基于Res2Net-RetinaNet的活性污泥指示性微生物目标检测

活性污泥中原生动物、后生动物等指示性微生物是污水处理运行调控的重要指标。针对活性污泥微生物不同种类之间,小目标类微生物体型较小、微生物个体颜色背景和图像颜色背景相似的现象,提出基于Res2Net-RetinaNet的活性污泥指示性微生物检测方法。Res2Net-RetinaNet模型采用精度更高的新维度残差块Res2Net模块捕获原有特征的丰富信息。在主干网络输出的第1层引入通道和空间注意力机制CBAM,进一步帮助浅层特征信息在网络中流动。最后,在特征融合模块中引入深度超参数化卷积(Do-Conv),在不增加计算量的前提下持续加快模型的收敛。将所提方法应用于某污水厂采集数据中进行实验,结果表明:所提方法与Fast R-CNN、SSD、YOLOv3、YOLOv4、FCOS、CenterNet及RetinaNet等目标检测模型相比,检测精度最高(92.8%),相对于原始RetinaNet目标检测算法精度提升4.97%。

基于YOLACT++的槟榔检测算法研究

设计了一个基于YOLACT++深度学习算法的槟榔检测模型。针对传送带上采集的槟榔图片分割精度低和预测框不精确造成槟榔分级准确率低的问题。在模型主干网络中引入改进Res2Net模块,改善槟榔掩模分割精度。在模型边界框回归损失中引入CIoU损失函数,提高预测框的检测精度。结果表明,改进模型的掩模mAP相较YOLACT++、Mask R-CNN、SOLOv2分别高出5.20%,4.09%,2.37%。预测框mAP相较YOLACT++、Mask R-CNN分别高出5.41%,4.90%。相较于模型改进前分级准确率提升2.12%。

基于改进YOLACT++的碧根果图像实例分割模型

针对碧根果加工生产线上存在果壳掉落、堆叠及打光阴影造成碧根果图像检测精度低的问题,提出一种改进的YOLACT++实例分割算法.在主干网络中采用引入了注意力机制的Res2Net模块用于增强主干网络的特征提取能力,抑制无效背景信息的干扰;在边界框回归损失函数中引入CIoU损失函数,更精确地评价预测框与真实框的位置关系,用于提高预测框的检测精度;将DIoU与FastNMS结合,加强对重叠度高的候选框的筛选能力,改善预测框误检的问题.碧根果数据集上的实验表明:相比改进前,该算法的掩膜与预测框mAP分别提升5.18%、5.49%.COCO数据集上的实验结果表明:改进的算法对于不同尺寸物体分割精度优于BlendMask等先进算法.

基于改进Faster-RCNN的X光安检图像违禁品检测算法

针对X光安检图像背景复杂、违禁品尺度多样以及相互遮挡严重,使得目标检测效果无法进一步提升的问题进行研究。在Faster-RCNN目标检测算法的基础上引入Res2Net模块,在抑制背景干扰的同时提取更细粒度的多尺度特征,增加每个网络层的感受野,此外,本文利用K-means聚类算法,对数据集的真实框进行聚类以获得合适的锚框尺寸,以提高X光安检图像中违禁品的检测精度。本文算法在公开数据集SIXray上的均值平均精度(mAP)为85.08%,检测速度为13帧/s。实验结果表明,本文算法在一定程度上提升了X光安检图像检测效果。