基于改进Mask R-CNN的苹果园害虫识别方法

针对基础卷积神经网络识别苹果园害虫易受背景干扰及重要特征表达能力不强问题,提出一种基于改进Mask R-CNN的苹果园害虫识别方法。首先,基于Haar特征方法对多点采集得到的苹果园害虫图像进行迭代初分割,提取害虫单体图像样本,并对该样本进行多途径扩增,得到用于深度学习的扩增样本数据集。其次,对Mask R-CNN中的特征提取网络进行优化,采用嵌入注意力机制模块CBAM的ResNeXt网络作为改进模型的Backbone,增加模型对害虫空间及语义信息的提取,有效避免背景对模型性能的影响;同时引入Boundary损失函数,避免害虫掩膜边缘缺失及定位不准确问题。最后,以原始Mask R-CNN模型作为对照模型,平均精度均值作为评价指标进行试验。结果表明,改进Mask R-CNN模型平均精度均值达到96.52%,相比于原始Mask R-CNN模型,提高4.21个百分点,改进Mask R-CNN可精准有效识别苹果园害虫,为苹果园病虫害绿色防控提供技术支持。

基于改进Mask R-CNN的变电设备红外图像实例分割算法

红外图像中变电设备的分割精度直接影响着故障诊断的结果,针对复杂红外背景下变电设备边缘分割不精细、分割精度低的问题,提出了一种基于改进Mask R-CNN模型的变电设备红外图像分割方法。首先将ResNet特征提取网络中部分残差模块的标准卷积替换为可变形卷积,然后对空间注意力机制模块和通道注意力机制模块并行连接,并在这两个模块中加入可变形卷积,最后改进Mask R-CNN掩膜分支的损失函数,对目标边缘分割的精细度进一步优化。该方法能够有效提高模型对红外图像中变电设备几何特征多样性的适应能力,并减轻模型对背景等干扰特征的关注。在变电设备红外图像数据集上进行实验,结果表明,相比于Mask R-CNN基准模型,该方法的AP_(50:95)、AP_(50)和AP_(75)提高了3.5%、1.0%、4.2%,表明该方法能够显著提高红外图像中变电设备实例分割的准确率,有效解决边缘分割不精细的问题。

基于改进YOLOv8n的煤矿井下钻杆计数方法

为提高煤矿井下钻杆计数的效率和精度,提出了一种基于改进YOLOv8n模型的煤矿井下钻杆计数方法。建立了YOLOv8n−TBiD模型,该模型可准确检测矿井钻机工作视频中的钻杆并进行有效分割:为有效捕获钻杆的边界信息,提高模型对钻杆形状识别的精度,使用加权双向特征金字塔网络(BiFPN)替换路径聚合网络(PANet);针对钻杆易与昏暗的矿井环境混淆的问题,在Backbone网络的SPPF模块后添加三分支注意力(Triplet Attention),以增强模型抑制背景干扰的能力;针对钻杆在图像中占比小、背景信息繁杂的问题,采用Dice损失函数替换CIoU损失函数来优化模型对目标钻杆的分割处理。利用YOLOv8n−TBiD模型分割出的钻杆及其掩码信息,根据打钻过程中钻杆掩码面积变小而装新钻杆时钻杆掩码面积突然增大的规律,设计了一种钻杆计数算法。选取综采工作面实际采集的钻机工作视频对基于YOLOv8n−TBiD模型的钻杆计数方法进行了实验验证,结果表明:①YOLOv8n−TBiD模型检测钻杆的平均精度均值达94.9%,与对比模型GCI−YOLOv4,ECO−HC,P−MobileNetV2,YOLOv5,YOLOX相比,检测准确率分别提升了4.3%,7.5%,2.1%,6.3%,5.8%,检测速度较原始YOLOv8n模型提升了17.8%。②所提钻杆计数算法在不同煤矿井下环境的视频数据集上实现了99.3%的钻杆计数精度。

融合scSE模块的改进Mask R-CNN海洋锋检测方法

海洋锋是重要的中尺度海洋现象,具有数据量小、目标小、弱边缘等特性。针对实际检测任务中弱边缘、小目标海洋锋的检测精度低、错检及漏检率高等问题,融合scSE(spatial and channel Squeeze&Excitation)空间注意力模块构建了一种改进的Mask R-CNN海洋锋检测模型。该方法首先对Mask R-CNN骨干网络结构进行改进,采用scSE模块引导的ResNet-50网络作为特征提取网络,通过加权策略对图像通道和空间位置进行特征突出,提升网络对重要特征的提取能力;其次,针对海洋锋目标边缘定位不准确的问题,引入IoU boundary loss构建新的Mask损失函数,提高边界检测精度。最后,为验证方法的有效性,从训练数据和实验模型上,分别设计多组对比实验。实验结果表明,相比传统Mask R-CNN、YOLOv3神经网络及现有Mask R-CNN改进网络,本文方法对SST梯度影像数据集上的强、弱海洋锋检测效果最好,定位准确率(IoU,Intersection-over-union))及检测精度(mAP,Mean Average Precision)均达0.914以上。此外,对文中设计评估模型进行检测效率实验,结果发现在不同网络模型、不同迭代次数情况下,本文提出模型消耗时间最短,远低于YOLOv3网络完成训练时所用时长。

