基于上下文提取与注意力融合的遮挡服装图像分割

针对遮挡服装图像分割准确率低的问题,提出一种融合上下文提取与注意力机制的遮挡服装图像实例分割方法。以Mask R-CNN为基础网络,首先采用上下文提取模块优化ResNet的输出特征,通过融合不同速率的多路径特征从多个感受野中捕获图像的上下文信息,强化遮挡服装特征表示的识别及提取能力;然后引入通道注意力机制与空间注意力机制的残差连接,自适应地专注于捕捉遮挡服装图像的空间和通道维度上的语义相互依赖关系,降低上下文提取模块在处理特征图时因冗余的上下文关系扩大造成误定位与误识别的概率;最后,采用目标检测损失函数CIoU计算原理作为非极大值抑制的评判标准,关注预测框和真实框的重叠与非重叠区域,最大程度地选择遮挡服装的最优目标框,使预测框更加贴近真实框。结果表明,与其它方法相比,改进方法显著改善了不同遮挡程度服装图像的误分割现象,能提取出更精确的服装实例,其对遮挡服装图像的平均分割精度比原模型提升了4.4%。

高流速离子源辉光放电质谱校正灵敏度因子法定量分析镍基高温合金中痕量稀土及贵金属元素

该文通过全面优化高流速辉光放电离子源分析高温合金痕量元素的仪器条件,系统研究高温合金复杂基体元素造成的质谱干扰,选取稀土元素和贵金属元素分析同位素与合适的质谱分辨率,确立了基于基体匹配的变形高温合金标准物质系列的校正灵敏度因子(RSF)定量方案,使测定结果的相对误差由4.0%~80%优化至7.7%~20%,并为痕量分析结果提供了可靠的计量溯源依据。基于此所建立的辉光放电质谱(GDMS)测定镍基高温合金中稀土元素和贵金属元素的方法检出限为0.0010~0.015μg/g,定量下限为0.0030~0.045μg/g。应用于变形高温合金和铸造高温合金实际样品中稀土元素和贵金属元素的分析,测定结果与湿法分析的参考值吻合较好,较好地验证了辉光放电固体样品快捷分析的优势,体现了高分辨质谱检出限低、线性范围宽、可分析元素多的特点,在高温合金材料质控中有着巨大的应用前景。

基于YOLOX-αSMV的带钢材料表面缺陷检测算法

【目的】针对YOLOX算法在钢材表面缺陷检测中特征提取不充分、多目标缺陷检测能力较弱等问题,提出改进损失函数的多维度特征融合带钢材料表面缺陷检测算法。【方法】首先,在Backbone部分应用SPP_SF保留多尺度特征信息,提高分类精度。其次,在Neck部分加入多维度特征融合模块MDFFM,将通道、空间、位置信息融入特征向量中,加强算法的特征提取能力。最后,引入Varifocal Loss和α-CIoU加权正负样本,提高预测框的回归精度。【结果】实验结果表明,YOLOX-αSMV在NEU-DET数据集中的mAP@0.5:0.95达到了47.54%,较YOLOX算法提高了3.43%。【结论】算法在保持检测速度基本不变的情况下,对模糊缺陷和小目标缺陷的识别、定位能力明显提升。

基于改进ATSS模型的水稻叶片病害检测

针对传统水稻病害诊断方法依赖人工、容易误判等缺点,提出一种基于ATSS的水稻叶片病害检测模型。首先收集白叶枯病、胡麻斑病、叶瘟病这三种病害图像,构建水稻叶片病害图像数据集。然后在原ATSS模型的基础上,网络Neck部分采用FPN-CARAFE模块代替特征金字塔网络FPN,以减少上采样过程中的信息损失。同时,为提升模型的检测效果,回归分支的损失函数采用CIoU损失函数代替GIoU。改进ATSS模型的平均精度均值可达74.0%,相比于原ATSS模型提升了3.5%。与模型Retinanet、Faster R-CNN、Cascade R-CNN、FCOS、TOOD相比,改进ATSS模型取得了最高的检测精度,且在检测精度和速度上取得了最高的权衡。实验结果表明,改进后的模型能对水稻叶片病害有效检测。

