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...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。展开更多
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...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。展开更多
文摘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。
文摘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.
文摘基于深度学习技术,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。