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。

基于深度学习的城市内涝区域车辆检测与分析

在城市内涝场景当中,较多人与车辆被困于积水中,给大众生活带来不利影响。随着计算机技术的快速发展,深度学习在解决实际问题中的运用也越来越广泛。文中提出了一种利用TensorFlow深度学习框架搭建MaskR-CNN(Regions with Convolutional Neural Networks Features)模型的方法,对城市内涝场景的积水区进行检测,检测效果良好,mAP(mean Average Precision)值达到89%。同时,基于YOLOv5(You Only Look Once version 5)模型,采用密集帧间差运算对处于积水区中的人车进行追踪,追踪精度达到90%左右,并使用YOLOv5外挂ResNet(Residual Network)实现了对内涝场景中的车辆进行淹没危险度分析。实验结果表明,文中所用模型的车辆危险度检测效果优于其他模型。

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%。

基于深度学习模型识别风电场避让物的方法研究

近年来,由于在新建风电场和需要进行技改的老旧风电场周边往往已建有风电场,因此风电场在新建或技改时除了需要避让生态保护红线、永久基本农田、自然保护区、风景名胜区等国家限建区域,以及需要考虑风电场内风电机组之间的尾流影响外,还需要重点关注周边风电场对新建或需要技改的老旧风电场的尾流影响。当针对尾流影响进行计算时,工程师采用当地遥感影像对周边已建风电场的风电机组逐个进行人工标记,但该方法容易造成风电机组机位统计缺漏,过失误差较大。提出一种基于深度学习模型识别风电场避让物的方法,利用深度学习模型对遥感影像中已建风电场的风电机组、民房等敏感因素进行识别标记,采用OpenWind软件对这些敏感因素进行避让,并快速进行风电机组布置。研究结果表明:利用计算机分析并标记避让物的结果准确、不易产生遗漏,可有效消除过失误差;同时,大幅降低了标记避让物的工作量,有效减少了大量的繁杂、低效、高重复性的工作,大幅提高了识别避让物的工作效率和结果精度。

基于深度学习的宽带信号检测技术

提出一种将深度学习领域的目标检测模型应用于宽带密集信号检测问题的解决思路。将原始宽带采样数据流转化为时频图,将时频图作为目标检测网络的输入,通过目标检测网络的推断预测实现信号在时频图上的定位和识别,从而得到信号的起止时间、起止频率和类别信息。基于仿真生成的密集信号数据集,对MaskR-CNN模型进行训练和测试。实验结果表明,信噪比为0dB~14dB条件下,检测准确率为98%,召回率为93%,验证了基于深度学习的宽带信号检测算法的可行性。

基于智能破碎锤作业场景的多目标石块识别定位方法

随着智能工程机械的不断发展,结构复杂、功能单一的传统液压破碎锤逐渐被日益成熟的智能破碎锤取代,对多目标石块的识别与定位是智能破碎提高动作输出精度、完成破碎任务的重要保证.提出基于分割掩码卷积神经网络(Mask R-CNN)实例分割和激光雷达信息融合的目标石块识别定位方法,通过Mask R-CNN实例分割算法快速识别复杂作业场景下目标石块的感兴趣区(Region of Interest,RoI);在保证石块检测精确率的前提下,融合激光雷达通过卡尔曼滤波算法得到破碎点位置信息,引导破碎锤实现定位作业.现场试验结果表明,目标石块检测模型对石块的平均识别精确率为95.35%,召回率为95.06%,石块破碎点识别精确率为94.20%.在复杂作业背景下,该方法可实现多目标石块识别和破碎点定位,满足自动破碎实时性要求.

基于深度学习的文本图像识别算法研究

为了解决文本检测与识别过程中图像噪声大、文字模糊歪曲等问题,文章提出了一种基于深度学习的文本图像识别算法,可对生活中的文本图像进行内容检测与识别。其中,将MaskR-CNN算法作为文本检测模块并将Sar作为识别框架,采用360万中文数据集对文本识别模型进行训练。在对模型及阅值进行调整和改进后,该算法的识别准确率和重复率方面均表现出较好的效果。

