人体关键点检测的Mask R-CNN网络模型改进研究

由于在现有的人体关键点检测问题中,深度学习解决方案采用的掩膜区域卷积神经网络Mask R-CNN存在参数量大导致计算成本过高、迭代次数多导致训练时间过长等问题,提出了一种基于重组通道网络ShuffleNet改进Mask R-CNN网络模型。通过引入ShuffleNet的网络结构,使用分组逐点卷积与通道重排的操作与联合边框回归和掩膜分割的计算结果对Mask R-CNN进行轻量化改进。使用该方法改进网络模型在进行单人或多人情况下的人体关键点检测中,在保留精度的前提下,可以加快运行速度,减少检测时间。

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。

基于改进Mask R-CNN的输电线路安全检测方法研究

随着全球电力需求的持续增长和电力网络的不断扩展,输电线路的安全性与稳定性尤为重要。输电线路在连接发电厂和用户的过程中,承担着可靠输送电能的重要职责。为提升输电线路的安全,研究提出一种基于掩膜区域卷积神经网络(Mask Region Convolutional Neural Network,Mask R-CNN)的输电线路安全检测模型,并引入特征金字塔网络(Feature Pyramid Network,FPN)对其进行改进。实验结果表明,在数据集尺寸为500时,改进Mask R-CNN模型的准确率为0.91,损失函数值为0.01。改进的Mask R-CNN模型能够有效提升输电线路缺陷检测的精度,具有较高的实用价值,能够提高电力系统的安全监控水平。

基于卷积神经网络的群猪图像实例分割方法

针对群养饲喂模式下猪群易因聚集遮挡、猪体黏连而影响图像分割的问题,本文对无锚框单阶段实例分割Blend Mask算法进行了相应的改进,提出了一种基于卷积神经网络的群猪图像实例分割算法。将原主干网络由ResNet-101升级为ResNext-101,在网络不加深不加宽的情况下,提升模型准确率的同时还减少超参数的数量;在检测模块中引入可变形卷积来提高原网络对猪身粘连区域的表征能力;最后对损失函数进行优化,以提升分割精度。实验数据采集自广州广垦、湖南唐人神2个猪场,在此数据集上进行模型训练和测试,对改进前后的Blend Mask算法进行测试对比,改进后的Blend Mask算法的分割准确率在同一数据集上均有所提升,由于群猪聚集遮挡问题导致的误检、漏检问题也有所改进。

基于Mask RCNN的桥小脑角区脑膜瘤与听神经瘤分类定位研究

由于人体桥小脑角区的脑膜瘤与听神经瘤在影像学的表现以及发病位置极其相似,所以临床诊断极易发生误诊.针对此问题,本文应用掩膜区域卷积神经网络(Mask RCNN)对两类肿瘤进行分类定位研究.首先采集89名脑膜瘤与218名听神经瘤患者的T1WI-SE序列的磁共振图像,对其进行预处理,再结合改进的特征金字塔网络(FPN)算法进行网络训练.本文对比了三种不同的Mask RCNN主干网络对两者分类定位的效果.结果表明,结合改进的FPN算法和ResNet101作为主干网络的Mask RCNN分类定位模型能够有效实现对两类肿瘤的分类定位,精确率为0.9182、召回率为0.8569、特异性为0.8762、均值平均精度(mAP)为0.90.

基于多尺度残差神经网络的葡萄叶片病害识别

葡萄叶片不同程度的病害具有一定的相似性,目前对于葡萄叶片病害的识别多为病害种类识别,对不同程度病害识别的研究较少,且传统识别方法对于不同程度病害识别准确率较低。提出一种基于多尺度残差神经网络(Multi-Scale ResNet)的葡萄叶片病害识别方法。对葡萄叶片病害图像进行数据增强与叶片区域标注后,使用Mask R-CNN提取葡萄叶片部位,通过引入多尺度卷积以改变ResNet底层对不同尺度特征的响应,利用加入的SENet提升网络的特征提取能力,并将图像输入Multi-Scale ResNet中进行识别。实验结果表明,该方法的平均识别准确率达到90.83%,相比ResNet18提高了2.87个百分点。

基于深度卷积网络的中低速磁浮接触轨紧固件松动检测

针对中低速磁浮接触轨紧固件松动的问题,提出一种基于卷积神经网络的检测算法。该算法对底座安装螺栓和连接板螺钉2种紧固件进行松动检测:首先定位接触轨紧固件所在区域,以此排除背景干扰;然后分析紧固件位置变动情况,实现接触轨紧固件的松动检测。通过深度卷积网络对该算法进行了实现和试验验证:采用YOLO V2网络定位2种紧固件所在区域;利用Mask R-CNN网络同时对连接板边缘、绝缘子、螺栓和螺杆,以及连接板螺钉的头部进行分割;通过对分割部位的位置变动情况进行判断实现对紧固件的松动检测。使用长沙中低速磁浮接触轨数据对本文提出的缺陷检测算法进行了试验,底座安装螺栓和连接板螺钉松动检测的精确率均在90%以上,召回率在94%以上。试验结果表明,本文所提的方法能准确地识别出中低速磁浮接触轨松动的紧固件。