融合注意力和残差反馈的肺结节检测算法研究

肺结节作为肺癌早期的表现形式,且肺结节大小不一,将其快速准确地检测出来不仅对预防及治疗肺癌有重大意义而且是一项艰巨的任务。为此,提出一种改进YOLOv3的方法。针对肺结节大小不一的问题,改进多尺度特征融合结构,由3尺度预测增加至4尺度来获取更多小尺度结节特征信息;添加注意力机制提高对有效信息的提取能力,并改进回环残差结构增强有效信息加快网络的收敛速度;选用CIoU为边界框损失函数。实验分析表明,改进后的算法mAP相较于原算法提升了0.063,FPS提升了4.8帧/s,对肺结节检测效果有所提升,与其他算法相比具有更好的准确性和实时性。

基于几何透视图像预处理和CNN的全景图像交通标志识别算法

为解决深度学习方法在高清全景图像中检测交通标志遇到图形处理器资源不足、小目标容易漏检、检测速度过慢等问题,采用小目标过采样训练数据生成方法、图像分块和几何透视检测预处理方法以及改进的轻量神经网络Improved-Tiny-YOLOv3,提出了一种基于深度学习的轻量级全景图像中交通标志检测方法。并在Tsinghua-Tencent 100K数据集上进行了实验,mAP值达到92.7%,在Nvidia 1080Ti显卡上检测速度可达到20 FPS,实验结果验证了所提方法的有效性。

镍基磷化物复合材料在催化电解水析氢性能提升方面的研究进展

镍基磷化合物因其自身的类氢化酶电子结构和其出色的稳定性被证明具有良好的电解水析氢能力。单金属磷化物因其本征活性不足、导电性不高及稳定性较差等问题,使其在实际应用上受到了限制。综述了结构新颖、性能优异和稳定性高的镍基磷化物复合材料的研究进展,总结和分析了通过杂原子掺杂、形貌调控、结合自支撑材料和复合新型材料(碳纳米管、石墨烯、石墨炔、二维材料MXene)等方式在调控催化材料的电子结构、微观形貌、促进长时间电解稳定性、增大比表面积和提高导电性方面提升电解水析氢性能的研究成果。为探索催化活性高和结构稳定兼备的新型镍基磷化物复合材料提供研究方向。

改进YOLOX-S的偏光片表面缺陷检测算法

偏光片是液晶显示器的重要组成部分,其表面缺陷不仅会降低液晶显示器的显示质量,甚至可能造成整个液晶面板的报废。针对偏光片表面缺陷存在尺度差异大、形状变化多样的问题,提出一种改进YOLOX-S的偏光片表面缺陷检测算法。提出自适应平衡特征金字塔(ABFP)模块充分融合主干网提取的多级特征,并通过单个卷积增加检测分支,进一步增强模型的多尺度检测能力。在ABFP中引入注意力模块CBAM关注重要特征。采用CIo U损失函数的同时使用Mish激活函数替代Si LU激活函数。实验结果表明,改进的算法在偏光片表面缺陷数据集上的m AP_(50)和m AP_(50:95)分别达到92.97%和55.16%,相比YOLOX-S(FPN)提升了1.86和1.34个百分点,每秒检测帧数(FPS)达到50,基本满足工业实时检测的需求。

面向无人驾驶场景下的道路多目标检测算法

针对无人驾驶场景下目标检测算法误检率高的问题,设计一种改进YOLOv3的多目标检测算法。该文在原始特征提取网络Darknet53中引入分组卷积核替换标准卷积核,降低了卷积操作的计算量;改进原始YOLOv3的特征融合方法,使不同尺度的特征层融合更加充分,对遮挡目标和小目标的检测效果有明显提升;构建CIoU位置损失函数,提示网络收敛效果。实验结果表明,改进的YOLOv3算法平均精确度提高了1.71%,误检率降低了12%,明显优于原始算法。

基于改进轻量化YOLOX的无人机航拍目标检测算法

针对小型无人机在巡逻航拍中的应用,提出了一种改进的轻量化目标检测算法,有效解决巡逻过程中空地无线传输信道和机载端计算能力双重受限的难题;该算法在YOLOX算法的基础上,首先利用Mobilenetv2代替CSPDarknet骨干网络作为特征提取网络,降低了模型参数量和计算量,提高目标检测实时性;其次为了弥补轻量化带来的检测精度下降,考虑检测目标框的长宽比引入CIOU定位损失函数,提升目标定位的精度;同时为了平衡训练过程中的正负难易样本,引入Focal Loss置信度损失函数提升模型的检测性能;基于VisDrone2019-DET数据集实验表明,改进后算法模型参数量降低了56.2%,计算量降低了52.5%,在检测精度没有明显下降情况下单张图片推理时间减少了41.4%;最后,将改进后的算法部署到Nvidia Jetson Xavier NX机载端,测得模型检测帧率可达22 FPS,改进后算法满足巡逻任务的应用需求。

