改进Retina-Net的草坪杂草目标检测

在城市规划与园林景观中,人工养护的草坪起到美化环境的作用,但是各类草坪杂草的滋生,严重损害景观草坪的观赏性。而人工分辨杂草费时费力,影响后续的除草效率。因此,借助深度学习的研究成果,对现有的Retina-Net目标检测模型进行针对性改进,通过提取训练集目标图像特征信息、增设多尺度感受野、改进软池化层等方式,提升模型的杂草检测和种类分辨的能力,有助于后续除草工作的高效展开。最终试验对6类杂草的识别率分别为85.3%,84%,89.6%,86.7%,95.1%,91.5%。相比较于其他主流目标检测算法,识别率分别提高2.2%~9.3%。

三维细胞培养在青光眼研究中的应用

神经节细胞(retina ganglion cells,RGCs)的退行性改变,对全球经济和健康造成了重大影响。其病理变化的分子及生物机制尚不明确,目前青光眼手术和药物治疗仍然局限于将眼压控制在正常范围。小梁网作为房水排出的重要途径,是眼压控制的关键一环。眼压改变引起的视网膜退行性改变是青光眼重要病理过程之一。小梁网及视网膜的体外模型构建是研究青光眼发生发展的主要研究方法。三维培养技术可以使细胞在体外形成一定的空间结构,有利于细胞-细胞及细胞-环境的相互作用,相比传统二维培养,三维培养更加接近体内细胞的生理环境,对于研究疾病的病理生理变化及高通量药物筛选具有重要意义,同时,三维培养更有利于对细胞空间构象变化及其力学性质改变进行研究。三维打印等新技术也在三维细胞培养中有所应用,为三维定制化培养提供技术基础。文章综述了小梁网及视网膜细胞三维培养在青光眼基础研究中的应用研究进展,旨在为进一步探究青光眼病理生理机制提供新的思路。

基于多模型融合的变压器故障在线检测方法

变压器是电力系统中的关键设备,实现对变压器故障的准确在线检测对保证电力系统的安全稳定运行具有重要意义。针对变压器声纹图像在线检测方法存在部件之间遮挡严重、检测目标尺寸较小、背景复杂等问题,提出了一种基于多模型融合的变压器故障在线检测方法,模型由两部分组成,即掩码区域的卷积神经网络(mask region-based convolutional neural network,Mask R-CNN)以及改进Retina-Net网络。利用Mask R-CNN网络分割出声纹图像中的变压器主体部分,再结合改进Retina-Net网络对分割出的变压器主体进行目标检测。实验结果表明:该方法能够有效分割出变压器的主体部分,并可以对变压器的故障部位进行准确识别,对变压器故障部位的在线检测精度达到96.1%。该文提出的多模型融合算法,充分利用深度学习的优势,实现了高精度、高效率的变压器故障在线检测,在电网设备在线检测和故障智能识别领域有显著应用价值。

基于卷积神经网络的农作物智能图像识别分类研究

首先,介绍了卷积神经网络结构、各个模块的工作原理和Retina-Net目标检测算法;然后,采用颜色直方图特征提取方法,实现了卷积神经网络的农作物智能图像识别分类算法。实验结果表明:该算法可以准确地对番茄枝上的番茄进行识别测试,且准确率较高,有效性和准确性强,能够满足实时果实识别的应用需要。

结合多尺度特征融合的扩张残差U-Net分割网络在视网膜自动分层中的应用

目的:对视网膜光学相干断层扫描图像中不同层和积液区域的分割。方法:提出一种基于深度学习的轻量级的神经网络,参考DRUNet体系、膨胀卷积和残差网络的架构,通过连接不同深度网络处得到的上采样输出,进行多尺度特征融合,使网络能够更好地识别出图像中的边界信息。结果:改进型DRUNet显著提升了视网膜分层的效果,准确率较U-Net提高了1.25%,同时能提前1~2次迭代达到传统U-Net的准确度。结论:本文采用的网络结构提高了对视网膜光学相干断层扫描图像的分割性能,同时降低了网络参数,具有强大的应用潜力。

基于Retina-GAN的视网膜图像血管分割

对于一些可以从视网膜血管观测到的眼科疾病,眼底图像起着关键的作用,能够为专业的医科人员提供有效的参考,然而手工标注血管费时费力,且工作量较大,所以实现自动智能的血管分割方法对相关人员大有裨益.本文将Attention机制与RU-Net结构融合应用到生成对抗网络(generative adversarial network,GAN)的生成器中,形成了一种新的结构——Retina-GAN.同时在对眼底图像的预处理步骤上选择了自动色彩均衡(ACE),提高图像对比度,使血管更加清晰.为了验证所提出的方法,选用DRIVE数据集,并把Retina-GAN与其他研究比照,测量分析了算法准确性、灵敏度和特异度.实验数据显示Retina-GAN比其他模型具有更好的性能.

基于多分支卷积神经网络的视网膜血管分割方法

现有Unet网络分割视网膜血管精度较低,为了更精确地分割出视网膜血管,提出一种基于多分支卷积神经网络的视网膜血管的分割方法。在原有UNet网络模型进行改进,即增加级联结构获取更多信息流,有利于复杂特征的提取,同时提出共享权重残差模块来优化模型。实验在DRIVE数据集上进行验证,实验结果表明所提的网络模型与Unet网络分割结果相比,在准确率、灵敏度等评价指标上均有所提升,显示出更好的性能。

改进的U-Net在OCT视网膜分割中的应用

视网膜眼底图像能够反映出视网膜的剖面形态,从而能够更加精确地对视网膜进行解剖。图层的划分与定量测算对于很多视网膜及视神经的疾病都是非常有用的,因此对眼底图像进行分割具有很强的现实意义。本文利用SENet模块对编码器为Vgg-16的U-Net引入注意力机制,实现了对视网膜眼底图像的精确分割。实验表明,改进的网络在性能上优于其他两个基础模型。

双目机器视觉及RetinaNet模型的路侧行人感知定位

目的行人感知是自动驾驶中必不可少的一项内容,是行车安全的保障。传统激光雷达和单目视觉组合的行人感知模式,设备硬件成本高且多源数据匹配易导致误差产生。对此,本文结合双目机器视觉技术与深度学习图像识别技术,实现对公共路权环境下路侧行人的自动感知与精准定位。方法利用双目道路智能感知系统采集道路前景图像构建4种交通环境下的行人识别模型训练库;采用Retina Net深度学习模型进行目标行人自动识别;通过半全局块匹配(semi-global block matching,SGBM)算法实现行人道路前景图像对的视差值计算;通过计算得出的视差图分别统计U-V方向的视差值,提出结合行人识别模型和U-V视差的测距算法,实现目标行人的坐标定位。结果实验统计2.5 km连续测试路段的行人识别结果,对比人工统计结果,本文算法的召回率为96.27%。与YOLOv3(you only look once)和Tiny-YOLOv3方法在4种交通路况下进行比较,平均F值为96.42%,比YOLOv3和Tiny-YOLOv3分别提高0.9%和3.03%;同时,实验利用标定块在室内分别拍摄3 m、4 m和5 m不同距离的20对双目图像,验证测距算法,计算标准偏差皆小于0.01。结论本文提出的结合RetinaNet目标识别模型与改进U-V视差算法能够实现对道路行人的检测,可以为自动驾驶的安全保障提供技术支持,具有一定的应用价值。