基于迁移学习和Mask R-CNN的稻飞虱图像分类方法

针对当前稻飞虱图像识别研究中自动化程度较低、识别精度不高的问题,提出了一种基于迁移学习和Mask R-CNN的稻飞虱图像分类方法。首先,根据稻飞虱的生物特性,采用本团队自主研发的野外昆虫图像采集装置,自动获取稻田稻飞虱及其他昆虫图像;采用VIA为数据集制作标签,将数据集分为稻飞虱和非稻飞虱两类,并通过迁移学习在ResNet50框架上训练数据;最后,基于Mask R-CNN分别对稻飞虱、非稻飞虱、存在干扰以及存在黏连和重合的昆虫图像进行分类实验,并与传统图像分类算法(SVM、BP神经网络)和Faster R-CNN算法进行对比。实验结果表明,在相同样本条件下,基于迁移学习和Mask R-CNN的稻飞虱图像分类算法能够快速、有效识别稻飞虱与非稻飞虱,平均识别精度达到0.923,本研究可为稻飞虱的防治预警提供信息支持。

基于深度学习的儿童手骨X光图像骨龄评估方法

目的提出一种基于深度学习的端到端儿童手骨X光图像骨龄评估框架,以实现高精度全自动骨龄评估。方法由手骨分割网络和骨龄回归网络组成模型,手骨分割网络采用Mask-RCNN分割出手骨区域,分割后的手骨区域直接输入回归网络进行骨龄评估。其中,回归网络以Xception为基础模型进行改进,在Xception输出后接入卷积块注意模块,以从通道和空间两个独立的维度细化特征映射,来获取更有效的特征;同时,将图像和性别信息作为网络的双输入,通过增加性别信息平衡不同性别的手骨发育差异。在RSNA儿童骨龄挑战数据集上评估模型。结果预测骨龄的平均绝对误差为4.96个月,超过6个研究团队所用骨龄评估方法的精确度。结论通过分割手骨区域、嵌入卷积块注意模块并关联性别信息,能提高骨龄评估的精确度,可应用于实际临床评估。

基于Mask R-CNN的触摸屏玻璃疵病检测与识别

为快速有效地检测与识别触摸屏玻璃疵病,提出了一种基于Mask R-CNN技术的检测与识别方法。Mask R-CNN是Faster R-CNN技术的扩展,其在边界框识别的现有分支上添加一个并行的用于预测对象掩膜的分支,是基于R-CNN系列、FPN、FCIS等工作之上的一种技术,相对于传统的目标检测和分割算法有很大提升。使用暗场散射成像、多图片堆栈等方法采集数据样本,同时采用几何变换方法扩增样本库。为提升训练速率和检测精确率,根据训练样本差异性,通过测试不同的VGG16、ResNet50+FPN以及ResNet101+FPN主干网络提取图像特征。实验表明,ResNet50+FPN的识别精确率较高,达到96.7%。基于Mask R-CNN的检测与识别方法不仅能对疵病快速检测与识别,还能提高识别精确率。

基于深度学习的SEM纤维图像分割方法研究

基于深度学习技术,对扫描电子显微镜(Scanning Electron Microscope,SEM)下拍摄的纤维图像分割方法进行研究。首先制作样本并用Mask R-CNN模型进行训练得到纤维分割网络模型,然后将待检测的纤维图像输入训练好的分割网络,经卷积与下采样后,对纤维图像进行预测,根据推荐窗口提取每根纤维的边界,最后对纤维边界进行后续处理得到分割结果。经试验,采用Mask R-CNN网络对SEM纤维图像进行分割结果可靠。

基于Mask R-CNN的猪只爬跨行为识别

针对目前猪只爬跨行为自动化检测程度较低的问题,提出了一种基于MaskR-CNN的猪只爬跨行为识别算法。首先获取猪只俯视图像,利用Labelme制作数据集标签,引入迁移学习方法训练ResNet-FPN网络,获取猪只分割结果,并提取每个样本中的mask像素面积。提取每个样本中的最小mask像素面积作为爬跨行为识别的经验样本集,确定爬跨行为界定阈值。利用测试集分别测试猪只分割网络模型及爬跨行为识别算法,结果表明,猪只分割网络模型的分割准确率为94%,爬跨行为识别算法准确率为94.5%。本算法能够自动有效地检测猪只爬跨行为,可为牲畜养殖自动化提供支持。

