,相较GPU服务器、同级别GPU边缘计算平台,速度分别提高86.2%、63.0%。在交并比为0.6时,准确率可达98.0%,病斑捕获能力平均提升21.2%。提出的Mask R-CNN自适应快速识别模型能够在田间恶劣网络状况下实现稻瘟病的快速现场检测,具有更好的抗噪能力和鲁棒性能,为水稻病害实时检测、察打一体提供了高效实时的片上系统方案。

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。

基于改进Mask R-CNN的青菜杂质检测研究

绿叶蔬菜的智能包装加工是实现绿叶蔬菜智能化生产、降低生产成本的重要部分,对绿叶蔬菜在包装加工时的杂质检测是其重要前提。以青菜为研究对象,提出一种基于Mask R-CNN的青菜杂质检测模型。首先采集标注掺杂枯树叶、枯菜叶和碎纸片3种常见杂质的青菜图像1370多张,并通过数据增强的方法扩充建立含有2740张青菜杂质图像的数据集。为减少背景对杂质检测的影响,通过在Mask R-CNN模型中加入协调注意力机制,同时添加全连接层和Dropout层,增强模型特征提取能力,减少过拟合现象,并使用迁移学习方法对模型进行微调。结果表明改进后的Mask R-CNN算法对青菜杂质识别的平均精度均值为99.19%,检测速度为8.45 FPS,检测效果良好,可以满足青菜杂质的检测需求。

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。

基于改进Mask R-CNN的笼养死鸭识别方法

针对规模化笼养肉鸭舍内死鸭识别采用人工作业方式时,存在作业效率低、劳动强度大、养殖成本高等问题,以层叠式笼养肉鸭为研究对象,提出了一种基于深度学习的笼养死鸭识别方法。为了采集数据,首先面向立体层叠式养殖环境设计了一款适用于肉鸭舍的自主巡检装备。针对笼养肉鸭舍铁丝网遮挡严重的问题,基于机器视觉对笼网进行修复,基于OpenCV对图像进行增强处理。构建了一种基于Mask R-CNN的死鸭识别模型,采用Swin Transformer对模型进行优化,解决了Mask R-CNN网络缺乏整合全局信息能力的问题。对比分析了SOLO v2、Mask R-CNN和Mask R-CNN+Swin Transformer模型识别笼内死鸭准确率。实验结果表明,在平均精度均值为90%的条件下,Mask R-CNN+Swin Transformer模型对笼内死鸭总体识别准确率可达95.8%,在自主巡检装备上的检测效果优于其他主流的目标检测算法。

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Mask-R-CNN网络的轨道交通运行环境感知技术应用研究

为了提升轨道交通列车运行环境感知能力,进一步保障列车运行环境安全,针对列车运行前方各类障碍物侵限问题,提出一种基于改进Mask-R-CNN网络的轨道交通运行环境感知技术方案。通过阐述列车运行环境感知系统设计需求,对其进行结构设计。分析Mask-R-CNN深度视觉模型,论述其功能对列车运行环境感知需求的适用性,使用轻量级MobileNetV2骨干网络及PointRend模块对Mask-R-CNN网络进行改进优化,进一步提升实时性和准确性。在真实列车运行环境中采集列车运行前方展望数据,标注形成自有数据集,结合公共数据集对模型进行训练,经验证改进后模型F-Measure评价值达到95.56%,同时具有准确率高、实时性好、易于部署等优点,可以满足下一步轨道交通发展新需求,是计算机视觉技术在轨道交通领域的一种新探索。

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。

改进Mask R-CNN的车辆检测算法

为提升在不同复杂场景下的车辆检测性能,提出一种基于改进Mask R-CNN的车辆检测算法.在算法的主干网络ResNet50中引入PSA极自注意力机制提升主干网络特征提取能力;在特征金字塔顶层网络中添加一个带有ECA注意力机制的分支与原分支进行特征融合,缓解顶层特征由于通道降维造成的信息损失.重新设计卷积检测头使得边框回归更为准确,并使用余弦退火算法和Soft-NMS算法来优化训练过程和后处理结果.实验结果表明,改进的Mask R-CNN车辆检测算法相比原Mask R-CNN算法在复杂场景下具有更高的检测精度,在CNRPark-EXT测试集中平均精确度提高3.8%,在更具挑战性的MiniPark测试集中平均精确度提高7.9%.

基于Mask R-CNN的复杂环境下辣椒识别方法研究

针对辣椒采摘机器人在真实场景中辣椒簇状、粘连和光照不均导致无法精准采摘辣椒的问题,提出一种基于Mask R-CNN实例分割网络模型的辣椒识别方法。以真实场景下的辣椒为研究对象,采集自然生长的辣椒图像4496张,对其中的4000张进行数据标注作为数据集,通过设置不同的学习率、训练周期和模型网络层对数据集进行训练。试验结果表明,Mask R-CNN网络模型对真实场景下辣椒的识别和分割效果较好,平均准确率达到90.34%,平均速度达到0.82 s/幅,为智能辣椒采摘机器人的辣椒分割识别和定位提供有力的技术支撑。

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Mask R-CNN模型的粘连烟丝识别方法

为精准识别并高效分割粘连烟丝,提出一种基于改进掩码区域卷积神经网络模型(Mask R-CNN)的粘连烟丝识别方法。首先,采集粘连烟丝图像,通过图像增强操作将数据集扩充到训练模型所需的样本数量;其次,在Mask R-CNN模型的基础上对训练样本中的粘连烟丝图像进行边缘特征提取、分形特征提取,获得更清晰、连续的图像边缘特征信息和纹理特征信息;再次,将原始特征、边缘特征、分形特征进行融合以充分利用不同层次的特征信息,丰富底层特征;最后,通过引入混合注意力机制关注特征图的通道和空间维度,从而提高粘连烟丝识别的效率和准确性。模型性能对比结果表明:基于改进Mask R-CNN模型的识别方法的平均交并比(Avg.MIoU)为85.29%,类别平均像素准确率(Avg.MPA)为84.33%,其能够快速、准确地识别并分割出单根烟丝,识别效果优于Mask R-CNN和DeepLabV3+模型识别方法,可为后续烟丝宽度检测提供技术支持。

基于改进Mask R-CNN模型的宫颈细胞分割

在宫颈细胞分割过程中,原始Mask R-CNN模型采用ResNet50和FPN作为特征提取网络,尽管模型分割效果良好,但仍存在分割速度慢且边缘分割效果欠佳等问题,为此,提出了一种改进Mask R-CNN模型。首先,该模型采用轻量化网络MobileNet V2作为特征提取模块,大幅度降低模型参数量,为图像的实时分割提供了可能。其次,该模型在特征提取网络中融入了注意力模块,通过自适应特征优化功能,最大限度获取底层信息。最后,模型在掩码生成阶段采用跳跃连接的方式,有效融合各尺度信息,提升网络信息获取能力。实验结果表明,改进模型将宫颈细胞核的分割速度提升了50%左右、分割精度提升了7%。

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。

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。