基于改进UNet的人造板表面缺陷的图像分割方法

为满足人造板表面缺陷图像分割的精度要求,提出了一种改进的UNet 语义分割网络模型。 在传统的UNet 网络结构上将编码部分改进为残差网络ResNet50 并去掉连接层与平均池化层,网络通过残差块堆叠获取更多特征的底层信息;同时在跳跃连接中嵌入聚焦注意力机制的模块,抑制干扰信息,保留有效位置信息,聚焦缺陷区域并加强学习。 对4 种UNet 网络模型的人造板表面缺陷图像分割进行仿真比较,结果表明,融合聚焦注意力机制的残差UNet 网络模型在像素准确率和平均交并比等指标上有较大提升,分割精度较高。     

基于改进E-EfficientNet的古陶瓷纹饰分类模型

为进一步提高古陶瓷纹饰分类精度，提出一种基于改进EfficientNet的古陶瓷纹饰分类模型。该模型通过引入高效率注意力机制(ECA)模块改进原主干网络EfficientNet-B0,有效捕获通道间的交互信息，利用跳跃连接在特征提取的最后一层加入ECA模块，获得古陶瓷纹饰注意力特征图，并利用迁移学习和Adam优化算法在古陶瓷纹饰数据集上进行实验验证。结果表明，改进后的E-EfficientNet模型在古陶瓷纹饰数据集上的识别准确率达到了99.26%,较改进前提高了2.48%;与同类轻量化模型ShuffleNet-V2和MobileNet-V3对比，识别准确率分别提高了2.10%和2.91%;与其他经典模型VGG、ResNet对比，不仅参数量大幅度减少，识别准确率均明显提高，可有效用于古陶瓷纹饰分类。     

一种改进的视网膜脱落图像分割算法研究

为实现对超声图像病灶的分割并提高目标分割精度,提出一种残差结构的深层尺度融合的分割网络模型RDFA-Net。使用改进的网络模型并使用可变形卷积来增大采样范围,使用通道和空间注意力机制捕获特征,融入深层尺度特征进行融合以捕获深层次图像特征,成功将视网膜脱落病灶的超声图片进行分割,并有了更好的分割结果。使用合作医院提供的眼底超声图像作为数据自制分割数据集来评价RDFA-Net。通过实验结果对比显示,RDFA-Net是有效的,可以对视网膜脱落进行图像分割,并实现了较好的分割精度。     

基于改进Faster RCNN的金属丝网缺陷检测方法

作为一种传统的纺织产品,金属丝网在工业生产、日常生活、科研等领域起着举足轻重的作用,而金属丝网在编制过程中,表面会产生斑点、断线等缺陷,严重影响金属丝网的质量。为保障产品质量,研究了一种基于改进Faster RCNN算法的金属丝网表面缺陷检测方法。首先,为提高模型缺陷特征提取能力,特征提取网络选用深度残差网络（ResNet50）代替原视觉几何群网络（VGG16）,并引入注意力模块;随后,训练过程中利用有预热的余弦退火学习率衰减机制,以提高网络检测精度;同时引入k-means算法和遗传算法,设计了更适合金属丝网数据集的锚框尺寸,以提高候选框的精度,解决缺陷定位不准的问题。经实验验证,利用改进Faster RCNN算法检测的平均精度均值（mean average precision,mAP）达86.95%,较原Faster RCNN算法提高18.81%,为金属丝网缺陷的检测提供了一个有效可行的方案。     

瓦斯灰显微图像的ResNet50网络多目标分类

由于瓦斯灰显微图像具有类别多样、背景复杂、边缘模糊等特点,仅用传统的计算机视觉分类方法对目标图片分类识别率较差.针对此问题,提出一种基于深度卷积残差网络(Deep Convolutional Residual Network)分类方法.在Caffe框架下,以ResNet50为网络模型,设计一种瓦斯灰显微图像多目标自动分类的模型,实验结果表明,ResNet50模型识别图像的正确率要高于其余网络,达到98.75%,说明该模型具有较强的特征提取能力.     