FLM-YOLOv8:一种轻量级的口罩佩戴检测算法

针对现有的口罩佩戴检测模型无法较好平衡检测精度与速度,参数量较大,漏检和误检率高等问题,提出了一种轻量级的口罩佩戴检测算法FLM-YOLOv8。使用轻量级FasterNet替换YOLOv8n的主干特征提取网络,提升网络检测速度;融合FasterNet Block改进C2f模块,降低模型计算复杂度;提出SPPF-LSKA结构,增强模型的特征表达能力和感知能力,提高网络检测精度;设计Inner-MPDIoU边界框回归损失函数,提高回归预测精度,加快收敛速度。创建标注了一个复杂多元场景下的口罩佩戴数据集,并使用马赛克数据增强,以提高网络泛化能力。实验结果表明,该算法在正确佩戴口罩、未正确佩戴口罩和未佩戴口罩目标上的mAP@0.5达到了91.3%,FPS达到了143.6,实现了更加实时准确的口罩佩戴检测。

改进掩码自编码器的工业缺陷检测方法

针对目前只需正常样本即可实现缺陷检测的方法存在漏检或过度检测的问题,构建一种改进掩码自编码器与改进Unet结合的方法实现像素级缺陷检测。首先,采用拟合缺陷模块生成缺陷掩码图像及正常图像对应的缺陷图像;其次,对缺陷图像随机掩码,去除缺陷图像大部分的缺陷信息,激励Transformer结构的自编码器从未掩码的正常区域学习表示并依据上下文修复缺陷图像,为了提高模型对细节的修复能力,设计了新的损失函数;最后,将缺陷图像与修复图像拼接后输入拥有通道方向交叉融合Transformer结构的Unet,实现像素级缺陷检测。实验结果表明,在MVTec AD数据集上,所提方法平均的基于图像的和基于像素的接受者操作特征曲线下的面积值(ROC AUC)分别达到了0.984和0.982,与DRAEM(Discriminatively trained Reconstruction Anomaly Embedding Model)相比分别提高了2.9和3.2个百分点;与CFLOW-AD(Anomaly Detection via Conditional normalizing FLOWs)相比分别提高了3.1和0.8个百分点,证明所提方法具有较高的识别率和检测精度。

基于Mask-YOLO的复杂场景口罩佩戴检测

针对公共场所口罩佩戴检测存在遮挡、密集和小尺度的情况而导致检测精度不高的问题,以实时目标检测算法YOLOv3为基础提出一种Mask-YOLO算法。首先在特征融合过程中引入通道注意力机制以突出重要特征,减少了融合后冗余特征的影响,有效提高了特征利用率;然后以完全交并比(complete intersection over union,CIoU)损失代替均方差损失(mean square error,MSE)作为边框回归的损失函数,提高了定位精度;最后除了检测佩戴和未佩戴口罩的情况外,还对不正确佩戴口罩的情况进行了检测。实验结果表明:与YOLOv3算法相比,Mask-YOLO算法在每秒帧率(frame per second,FPS)仅下降1%的情况下使平均精度均值(mean average precision,mAP)提高了4.78%。与其他主流的目标检测算法相比,Mask-YOLO算法在复杂场景下对口罩佩戴检测也有更好的效果和鲁棒性。

基于Mask R-CNN的超声图像中胎儿头围测量方法

胎儿头围是产前超声检查中评价胎儿生长发育最重要的生物特征之一,但手工测量耗时费力且存在操作者的误差。对此,根据超声图像中胎儿头部接近椭圆形状的特征,提出头围测量损失函数。在Mask R-CNN的分割分支后,利用Elli Fit算法对分割掩膜进行椭圆拟合,用Ramanujan公式计算拟合椭圆周长作为头围测量值,将头围真实值和测量值的均方误差作为头围测量损失函数加入原损失函数,使模型训练过程与测量任务紧密相关。对190幅胎儿头部超声图像进行测试,Dice系数为96.89%±1.01%,测量误差为(0.33±1.54) mm,平均处理一幅超声图像的时间为0.33 s。与传统手工测量方法或原模型相比,所提出的方法在速度上提高1.13~16.87 s,在精度上提高0.21~1.68 mm。结果表明,改进的Mask R-CNN可以提高医生测量胎儿头围的效率,能够满足临床需求。

