基于分治策略的MASK算法的改进

如何保护私有信息或敏感知识在挖掘过程中不被泄露,同时能得到较为准确的挖掘结果,目前已经成为数据挖掘研究中的一个很有意义的研究课题。本文在MASK算法的基础上提出一种改进的保护输入隐私的MASK算法。相对于MASK算法,改进的MASK算法在保证较好的输入数据隐私度和挖掘结果的准确度的同时,其运行效率也得到了明显提高。

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%.

钢轨表面缺陷检测Mask R-CNN算法研究与优化

为有效防止城市轨道交通事故发生,更好地保障运行安全,钢轨表面缺陷检测技术在巡检工作中发挥着重要作用。针对现有钢轨缺陷检测技术中检测精度差、小目标敏感度低等问题,在Mask R-CNN(mask region-based convolutional neural network)算法模型基础上,提出一种融合注意力机制的模型改进方案。该方案在特征提取网络中引入通道-空间复合注意力机制(channel-wise spatial module,CSM)用于实例分割缺陷检测,有效剔除干扰信息,获得多尺度特征表达,得到更多空间信息以及更优的浅层信息,从而提升对钢轨表面缺陷边缘检测能力。在相同的实验环境下,相对于Mask R-CNN算法,加入CSM后,Mask R-CNN模型的平均精度均值(mean average precision,mAP)提高了6.5%。其中,对钢轨“凹陷”“裂纹”以及“疲劳磨损”缺陷识别的平均精度(average precision,AP)分别提高了6.3%、6.9%和6.1%。横向对比发现,加入CSM后的Mask R-CNN模型,相较于Fast R-CNN模型,三种缺陷的分割效果分别提升了11.6%、12.5%和12.9%。同时,相较于Faster R-CNN模型,三种缺陷的分割效果分别提升了8.8%、10.0%和10.3%。加入CSM后的Mask R-CNN模型可以更好地识别三类缺陷,提升检测精度和小目标敏感度,为轨道智能巡检提供更安全有力的技术支持和保障。

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。

基于双目相机的船舶系泊运动感知算法研究

针对船舶系泊时的运动感知问题,提出了一种基于双目相机的船舶系泊运动感知算法,实现了船舶系泊时的位姿检测。算法采用先识别后测量的感知策略。首先,使用Mask-R CNN神经网络获取船舶掩膜;之后,利用船舶掩膜、双目视差图和双目相机的内外参数计算得到船舶点云;最后,应用NDT-ICP算法对船舶点云进行配准,得到位姿变换矩阵,从而计算出船舶系泊时的位姿。与实测值对比显示,该算法位移RPD最低为2.21 mm,旋转RPD最低为2.93°,位移RMSE最大为1.135 mm,旋转RMSE最大为3.809°,检测视频帧率达到8 FPS,算法检测能力较好,对船舶进港系泊活动具有重要意义。

基于Mask R-CNN的计算机数字图像处理算法

为进一步提高图像处理的精度与速度,提出基于Mask R-CNN的计算机数字图像处理算法。通过残差结构,替换模型架构中大部分作用于全连接层的图像,基于Mask R-CNN算法提取图像特征;设计数字图像处理方法,设置目标函数,获取特征信息,在编码层与解码层的共同作用下获取生成器的网络结构,经过处理后得到数字图像。实验结果表明,该算法处理后图像的峰值信噪比、结构相似性系数、均方误差较小,运行时间均在0.13s以下。

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。

隐私保护数据挖掘算法MASK的改进

为了在数据挖掘过程中既保护敏感信息和知识不被泄露,又使得到的挖掘结果相对准确,对XMASK算法进行改进。在重构原数据项支持度的过程中利用布尔集合的特性简化计数过程。通过实验将改进算法与原MASK算法和XMASK算法进行比对。结果表明,该算法提高了运行的时间效率。

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。

基于Mask R-CNN的电力关键设备载波运行状态检测

为解决因载波信号大幅波动造成的电力设备运行状态检测失准问题,提出基于Mask R-CNN的电力关键设备载波运行状态检测方法。在Mask R-CNN网络模型中,通过定义小波基向量的方法确定电力载波暂态系数的计算结果。联合电量阻抗特征,求解连续阈值区间表达式,将获取到的电力载波信号放置在已定义阈值区间内。计算奇异值检测系数的取值条件,完成电力关键设备载波运行状态检测。对比实验结果表明,所提方法可以将电力载波信号波动幅值控制在±17 dB之间,对载波信号波动行为起到了明显的抑制作用,能够提升电网主机对电力设备运行状态检测的准确性。