基于Mask R-CNN倾斜影像筛选的建筑物三维模型高效重建方法

为了解决村镇区域建筑实景三维建模效率低下的问题,提出一种基于影像筛选的三维模型重建方法.首先,利用网络开源的建筑检测数据集训练Mask R-CNN神经网络模型;其次,利用训练好的神经网络模型筛选包含建筑的倾斜影像;最后,使用下视影像和筛选的倾斜影像对研究区进行三维重建.本研究使用Mask R-CNN神经网络模型从9775张无人机影像中自动筛选出7451张包含建筑的影像.实验结果表明,基于影像筛选的增量式三维重建法比常规方法节省了49.4%的数据处理时间,其空三重投影均方根误差和密集重建结果与常规方法一致.

基于Mask R-CNN检测流程的工艺流程优化

当下基于深度学习的手语识别方法很多是参照了行为识别的方法,这种方法对整个视频进行特征提取,只关注了视频的全局信息而忽略了手语局部手势特征的学习,而基于传统算法的手语识别需要复杂的人工设计特征过程。为了加强对手语局部特征的学习,提取手部区域,将Mask R-CNN应用到手部区域检测任务中,通过在网络中融入跟踪模块,提升连续视频中的目标检测准确率。通过实验,在自行标注的数据集基础上,训练并测试目标检测网络与跟踪模块的性能,验证了手部区域检测模型的有效性。通过在网络中融入跟踪模块,提升连续视频中的目标检测准确率。

基于改进Mask R-CNN的无人船视觉检测

针对无人船视觉检测算法准确率低及水界线检测困难的问题,构造自定义数据集并提出改进Mask R-CNN网络模型的无人船视觉检测算法。改进后的算法以Mask R-CNN网络模型为检测框架,将骨干网络由ResNet50替换成ResNeXt50并加入SENet注意力机制模块提高模型的特征提取能力;在特征金字塔网络(feature pyramid network,FPN)中加入多尺度的特征提取模块(inception模块),提高特征图的融合效果;加入多尺度锚框(anchors),提高模型对于多尺度目标的检测效果;通过直方图均衡化、调整对比度的方式对输入图像进行预处理,优化输入图像。结果表明,改进后的Mask R-CNN网络模型相比于原始的网络模型在目标检测任务中平均精度均值(mean average precision,mAP)提高了8.86%,交并比为0.5条件下的平均精度(IOU=0.5 average precision,AP 50)提高了9.39%;在实例分割任务中mAP提高了4.55%,AP 50提高了4.63%。相关改进,提高了无人船视觉检测的效率。

基于深度学习的集气站指针式仪表读数研究

为了提高集气站仪表读数的信息化程度、减少人力资源成本,应用机器视觉和深度学习算法对指针式仪表的自动读数进行了研究。首先,对图像进行预处理,对白天采集的图像使用双边滤波进行降噪处理,对晚间采集的图像使用单尺度Retinex进行增强处理;接着,使用Mask基于区域的卷积神经网络(RCNN)获取采集图像中仪表的具体位置;然后,使用连通域算法确定指针区域,使用查表法和累计概率Hough变换进行了指针的拟合;最后,对仪表的表盘进行了建模,结合指针得到仪表指示的最终示数。创新性地提出了一套针对指针式仪表的算法流程。利用上述算法流程对测试图像进行处理,仪表的人工读数和算法读数误差在0.5%以内,误差率达到了工业应用的要求,可以极大地减少人工读数的工作量。

基于Mask R-CNN的盆栽小麦单片叶长和株高提取研究

小麦叶片和株高性状对功能基因解析、育种工作以及小麦生长状态分析都具有重要意义,而传统的人工检测提取性状的方法存在主观性强、效率低、提取性状不多的缺点,甚至还会影响小麦后续生长。为实现小麦叶长和株高性状的自动测量,提出了一种基于Mask R-CNN的小麦叶长和株高性状提取方法。Mask R-CNN是一种目标实例分割模型,主要是由Faster R-CNN、RoIAlign和FCN组成。基于高通量表型系统采集小麦幼苗图片,对小麦幼苗图片中茎秆进行标注,将标注图作为训练集投入Mask R-CNN网络进行训练,用已训练好的模型分割出mIoU达到72%的小麦茎秆图之后,结合相关的图像处理方法将叶片和茎秆进行分离,获取单片叶长和株高性状,然后将叶长和株高性状与人工测量数据进行对比分析。结果表明:叶长性状的相关系数R2为0.8735,株高性状的相关系数R2为0.9828。研究基于Mask R-CNN实现盆栽小麦单片叶长和株高智能分析和精准提取,为小麦遗传改良育种提供了一种表型高通量智能分析方法。