基于DATE-FCOS的空中目标检测研究

航空图像中目标的检测是当前研究的热点之一,高效、准确的探测在军事和民用领域具有很高的价值;但由于高空环境复杂和空中目标尺度形状多变,不同用途的飞行器进行改装和涂装使得空中目标在检测中难度较大;所以提出了一种改进的一阶端到端的空中目标检测算法;算法采用DATE-FCOS为基本框架,用CIoU替代GIoU加入到边界框回归损失函数中,并在此基础上,利用可形变卷积模块对其骨干网络进行了改进并且在FPN结构之后加入CBAM模块;通过实际实验测试,所提方法在FGVC aircraft数据集上提高了检测的平均检测精度,达到77.8%,对比原模型提升11%,满足空中目标检测的应用。

改进DETR的无人机航拍图像沥青路面破损检测算法

针对航拍沥青路面图像数据不足、检测精度低、存在漏检的问题,研究提出一种改进的DETR(Detection Transformer)端到端沥青路面破损检测模型。该模型采用ResNet50提取特征,引入SiLU激活函数提高特征提取能力,并采用多尺度融合特征图保留更多上下文语义信息;在Transformer的Encoder中使用多尺度可变形自注意力机制,加快模型收敛速度;采用CIoU损失函数提高了裂缝检测的准确性。实验结果表明:改进模型的平均精度达83.7%,比DETR模型在精确率上提高7.4%,召回率上提升了10.9%。提出的改进模型可对沥青路面破损进行有效检测,可为航拍图像的沥青路面破损检测提供参考。

基于改进的YOLOv3算法的船舶目标检测

针对水面上目标尺度多样、背景复杂等问题,论文提出了一种改进的YOLOv3算法。通过加上自适应特征融合ASFF网络结构,从而能够有效地融合不同尺度的特征,提高检测网络对于多尺寸目标的检测能力;通过使用CIOU损失函数,提高复杂背景下检测框的定位精度;通过利用软非极大值抑制算法Soft-NMS算法,解决了多目标重叠下目标框误删的问题。实验结果表明,论文提出的方法检测精度优于其他算法,而且对小目标的检测也有了一定的提升。

基于改进Mask RCNN的遥感图像小目标检测算法研究

随着航空遥感领域的不断发展,针对该场景下小型目标的检测已经成为目前研究领域中的一项重要工作。论文基于航空遥感图像场景,提出了一种针对航空遥感领域中小目标检测的优化方法。为了提高算法在小目标检测方面的实用性和准确性,论文在Mask RCNN算法的基础上添加了空间注意力机制模块来对图像的背景做降噪处理,使用CIOU作为边界框回归损失函数进行优化,然后使用Kmeans聚类算法代替原始算法生成更加匹配小型目标的检测锚框。改进的Mask RCNN在航空遥感图像数据集下的检测精度达到61.89mAP,检测精度相对于目前主流的遥感图像检测算法R-FCN提升了17%,相对于Mask RCNN提高了2.4%,达到了当前条件下最好的检测效果。

基于YOLOv5s-AntiUAV的反无人机目标检测算法研究

随着无人机的应用领域不断拓展,无人机的“黑飞”给公共安全造成严重损害。为解决侵入式无人机小目标在复杂飞行环境下的错检和漏检问题,提出基于YOLOv5s-AntiUAV的反无人机目标检测算法。首先,引入结合深度超参数卷积的Slim-Neck范式,增强算法特征提取能力并保持计算效率。其次,在骨干和颈部网络引入SPD-Conv模块,提高在低分辨率图像中小目标的检测性能。最后,用Alpha-CIoU替换YOLOv5s算法中的CIoU,增强算法泛用性。YOLOv5s-AntiUAV算法与YOLOv5s、SSD和Faster R-CNN算法在数据集Anti-UAV上的对比实验结果表明,改进算法的mAP@0.5值分别增长了1.1、12.1和4.9个百分点,凸显其实用性。由在VisDrone2019数据集上进行的迁移实验显示,相较于YOLOv5s算法,改进算法mAP@0.5值提升了4.5个百分点,表明其相较于原算法具有更强的鲁棒性。