基于YOLOv5s改进的口罩佩戴检测算法

由于新型冠状病毒肺炎的爆发,口罩成为人们日常生活中必需品。为了识别与检测人们是否佩戴口罩,提出了一种基于改进的YOLOv5s口罩佩戴检测算法。通过在YOLOv5s主干网络引入改进的自适应的协调注意力机制模块(Coordinate attention-activate or not,CA-A)提升网络的特征提取能力,解决了错误检测和漏检的问题。以新的损失函数AD-CIoU代替CIoU损失函数,作为回归损失函数,提升了边界框的定位精确度。实验表明,与原始模型算法相比,所提出的模型算法平均精度mAP值达到96.1%,提升了1.7%,具有较好的检测精度,可以满足目标检测应用需求。

基于局部上下文关键词的方面级情感分析

针对目前大多数方面级情感分析方法存在着没有重点关注局部上下文中关键词特征的问题.本文提出了一种基于局部上下文关键词特征提取及增强的方面级情感分析模型LCPM (local context pos mask).首先提出了局部上下文词性掩码机制,提取方面词周围重要词的特征,减少噪声词的干扰.其次对损失函数进行修改,让模型重点关注与方面词有关的局部上下文关键词特征,提升模型情感分类的表现.最后设计了一种门控机制,模型可以动态学习权重系数,给局部上下文关键词特征和全局上下文特征分配不同的权重系数.在4个公开数据集上的实验结果表明,与现有的方面级情感分析模型相比,准确率和MF1值都有提高,验证了局部上下文关键词提取及增强的有效性,在方面级情感分析任务上有较大的应用价值.

基于CNN与Transformer混合模型的口罩人脸识别方法

针对疫情背景下,因佩戴口罩导致普通人脸识别算法失效的问题,提出一种基于卷积神经网络(CNN)与Transformer混合模型的口罩人脸识别方法。结合了CNN与Transformer的优点,能够很好地处理局部和全局信息,使模型拥有更好的性能及泛化能力。在卷积模块引入空间注意力模块,加强模型对于鲁棒人脸特征信息的提取,使用Sub-center Arcface损失函数,进一步提高模型的分类精度。在人工合成的口罩人脸数据集和真实的戴口罩人脸数据集上的实验表明,本文模型能够同时有效处理戴口罩和不戴口罩人脸识别任务,拥有较小的参数量的同时,具备较高的识别精度。

基于改进的YOLO V3框架的口罩检测

戴口罩是阻断疫情传播的手段之一,这使得人脸口罩检测系统成为当下人工智能研究的热点之一.然而,不均匀的环境条件如物体遮挡、光照变化等因素,使口罩检测非常具有挑战性.为解决这些问题,本文采用了一种改进的YOLO V3模型即YOLO-口罩模型来检测复杂环境条件下的人脸.通过LWYS方法的应用、密集的建筑整合、空间金字塔池化和Mish函数激活来改进YOLO V3模型,使改进后的模型AP为99.6%,比YOLO V3提升1.7%,检测时间为52.1 ms.

基于YOLOv3的公共场所口罩佩戴检测方法

针对公共场所人群口罩佩戴检测小尺度目标较多导致其检测精度不高的问题,本文改进YOLOv3的特征金字塔结构,利用跳跃连接和包含通道注意力的位置特征增强模块LFE,将低层特征图的丰富位置信息传递到中层和高层特征图中,加强了对小目标的识别,并使用CIoU损失函数进行边框回归,提高了算法定位精度。除佩戴和未佩戴口罩外,也对不规范佩戴口罩进行检测。实验结果表明,改进后的YOLOv3算法在自制的口罩佩戴数据集上mAP达到86.96%,较YOLOv3算法提高了3.30个百分点,该结果也同样优于Faster R-CNN、SSD300、DSSD321和YOLOv4等主流算法,且算法检测速度达到39.2 frame/s,相比YOLOv3仅下降2.2 frame/s,仍满足实时检测要求。

基于掩码损失的人脸图像生成方法

当前主流的基于生成对抗网络(Generative Adversarial Network,GAN)的图像生成方法,在生成真实度较高的人脸图像方面取得了显著进展,但在生成人脸图像的头发、牙齿等细节区域时易出现失真现象。针对存在的问题,提出掩码损失,并将其整合到Style GAN2中。该损失函数通过人脸分割网络生成人脸掩码,基于掩码调整生成图像在细节和非细节区域的贡献程度,以提高细节区域的合成质量。实验结果表明,所提方法显著改善了头发、牙齿等细节区域的合成质量,提高了生成图像的真实度。

