检索结果-南通市图书馆

cascade mask r-cnn模型的改进及其在甲状腺良恶性结节识别中的应用研究

在线全文

学校读者我要写书评

暂无评论

Cascade Mask R-CNN模型的改进及其在甲状腺良恶性结节识别中的应...

作者：秦丽娜南昌大学

学位级别：硕士

针对现有的超声图像中甲状腺结节检测与识别方法存在无法精确定位、检测准确率不高的问题,研究基于多任务深度学习的甲状腺超声图像中结节的自动检测和性质识别问题,提出并构造了一个基于改进的cascade mask r-cnn的甲状腺结节自动检测... 详细信息

针对现有的超声图像中甲状腺结节检测与识别方法存在无法精确定位、检测准确率不高的问题,研究基于多任务深度学习的甲状腺超声图像中结节的自动检测和性质识别问题,提出并构造了一个基于改进的cascade mask r-cnn的甲状腺结节自动检测与良恶性识别模型。首先,对cascade mask r-cnn网络进行了三个方面的改进。第一是通过设计更为有效的检测器来对cascade mask r-cnn进行改进,以更好地对rOI区域进行分类和检测框(bbox)修正,旨在解决当直接将模型应用于超声图像甲状腺结节检测与识别时存在无法精确定位以及检测准确率不高的问题。第二是采用更为有效的balanced L1 loss损失函数来增加准确样本的梯度值,旨在解决在甲状腺超声图像的训练过程中目标函数中的分类和定位任务之间存在的不平衡问题。第三是采用更为有效的Soft-NMS方法对相邻检测框设置一个衰减函数,旨在解决当一个真实目标处于预设的重叠阈值内,可能会导致检测不到该待检测目标的问题。其次,针对样本数量较少而导致不足以独立训练完善模型的问题,提出将预处理过的样本输入至预训练好的resNet-101进行参数微调的迁移学习方法,构建了基于改进的cascade mask r-cnn的甲状腺结节自动检测与良恶性识别模型。所提模型通过使用从医院收集的1408张图片进行训练和验证,在IOU阈值为0.5的定位精度下,mAP值达到87.1%,目标检测准确率达到98.67%,测试结果表明该模型的有效性。最后,基于该模型开发一个易操作的甲状腺超声图像良恶性结节检测与识别系统,旨在辅助临床医生对甲状腺超声图像中的结节进行定位和性质识别和减轻劳动强度。

关键词： cascade mask r-cnn 甲状腺超声图像目标检测和识别迁移学习 balanced L1 loss

基于改进型cascade mask r-cnn的架空输电线路多目标识别算法的研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

电力大数据 2022年第11期25卷 9-19页

作者：张彦宇尚嘉诚丁祎琦鲁亮王强丁亚雄国网宁东供电公司宁夏银川750001

近几年来,国网架空输电线路巡检人员依托于巡检无人机、巡检机器人等智能巡检设备,获取了海量的图像和视频信息,巡检图片判断的工作量越来越大,同时因个人技能、经验等方面的差异,可能导致基于巡检图片对于设备缺陷和隐患分析不满足要... 详细信息

近几年来,国网架空输电线路巡检人员依托于巡检无人机、巡检机器人等智能巡检设备,获取了海量的图像和视频信息,巡检图片判断的工作量越来越大,同时因个人技能、经验等方面的差异,可能导致基于巡检图片对于设备缺陷和隐患分析不满足要求。为了对获取的信息进行快速而准确的分析和处理,本文借助公司在电力线路巡检方面积累的丰富图像,将cascade mask r-cnn智能识别算法在原有基础上进行改进,使用了resNet101+FPN的方式来提升算法对于小目标的识别能力,并且将IoU Loss替换为DIoU Loss作为边界框的损失,使网络朝着预测框与真实框重叠度较高的方向去优化,减小正负样本不平衡带来的误差,增强了对远景目标的检测;同时搭建了深度学习TensorFlow实验平台,并在该平台基础上设计并开发了巡检图像目标检测实验平台交互界面,实现了对巡检图像目标检测的可视化操作。