基于改进YOLOv5s的交通标志识别算法

交通标志的自动识别对汽车的安全行驶具有重要意义。针对现有交通标志识别算法存在识别精度低、速度慢的问题,该文提出了一种基于改进YOLOv5s的交通标志识别算法。引入MobileNetv3主干网络,将RFB模块与ECA-Net模块相结合,在不提高网络计算量的情况下,确保更大范围内聚焦有效特征;在特征融合中采用AFF模块,将注意力从同层融合扩展到跨层区域;采用Matrix NMS筛选候选框,以提升模型检测速度。在中国交通标志数据集CCTSDB上的验证结果表明,该算法识别精度为96%,速度为48帧/s,在多种环境下对目标的识别能力得到增强,可以满足交通标志实时识别的需要。     

基于改进YOLOv5算法的红外图像行人目标检测

针对红外图像中行人检测算法准确率低、漏检等问题,提出了一种基于改进YOLOv5s的红外行人目标检测方法。首先,利用Transformer编码结构替换C3模块中的Bottleneck结构,以加强检测网络的特征融合能力;其次,利用递归门控卷积gnConv对视觉感受野模块RFB进行改进,并在YOLOv5s头部检测网络前加入改进的RF-gnConv模块,以提高模型对各种复杂场景行人检测的适应力;最后,利用OTCBVS数据集对算法模型进行验证。结果显示：改进后的算法模型平均精度均值达到97.3%,检测速度为63帧/s,验证了改进算法对红外图像中行人检测的有效性。     

基于改进YOLOv5的道路病害智能检测

针对现有道路表观病害检测识别精度低、漏判、误检率高的问题,提出了一种改进的道路表观病害检测高精度识别模型(improved pavement detection-YOLOv5, IPD-YOLOv5)。在YOLOv5的主干特征提取网络中添加由不同空洞卷积组成的ASPP模块,引入SE-Net注意力机制以加强算法从裂缝图像中提取不同尺度特征的能力,实现多尺度特征图的有效融合。结果表明：较传统检测算法,所提的IPD-YOLOv5模型在道路裂缝病害检测上的识别精度最高,其中平均精度比未改进的YOLOv5算法提高了7.47%,漏判率降低了10.29%。     

基于Mask R-CNN的触摸屏玻璃疵病检测与识别

为快速有效地检测与识别触摸屏玻璃疵病,提出了一种基于Mask R-CNN技术的检测与识别方法。Mask R-CNN是Faster R-CNN技术的扩展,其在边界框识别的现有分支上添加一个并行的用于预测对象掩膜的分支,是基于R-CNN系列、FPN、FCIS等工作之上的一种技术,相对于传统的目标检测和分割算法有很大提升。使用暗场散射成像、多图片堆栈等方法采集数据样本,同时采用几何变换方法扩增样本库。为提升训练速率和检测精确率,根据训练样本差异性,通过测试不同的VGG16、ResNet50+FPN以及ResNet101+FPN主干网络提取图像特征。实验表明,ResNet50+FPN的识别精确率较高,达到96.7%。基于Mask R-CNN的检测与识别方法不仅能对疵病快速检测与识别,还能提高识别精确率。     

基于Faster R-CNN的排水管道缺陷检测研究

为了克服传统深度学习在排水管道缺陷检测方面识别正确率较低的缺点,在Faster R-CNN算法基础上,利用聚类分析方法改进候选区域设置,提出一种优化的排水管道缺陷检测模型,并采用VGG、AlexNet、GoogleNet、ResNet代替Faster R-CNN网络中的特征提取层进行模拟计算。计算结果表明,K-means方法的最优类别数为5,虽然ResNet网络训练时间成倍增加,但其识别正确率达到0.89,比VGG网络提高了0.14。优化后的Faster R-CNN网络有效提高了排水管道缺陷检测的识别正确率。     