基于Transformer改进的Faster RCNN在复杂环境下的车辆检测

在监控视角中目标车辆较小、遮挡较为严重,导致检测精度低。通过探讨卷积神经网络和Transformer模型的互相借鉴和联系,并结合损失函数等常规改进,提出了新的Faster RCNN模型。通过借鉴Transformer模型的思想,对原有的特征提取网络进行了改进,将原block比例3∶4∶6∶3改为3∶3∶27∶3、卷积核由3×3改为7×7,增大其感受野,能够更好捕捉图像中的全局特征,使用DW卷积来减少参数量并略微提高性能,使用Channel shuffle解决通道间信息不交流的问题。将原先交并比IoU改为CIoU,与改进后的特征提取网络结合,进一步提高小目标和遮挡目标的检测效果。在UA-DETRAC数据集上,改进后的模型在mAP@0.5:0.95方面比原算法提高了20.20%,并在大、中、小目标下分别提高了15.8%、23%和45.8%,相较于其他模型,如YO⁃LOv7、YOLOv5和Cascade RCNN,mAP@0.5:0.95分别提高了3.3%、5%和6.69%。

基于YOLOv3的芯片缺陷检测模型设计与优化

传统的芯片缺陷检测效率低,鉴于深度学习在机器视觉领域应用广泛且效果显著,基于YOLOv3神经网络模型设计了微波芯片缺陷检测模型并加以优化。将原来的损失函数改为完全交并比(CIoU)损失函数,以优化真实框与预测框之间重合度的计算方法;增加了空间金字塔池化(SPP)结构,以实现不同尺寸特征融合;用高效的k-means++聚类算法计算出更加适用于微波芯片缺陷数据集的初始锚框;采用空间注意力机制(SAM)提高模型对芯片缺陷图像的关注能力。实验结果表明,与YOLOv3模型相比,优化后的模型在芯片缺陷检测方面效果更佳,mAP@0.5提高了2.06%,mAP@[0.5∶0.95]提高了17.52%。

景观型木麻黄新品种′吉祥龙′

于2013年,通过木麻黄种质资源调查,在福建省惠安赤湖国有防护林场国家木麻黄种质资源库中发现特异的木麻黄单株,其树冠呈卵球形,树皮灰褐、条状深裂,形似龙柏树,具有较高的景观价值。经DUS测试,符合景观型木麻黄植物新品种特异性、一致性和稳定性要求,于2021年获得植物新品种授权(品种名:吉祥龙,品种权号:20210628)。可应用于我国东南沿海防护林建设,达到景观和防护功能兼具的效果,有利于促进滨海地区的绿化和美化。

基于边缘提取与空洞卷积的抓取目标检测算法

为解决当前工业机器人抓取检测任务中存在的精度不足的问题,提出了一种基于边缘提取与空洞卷积的抓取目标检测算法。该方法以当前较为稳定的YOLOv3网络作为主干网络,进行基于边缘提取的多通道特征融合,添加Edge Feature模块提高网络的检测精度和检测速度;基于空洞卷积技术优化自适应空间特征融合,形成Dilation-ASFF网络,替换原部分网络,提高网络对多尺度信息的感受能力以及网络检测精度;用CIoU的方法修改抓取框回归损失函数,提高网络的收敛能力与精度。改进后的算法在Cornell抓取检测数据集上的AP达到96.79%,检测速度达到0.063 s/样本,相比于原版YOLOv3网络,AP提高了2.98%。本改进算法在保证检测实时性的基础上,大大提高了检测精度,体现了研究的理论价值和应用价值。

改进的YOLOv5积水检测算法

为了提升YOLOv5算法的积水检测精准度,提出一种改进YOLOv5网络结构的积水检测算法。通过解耦头代替初始YOLOv5的耦合头,使分类任务与回归任务两者互不干扰,在网络训练到300轮次左右时表现出了良好的收敛效果;利用CIoU损失函数代替GIoU,降低积水检测的误差,提高积水检测精准度。结果表明,相比初始YOLOv5算法的精准度、召回率、m_(AP1)和m_(AP2)分别提升了1.7%、1.8%、1%和0.5%。文中的积水检测算法比初始算法减少了训练损失,收敛速度更快,精准度更高,可为积水区域的检测提供算法支撑。