关键词：智能巡检 cascade mask r-cnn 残差网络小目标交互界面

在线全文

学校读者我要写书评

暂无评论

基于循环残差注意力的群养生猪实例分割

华南农业大学学报 2020年第6期41卷 169-178页

作者：刘坤杨怀卿杨华胡志伟孟珂山西农业大学信息科学与工程学院山西太谷030801 吕梁学院城乡规划系山西吕梁033001

【目的】在群养环境下,实现生猪粘连、杂物遮挡等不同条件下生猪个体的高精度分割。【方法】对真实养殖场景下的8栏日龄20~105 d共45头群养生猪进行研究,以移动相机拍摄图像为数据源,并执行改变亮度、加入高斯噪声等数据增强操作获取标... 详细信息

【目的】在群养环境下,实现生猪粘连、杂物遮挡等不同条件下生猪个体的高精度分割。【方法】对真实养殖场景下的8栏日龄20~105 d共45头群养生猪进行研究,以移动相机拍摄图像为数据源,并执行改变亮度、加入高斯噪声等数据增强操作获取标注图片3834张。探究基于2个骨干网络resNet50、resNet101与2个任务网络mask r-cnn、cascade mask r-cnn交叉结合的多种模型,并将循环残差注意力(rrA)思想引入2个任务网络模型中,在不显著增加计算量的前提下提升模型特征提取能力、提高分割精度。【结果】选用mask r-cnnresNet50比cascade mask r-cnn-resNet50在AP0.5、AP0.75、AP0.5-0.95和AP0.5-0.95-large指标上分别提升4.3%、3.5%、2.2%和2.2%;加入不同数量的rrA模块以探究其对各个任务模型预测性能影响,试验表明加入2个rrA模块后对各个任务模型的提升效果最为明显。【结论】加入2个rrA模块的mask r-cnn-resNet50模型可以更精确、有效地对不同场景群养生猪进行分割,为后续生猪身份识别与行为分析提供模型支撑。

关键词：循环残差注意力实例分割图像处理 mask r-cnn cascade mask r-cnn

在线全文

学校读者我要写书评

暂无评论

基于深度卷积网络的葡萄簇检测与分割

山西农业大学学报（自然科学版） 2020年第5期40卷 109-119页

作者：娄甜田杨华胡志伟山西农业大学农业经济管理学院山西太谷030801 山西农业大学信息科学与工程学院山西太谷030801

[目的]在果园场景下,簇粘连、杂物遮挡给高精度葡萄簇检测与分割造成很大难题。[方法]该文以真实种植场景下的葡萄簇为研究对象,以相机拍摄图像为数据源,提出基于2大骨干网络r50、r101与2种任务网络mask rcnn、cascade mask r-cnn交叉... 详细信息

[目的]在果园场景下,簇粘连、杂物遮挡给高精度葡萄簇检测与分割造成很大难题。[方法]该文以真实种植场景下的葡萄簇为研究对象,以相机拍摄图像为数据源,提出基于2大骨干网络r50、r101与2种任务网络mask rcnn、cascade mask r-cnn交叉结合的多种葡萄簇检测与分割并行化模型。对5个品种137张共2020个实例标注葡萄簇个体进行研究,为丰富数据集、提升模型泛化能力,对原始数据集随机进行改变亮度、加入高斯噪声及翻转180°操作,共获得标注图片685张。为探究不同骨干网络对模型检测与分割的影响状况,选取r50与r101对输入图像分别进行特征提取,并在mask r-cnn和cascade mask r-cnn两大任务网络上进行试验。[结果]对于检测任务,mask r-cnn-r50在AP0.75指标上比mask r-cnn-r101提升22.3%;对于分割任务,cascade mask r-cnnr50在各AP指标上比cascade mask r-cnn-r101提升2%~13.5%。为验证学习率超参数对预测结果影响,选用6个不同学习率在mask r-cnn-r50与cascade mask r-cnn-r50模型上进行试验,结果表明,随着学习率的增加,检测与分割各AP指标均先增加后减小;为探究模型的鲁棒性,将测试集图片分为深度分离、浆果粘连、杂物遮挡3大类并进行可视化分析,结果表明,cascade mask r-cnn-r50模型在3种场景下分割与检测效果最佳,mask rcnn-r101效果最差。[结论]综合分析,本文cascade mask r-cnn-r50模型可更为精确、有效地对不同种植场景葡萄簇进行分割与检测,其可为后续葡萄自动化采摘提供模型支撑。

