基于VG G-19与改进的YOLACT模型的服装图像风格迁移

服装的风格设计对提升服装整体美感与客户满意度具有重要作用。以青花瓷图像、敦煌壁画以及杨柳青年画为风格图,以服装图像为内容图,利用VG G-19网络模型提取内容图像和风格图像的特征,并引入像素均值损失函数,在内容图像的亮度通道上进行风格迁移;在图像分割模型YOLACT中引入ResNe t-B、ResNe t-C以及ResNe t-D变体,将激活函数ReLU替换为Swish,引入基于Sof t-NMS的候选框筛选算法;通过基于全向梯度的风格化边缘提取算法增强服装的边缘效果,利用去噪卷积神经网络对风格化图像去噪。实验结果显示:所生成的风格化图像达到了全局色彩信息更为协调的观感,图像分割精度得到提升,图像的边缘信息得到增强,噪点消除明显,清晰度依然维持,所提出的一系列方法可以辅助服装风格设计,拓宽了风格迁移的应用范围。

基于多尺度特征注意Yolact网络的堆叠工件分拣算法

针对非结构化场景中存在的多工件堆叠遮挡等问题,提出了基于多尺度特征注意Yolact网络的堆叠工件识别定位算法;所提算法首先在Yolact网络的掩码模板生成分支中加入多尺度融合与特征注意机制,提升网络预测堆叠工件掩码的质量,并设计了基于膨胀编码的目标检测模块,增强网络对不同尺度堆叠工件的适应能力,构建了多尺度特征注意Yolact网络;其次,利用构建的多尺度特征注意Yolact网络预测堆叠工件的掩码与边界框,并对堆叠工件掩码进行最小外接矩形生成,根据掩码边界框与掩码的最小外接矩形确定目标工件的抓取点与旋转角度;最后,基于堆叠工件识别定位算法研发了视觉机器人工件分拣系统;实验结果表明,所提模型在边界框回归、掩码预测两项任务上的识别精度均有提升,机器人工件分拣系统进行堆叠工件分拣作业的成功率达到97.5%。

基于Res2Net-YOLACT和融合特征的室内跌倒检测算法

为了加强对老年人的监护、降低跌倒带来的安全风险,提出了一种新的基于Res2Net-YOLACT和融合特征的室内跌倒检测算法。首先,通过融入Res2Net模块的YOLACT网络来提取视频图像序列中的人体轮廓;然后,利用两级判断的方法做出跌倒决策,其中一级判别通过运动速度特征粗略判断是否发生异常状态,二级通过融合人体形状特征和深度特征的模型结构对人体姿势进行判别;最后,当检测出跌倒且发生时间大于阈值时,发出跌倒报警。实验结果表明,该跌倒检测算法可以在复杂的场景下很好地提取到人体轮廓,对光照的鲁棒性较好,并且检测速度可达每秒28帧,能满足实时检测要求。此外,融入手工特征后的算法分类性能表现更优,分类准确率达98.65%,比卷积神经网络(CNN)特征算法提升了1.03个百分点。

一种高效的车体表面损伤检测分割算法

车体表面损伤检测是计算机视觉中的经典问题。车体表面损伤检测的主要瓶颈在于图像中损伤实例的不同尺度影响了分割的精度与效率。本文采用单阶段语义分割网络(YOLACT^(++))进行车体表面的损伤检测,通过结合EfficientNet设计主干网络提高分割效率,并通过改进损失函数优化YOLACT^(++)中目标实例Mask的生成,实验中用深度学习标注实验数据集进行训练测试。实验表明,改进后的YOLACT^(++)降低了Mask生成误差,检测的实时帧率提高到35帧/s,同时也提高了YOLACT^(++)进行实例分割的精度。

探地雷达图像隧道衬砌病害智能识别与形态分割方法

探地雷达具有高效率、非破坏性、穿透性强和分辨率高等优点,使其成为隧道衬砌病害检测的主流方法.针对目前大多数深度学习网络只能检测出探地雷达图像中隧道衬砌病害的类型和位置,难以准确识别病害的轮廓的问题,本文提出了一种基于探地雷达图像的隧道衬砌智能病害分类与轮廓识别方法,首先构建了基于YOLACT(You Only Look At CoefficienTs)的病害轮廓及类型识别网络模型,然后结合裂缝、脱空、空洞等六类病害的介电常数模型采用时域有限差分法正演生成仿真探地雷达数据集进行模型训练,最后通过无水隧道衬砌病害和含水隧道衬砌病害的仿真数据以及隧道现场数据进行该方法的测试验证,通过模型分析和识别探地雷达B-Scan图像中的病害分类与轮廓.研究试验表明,表明本文方法在仿真数据中对裂缝、空洞、脱空、含水裂缝、含水空洞和含水脱空这六类典型隧道衬砌病害的类别和轮廓的识别结果较为准确,识别平均准确率达92.28%,同时该方法在现场试验真实探地雷达数据中也能够有效识别衬砌病害的轮廓,在实际工程中具有广泛应用前景.