农村公路水泥路面裂缝智能检测（英文）

为解决传统人工图像处理方法在农村公路路面病害检测中存在的效率低、结果不客观、大量数据无法及时处理等问题,考虑农村公路路段分布特征,集成ResNet50路面分类和改进的YOLOv5裂缝检测算法,提出了一种农村水泥路面裂缝智能检测方法.利用不同训练策略、不同网络深度进行对比,构建了基于ResNet50的路面高效分类模型,实现农村公路水泥和沥青路面的自动判别.创建了包含18 028张农村公路水泥路面裂缝图片的检测数据集,开展单阶段和两阶段目标检测算法对比试验研究,获得兼顾检测精度和效率的优选检测算法.在优选算法中融入自适应空间特征融合策略和优化回归损失函数,有效解决了图像中多尺度裂缝漏检问题,并进一步提高了整体检测精度.应用所提集成方法对农村公路水泥路面进行现场实测,结果表明路面类型分类准确率为98.4%,裂缝检测准确率为93.0%,表明所提方法能够准确高效地运用于农村公路水泥路面裂缝检测.     

基于CNN的多尺度特征在手写数字识别中的应用

在手写数字识别数据集(MNIST)情景下,为了提高卷积神经网络的识别正确率,提出了一种改进的基于卷积神经网络(CNN)的多尺度特征识别算法.首先,利用卷积操作和池化操作提取图像中的全局特征及局部特征,通过二次卷积与特征融合获得数字图像的多尺度特征.然后,将多尺度特征送入全连接网络和Soft Max分类器,实现手写数字图像识别.最后,通过对不同网络结构的CNN算法进行评估表明,本文提出的算法可以有效提高网络精度,具有较好的泛化能力.     

基于Canny算子的柑橘果实病斑信息智能提取方法研究

为实现对病害的及时准确的识别,利用计算机提取病害图像信息方法已成为目前研究的热点。目前主要是采用中值滤波法、双峰法、otsu阈值分割法、贝叶斯判别方法等算法及相关算法的组合算法从颜色特征,形状特征角度提取病斑信息,这些算法大多运算复杂,存储空间大,识别的精度低,无法全面完整提取病斑信息,本文采用一种改进的Canny算子算法来解决上述问题。同时使用MATLAB软件进行仿真,仿真结果显示对于果实病斑识别及提取都能够较好的满足需求.     

部分卷积耦合双通道网络的低分辨率人脸识别

在实际应用场景中所采集的人脸图像通常分辨率都很低,导致许多经典的人脸识别算法无法对低分辨率人脸进行准确识别.针对该问题,本文提出了一种部分卷积耦合的双通道网络,该网络中将高分辨率(High Resolution, HR)通道和低分辨率(Low Resolution, LR)通道中的卷积核进行部分耦合,使得LR通道能够从耦合的卷积核中学习到HR通道中的高分辨率参数,从而达到提高LR通道对LR样本的特征提取能力.为进一步提高样本分类的准确率,在双通道网络末端引入一个空间金字塔池化层(Spatial Pyramid Pooling, SPP),使用SPP层能够将HR样本与LR样本投影到一个共同的特征空间中.最后使用LFW人脸库对算法的有效性进行测试,实验结果表明,本文所提算法能够对LR人脸图像进行准确识别.     

ResNet多输出特征的手指静脉识别

为了解决成像环境复杂、生物组织引起红外光散射导致识别准确率低的问题,在基于神经网络分类的手指静脉识别技术基础上,提出神经网络拓展结构模型,并采用机器学习方法计算区分性好的特征,弥补原神经网络引起的部分特征缺失,避免了模型迁移到小型数据库上由于样本数量不足带来的性能下降问题．利用ResNet18、ResNet34和ResNet50三种神经网络在手指静脉数据库上进行的分析与实验表明,拓展结构模型显著提高了识别性能．     