基于改进Mask R-CNN和LSD的图纸管道检测方法

针对核电轴测视图中因管道特征不明显、管道尺度差异大及管道相交导致的管道识别精度差及错检、漏检等问题,提出一种基于改进的Mask R-CNN及LSD方法检测图纸中的管道。首先,针对管道特征不明显问题,将识别目标由管道调整为管道及其尺寸标注线,增加目标几何特征;其次,改进Mask R-CNN网络,引入双向加权特征金字塔结构,提高不同尺度目标特征提取能力,将原非极大值抑制改为DIoU-NMS,提高相交管道识别精度;最后,通过LSD算法检测出目标图像中的直线,再经过条件约束筛选及最小二乘拟合得到管道直线,实现管道的准确检测。实验结果表明,改进的Mask R-CNN算法有效减少了管道错检、漏检问题,精度可达90.04%,结合LSD直线检测、条件约束及最小二乘拟合算法得到管道直线,满足图纸管道检测的要求。

反差一致性改进的MASK匀光算法

航空影像中存在的不均匀光照现象是遥感影像处理中要解决的一个重要问题。现有的MASK匀光处理技术能够在一定程度上解决这类问题。但是经过MASK匀光处理后的图像存在反差不均匀现象,即原始图像中较暗区域经过匀光后明显地表现出反差较低,而亮的区域则反差较大。针对此不足,提出了一种基于反差一致性改进的MASK匀光算法。实验证明,该方法能够迅速提高暗区域反差,抑制亮区域反差,达到整体影像的反差一致性,获得更好的匀光效果。

基于隐私保护的MASK挖掘算法研究

数据挖掘是近年来随着人工智能和数据库技术的发展而出现的运用比较频繁的技术.它是从大量数据中筛选出隐含的、可信的信息的一种处理过程.在筛选的过程中,对数据的隐私保护便成了一个大的问题.本文针对隐私保护关联规则数据挖掘中的MASK挖掘算法进行了分析,就MASK算法在求频繁项集中涉及到的矩阵求逆问题上提出了两种改进的算法,通过实验表明,有效地提高了传统MASK算法的运行时间.

基于Mask R-CNN算法的尾矿库干滩长度视频测量研究

干滩长度是整个尾矿坝安全稳定性的一个重要参数。为了实时准确地测得干滩长度值,提出了一种高效、智能、准确的在线监测新方法——基于Mask R-CNN实例分割算法的干滩长度测量方法。此方法共分为4部分:(1)在尾矿坝两岸安装监控摄像头;(2)基于Mask R-CNN算法,训练出识别水线并输出水线坐标的网络模型;(3)将水线轮廓坐标与实际干滩长度进行回归分析,拟合出测量算法关系式;(4)将水线坐标输入上述关系式,即可通过视频画面实时测得干滩长度。研究结果表明,此模型能够准确地进行干滩长度的测量,且适用于光照不足、图像模糊、雨雪天气等情况。

基于Mask R-CNN算法的遥感图像处理技术及其应用

遥感技术的发展使得遥感影像被应用于农业、军事等诸多领域,而深度学习方法的融入使得该项技术在目标检测、场景分类、语义分割方面取得了重大突破。与自然场景下的舰船检测不同,遥感图像中的舰船为俯视图,舰船较为密集,且容易与港口混合。当前对舰船检测的输出结果主要是检测框,缺少对舰船掩码的输出,使得无法全面分析出模型存在的不足;同时,由于遥感图像中的舰船停靠密集,容易产生漏检问题。为解决上述问题,利用Mask R-CNN对舰船进行目标检测,较全面地分析模型的训练情况、掩码和检测框的输出结果;通过对目标边缘的学习及参数的调整,使模型与舰船目标相适应。通过实验分析得出了适用于舰船检测的网络模型参数,从而有效降低了舰船停靠密集所产生的误检和漏检问题。