基于传统图像处理算法和深度学习的轨道区域识别研究

异物侵入是造成铁路安全事故的重要原因,检测异物入侵的前提是准确的轨道区域识别。传统图像处理算法基于轨道图像的边缘特征和直线特征,综合运用Sobel算子和Hough变换识别图像中的铁轨,然后确定轨道区域。深度学习技术快速发展,在图像处理等方面展现了巨大的潜力。利用深度学习的目标检测算法,基于MaskR-CNN模型,训练轨道区域识别系统,通过在实际图片上验证效果,证明了系统识别的有效性。

基于Mask R-CNN的葡萄叶片实例分割

在大田环境下对葡萄生长状态和病虫害进行长期动态自动监测,需要对监控摄像头拍摄的每张单个叶片进行实例分割,工作量大,为解决这一问题采用了基于MaskR-CNN的实例分割算法。该算法是在Faster R-CNN的基础上增加一个能在候选区域上进行分割任务的分支,葡萄叶片图像首先通过区域卷积神经网络生成候选区域,利用FastR-CNN的卷积层提取葡萄叶片的整体特征,得到特征图;再由ROIAlign对特征图进行像素校正,并对每一个ROI预测,得到其类别及预测框,每一个ROI再通过一个全卷积网络对每个像素进行分类和分割。对不同天气下正常的葡萄叶片、病害叶片以及不同品种的葡萄叶片图像进行分割试验,结果表明,本算法对正常叶片、病害叶片及不同品种叶片分割的平均精度(average precision,AP)分别是0.9108、0.9068、0.9044、0.8845、0.9028。该方法对不同天气及复杂背景下的叶片实例分割都具有较好的鲁棒性和较高的精度。

基于Mask R-CNN的电力设备锈迹检测

电力设备锈迹目标的识别在电力安全方面具有极高的应用价值,但是锈迹具有大小、形状不规则等特点,利用传统的机器学习算法检测效率和准确率不高.针对这一问题,研究分析锈迹特点,提出基于Mask R-CNN的电力设备锈迹检测识别方法.使用Faster R-CNN完成目标检测的功能, FCN精准的完成语义分割的功能,实现像素级别的分类识别,较好地解决了不规则锈迹的检测问题.实验结果表明,基于Mask R-CNN的电力设备锈迹检测结果准确率高.

基于改进Mask R-CNN的越南场景文字检测

针对越南场景文字检测训练数据缺乏及越南文字声调符号检测不全的问题,在改进的实例分割网络MaskR-CNN的基础上,提出一种针对越南场景文字的检测算法。为了准确地分割带声调符号的越南场景文字,该算法仅使用P2特征层来分割文字区域,并将文字区域的掩码矩阵大小从14×14调整为14×28以更好地适应文字区域。针对用常规非极大值抑制(NMS)算法不能剔除重复文字检测框的问题,设计了一个针对文字区域的文本区域过滤模块并添加在检测模块之后,以有效地剔除冗余检测框。使用模型联合训练的方法训练网络,训练过程包含两部分:第一部分为特征金字塔网络(FPN)和区域生成网络(RPN)的训练,训练使用的数据集为大规模公开的拉丁文字数据,目的是增强模型在不同场景下提取文字的泛化能力;第二部分为候选框坐标回归模块和区域分割模块的训练,此部分模型参数使用像素级标注的越南场景文字数据进行训练,使模型能对包括声调符号的越南文字区域进行分割。大量交叉验证实验和对比实验结果表明,与MaskR-CNN相比,所提算法在不同的交并比(IoU)阈值下都具有更好的准确率与召回率。

粗细粒度超像素行人目标分割算法

针对车载视觉行人目标分割由于复杂场景对行人目标的分割结果产生干扰而出现信息冗余以及错误分割的问题,提出一种粗细粒度超像素行人目标分割算法。该算法以MaskR-CNN作为粗粒度一次分割,将所得结果经Slic超像素细粒度二次分割,融合两次输出结果来提高现有图像目标的分割精度,为行人目标识别和跟踪提供有益先验感知信息。经仿真验证,该算法能够对复杂背景情况下的图像进行有效分割,MSCOCO标准公开集测试结果与原有MaskR-CNN检测算法相比,mAP提高0.71%,为图像识别和计算机视觉系统完成精准的预处理,具有较强的工程应用价值。