人体姿态估计网络的轻量化设计

以金字塔残差模块为基础,设计了一个轻量化的网络模型。使用深度可分离卷积代替普通的卷积以减少训练的参数,同时加入通道分离模块和通道混合模块来改变特征图通道维数,以加强特征的融合。为保证网络仍然能更完整的提取特征,只对恒等映射部分进行了通道分离处理,在最后的特征融合加入了通道混合模块,在标准MPII数据集上进行测试。结果表明,轻量化的金字塔残差网络有效地减少了网络的参数,减少了约1/2的参数存储空间并保持相当的准确度,同时复杂度仅为2.83 GFLOs。     

基于改进YOLOv5的番茄识别检测算法

为提升果园自动采摘机器人的工作效率,提高对番茄果实识别的准确率,提出了一种基于改进YOLOv5的番茄识别检测算法。该识别检测算法以YOLOv5算法为基础,改进了原算法中颈部网络的BottleneckCSP模块,通过增加批归一化层与SiLU激活函数提升了网络对目标深层语义信息的提取能力;采用轻量级通用上采样算子CARAFE扩大感受野,减少漏检并保持轻量化;结合轻量化注意力机制SimAM为网络提供三维的注意力权重,过滤掉冗余信息,提高模型的准确性和鲁棒性;用SIoU替换CIoU损失函数,有效减少冗余框的同时加快了预测框的收敛和回归。研究结果表明,改进后算法对番茄目标检测的平均精度均值达到96.5%,比原始算法提高3.4%,对小番茄及番茄被遮挡时的漏检率也有效降低,且满足实时要求。     

基于改进 AdaIN 的图像风格迁移

图像风格迁移技术是指给定内容图和风格图,利用机器学习算法将内容图渲染成具有艺术风格的画作。针对传统图像风格迁移算法无法兼顾速度与生成图像质量等问题,基于 AdaIN 算法,提出 AdaIN 改进算法。在原始 AdaIN 网络中加入内容图像的深度信息计算模块,提取内容图像的深度图,通过将迁移图像数据与深度图归一化处理后的数据按元素相乘的方法,突出内容图的深度信息,使得输出的风格迁移图像各深度下具有不同的风格化程度。实验表明,相较于 Gatys 等种传统风格迁移算法,AdaIN 改进算法在运行时间上可降低约 11%;不需要针对每种风格单独训练网络,避免了模型重复训练;内容图像深度信息得以保存,提高了图像渲染质量。     

协同KPCANet模型在人脸识别中的应用

为解决手工提取图像特征过程繁复和参数复杂问题,提出一种基于深度学习的协同KPCANet模型。该算法能够对现场采集到的人脸数据和特征进行提取和分类,通过提取分块直方图特征进行编码协同表示,将测试样本归于残差最小的类中对人脸数据进行识别和运算。实验结果表明,协同KPCANet模型在滤波器数量L1=10时一层卷积层与L2=15时二层卷积层的正确率分别达到99.17%和99.44%。协同KPCANet模型不仅能使运算过程简洁,还能提高识别结果准确度,提升识别效率。     

基于轻量化SSD的交通标志检测算法

实时精确的交通标志检测是自动驾驶和智能交通的关键技术。针对现有智能检测算法检测复杂真实道路场景下的交通标志速度慢、无法较好地适用于嵌入式终端设备的问题,提出了一种基于轻量化SSD的交通标识检测算法。该算法采用MobileNetV3＿large网络替代VGG16网络,可减少模型参数,提高检测实时性;利用添加SE模块的逆残差结构B-neck替换对应的标准卷积增强低层特征层的语义信息;设计改进RFB网络提升小交通标志的检测能力,重新设置预设先验框的尺寸,提升模型对特定数据集的检测能力。实验结果表明,改进SSD算法在中国交通标志检测数据集上的mAP值可达89.04%,比MobileNet-SSD算法提高了5.26%;帧率可达60 frames/s,比SSD算法提高了23 frames/s。所提算法具有较高的实时性和检测精度,对复杂交通环境具有更好的鲁棒性。