基于掩码时间注意力和置信度损失函数的序列数据早期分类方法

序列数据的早期分类对于高时效性应用具有重要意义。该任务的目标是在满足预期分类精度的前提下,尽快地对持续输入的时间序列进行分类。目前,深度学习已经在序列数据早期分类任务中得到了广泛应用。现有的深度方法通常利用递归神经网络来适应流数据的长度变化,并通过设置分类概率阈值退出分类过程。然而这些方法忽视了流数据的关键识别区域随信息量的增加持续变化。为了解决该问题,本文提出了一种基于掩码时间注意力机制的时间卷积网络来动态关注关键识别区域。此外,考虑到正确类别的分类概率分数应随模型观察到更多数据单调不递减,本文设计了一个置信度损失函数惩罚不符合该条件的模型,进一步促使模型提取更有区分性的特征。在8个公开数据集的实验结果表明了所提方法优越的早期分类性能。

基于屏蔽数据多重定数截尾下系统部件的可靠性估计

利用屏蔽的系统寿命数据,在多重定数截尾样本下研究串联系统中部件的可靠性估计问题。首先利用概率元分析方法,推导样本似然函数。然后基于样本似然函数,给出部件参数和可靠度函数的极大似然估计,同时分别在平方损失、线性指数损失和广义熵损失下,得到了部件参数和可靠度函数的Bayes估计。最后通过数值仿真研究屏蔽水平和截尾因子对估计精度的影响,并对各种估计进行了比较。

含有屏蔽数据的截尾样本下部件的可靠性分析

基于屏蔽的系统寿命数据,讨论串联系统中BurrXII部件的可靠性估计问题.利用定数截尾样本,通过Bayes分析方法分别在平方损失、q-对称熵损失、Linex损失以及MLinex损失下给出了部件未知参数、可靠度函数和失效率函数的Bayes估计.最后通过Monte-Carlo方法进行随机模拟,研究截尾数和屏蔽水平对估计效果的影响并对各种估计进行了比较.

基于YOLOv3的轻量化口罩佩戴检测算法

当前疫情防控形势严峻,在人群密集场所进行实时快速的口罩佩戴检测可以有效降低病毒传播的风险。针对目前人工检测效率低的问题,提出一种基于YOLOv3的轻量化口罩佩戴检测算法。使用ShuffleNetv2替换原来的主干特征提取网络,降低网络参数量,减少计算功耗。提出将SKNet注意力机制引入到特征融合网络部分,增强不同尺度的特征提取能力;使用CIoU作为边界框回归损失函数,进一步提高检测精度。在构建的人脸口罩检测数据集上实验表明,与原YOLOv3相比,所提算法在保持较高检测精度的情况下,检测速度提高了34 FPS,有效地实现了准确快速的口罩佩戴检测,与其他主流目标检测算法相比,该算法也具有更好的检测效果。

改进RetinaFace的自然场景口罩佩戴检测算法

新型冠状病毒可以通过空气中的飞沫、气溶胶等载体进行传播,在公共场所下正确佩戴口罩可以有效地防止病毒的传播。提出了一种自然场景下人脸口罩佩戴检测方法,对Retina Face算法进行了改进,增加了人脸口罩佩戴检测任务,优化了损失函数。在特征金字塔网络中引入了一种改进的自注意力机制,增强了特征图的表达能力。建立了包含3000张图片的数据集,并进行手工标注,用于网络训练。实验结果表明该算法可以有效进行口罩佩戴检测,在自然场景视频中也取得了不错的检测效果。

基于角度距离损失与小尺度核网络的表情识别

针对人脸表情类内差异大、类间相似度高导致识别率低的问题,提出了一种基于角度距离损失与小尺度核网络的表情识别方法。网络基于3×3卷积核,在网络中加入融合空间金字塔注意力的点积残差块,引入Dropblock正则化,并提出了低层特征掩膜化。该模型低层特征具备高层特征的语义信息,而且参数量较少,结构简单有效。训练时,使用提出的基于角度距离损失函数监督神经网络学习,提高了网络的类间特征分离和类内特征聚类的特征判别能力。实验结果表明,该方法在CK+和FER2013数据集上识别准确率分别达到了97.88%和72.81%,具有较强竞争力。此外,消融实验表明所提出的改进方法可提高表情识别率,进一步验证了其有效性。