基于改进Mask RCNN的道路信息检测算法

针对目前目标检测算法应用于道路信息检测精度低、速度慢、小目标检测效果差的问题,提出一种基于改进掩膜区域卷积神经网络(mask region convolutional network, Mask RCNN)的道路信息检测算法。引入深度可分离卷积提升检测速度;引入卷积注意力模块(convolutional block attention module, CBAM)与双向特征金字塔网络(bidirectional feature pyramid network, Bi-FPN)提高模型精度;借鉴迁移学习思想,基于PASCAL-VOC2012数据集对模型预训练,提高模型学习特征的能力;基于自制道路信息数据集完成模型正式训练。实验结果表明,使用改进方法优化后的基于ResNet50的Mask RCNN算法整体性能较好,平均精度均值达到95.2%,较原算法提高了4.5%,检测帧率达到24.8帧/s,较原算法提高了8.3帧/s,且小目标漏检现象变少,证明改进方法可以提高道路信息检测算法的检测精度、检测速度与小目标检测性能。

基于距离权重的分块MASK匀光算法

匀光处理是遥感影像处理中十分重要的一个步骤,现有的MASK匀光算法对消除影像内部光照不均匀现象有较好的效果。但是,MASK算法仍具有一定的局限性,如高斯滤波器最佳尺寸的选择问题,匀光后影像依然存在反差分布不一致问题。针对这些问题,本文提出了一种基于距离权重的分块MASK匀光算法。通过实验,与传统MASK算法进行对比分析,证明本方法得到的结果影像质量更好,反差也趋于一致。

改进Mask RCNN算法及其在行人实例分割中的应用

Mask RCNN算法在特征提取过程中存在语义信息丢失的问题,而自然场景中的行人具有姿态不同、遮挡和背景复杂等特点,导致算法应用于行人实例分割时检测准确性较差。对此,提出一种改进的Mask RCNN算法。在Mask RCNN网络的Mask分支中增加串联特征金字塔网络(CFPN)模块,对网络生成的多层特征进行融合,充分利用不同特征层的语义信息。在此基础上,执行RoI Align操作生成行人掩膜。仿照COCO数据集,从生活场景中拍摄1000张图片,自建一个新的行人数据集。基于该数据集的实验结果表明,改进算法较原算法具有更高的检测精确率。

改进的自适应Mask匀光算法

Mask匀光算法在光学遥感影像色彩一致性处理中广泛应用。针对传统算法存在滤波器参数确定自适应性差、影像存在反差不一致现象、影像细节信息易损失等缺陷,提出改进算法。该算法结合影像信息与最优化准则自适应确定滤波器参数,对背景进行动态压缩以减小细节信息丢失,自适应调整拉伸参数,解决反差分布不一致现象。对比试验显示,改进算法处理的影像在光照一致性、影像清晰度、反差一致性上均取得较为理想的匀光效果。

基于改进Mask RCNN的夜间车辆检测方法

传统的夜间车辆检测基于车灯特征的提取和识别,这类方法容易发生误判、检测精度和检测实时性不高。针对上述问题,本文研究了基于改进Mask RCNN(mask RCNN-night vehicle detection,Mask RCNN-NVD)的夜间车辆检测算法。将残差网络(residual network,ResNet)结构中的普通卷积修改为数量为16组的分组卷积,通过16组1×1卷积实现通道数叠加,将网络参数降至普通卷积的1/16,提升检测速度,并实现与普通卷积相同的效果;将通道注意力机制模块(squeeze-and-excitation,SE)嵌入ResNet结构中,通过2个全连接层构建瓶颈结构,将归一化权重加权到各通道特征,增强网络表征能力;在特征金字塔网络(feature pyramid networks,FPN)后加入自底向上结构,将底层特征强定位信息传递到高层语义特征中;加入自适应池化层,根据区域候选网络(region proposal network,RPN)产生的候选区域分配至不同尺度特征图中,并在底层特征与各阶段最高层特征之间加入跳跃连接结构,实现缩减模型参数的同时保留模型的全局表征能力。通过对开源数据集Microsoft common objects in context(MS COCO)、Berkeley deep drive 100K(BDD100K)的夜间行车图像进行数据增强,构建用于评估检测性能的测试集2000张。实验结果表明:算法在测试集上的平均精度(mean Average Precsion,mAP)值高达92.62,每秒图像处理帧数(Frames Per Second,FPS)值高达30帧。相比于原始Mask RCNN算法分别在mAP值上提高1.68,FPS值提高4帧,验证提出的方法可以有效提升夜间车辆检测的准确性和实时性。