关键词：目标检测实例分割 mask r-cnn cascade mask r-cnn resNet50 resNet101

在线全文

学校读者我要写书评

暂无评论

海上船舶图像实例分割算法研究

海上船舶图像实例分割算法研究

作者：陈禹升哈尔滨工程大学

学位级别：硕士

近年来,随着深度学习算法在计算机视觉领域的发展逐渐成熟,基于深度学习的物体检测和语义分割技术已经逐步深入到人们生活的各个领域,而实例分割作为一项兼具物体检测和语义分割的任务,也具有广阔的应用前景。基于海上船舶图像的实例分... 详细信息

近年来,随着深度学习算法在计算机视觉领域的发展逐渐成熟,基于深度学习的物体检测和语义分割技术已经逐步深入到人们生活的各个领域,而实例分割作为一项兼具物体检测和语义分割的任务,也具有广阔的应用前景。基于海上船舶图像的实例分割作为船舶智能感知和海上智能监控系统的重要组成部分,可以为系统的后续决策提供精准的船舶位置信息,保证系统的稳定运行,因此具有巨大的研究价值。本文从精度和实时性两个角度考虑,分别选取性能优越的二阶段和单阶段实例分割算法展开海上船舶图像的实例分割算法的研究,同时为了应对海上的雾天场景设计了一种依靠场景分类的实例分割框架。具体工作如下:首先,由于目前尚没有公开的海上船舶实例分割数据集,因此本文利用labelme软件对搜集到的船舶图像进行实例分割标注,构建海上船舶实例分割数据集。将主流的单阶段和二阶段算法在构建的海上船舶实例分割数据集上进行性能分析,并选取单阶段的SOLOv2算法和二阶段的cascade mask r-cnn算法作为基线算法开展研究。其次,针对二阶段的cascade mask r-cnn算法开展海上船舶实例分割研究。通过在海上船舶实例分割数据集上进行可视化分析,发现cascade mask r-cnn算法的边界框不精准同时对船舶的轮廓细节特征分割不全,因此本文引入了 GIoU损失来优化边界框并设计了边缘和多尺度信息融合的预测网络来提升cascade mask r-cnn算法预测掩码的质量。通过可视化和定量指标对比发现改进后cascade mask r-cnn算法的产生的边界框更加精准,实例掩码更加完整,并且能更好的适应船舶遮挡场景。再次,针对单阶段的SOLOv2算法开展海上船舶实例分割研究。在海上船舶实例分割数据集上进行可视化分析,发现SOLOv2算法对相似的船舶实例出现误分割、不能有效应对图像背景中的干扰。通过分析本文认为SOLOv2算法对船舶实例的位置敏感性不足进而提出了利用空间注意力模型来提取分类特征中的实例分布信息并融合到分割特征中来提高算法的位置敏感性和抗背景干扰能力。通过可视化和定量指标对比发现改进后的SOLOv2算法具有良好的实例位置敏感性,同时对复杂背景具有较好的抗干扰能力。最后,针对海上雾天场景开展船舶实例分割研究。增广不同能见度等级的雾天船舶图像,分别构建薄雾和浓雾场景的海上船舶实例分割数据集,并在雾天实例分割数据集上进行实例分割的泛化性能分析,进而采用MobileNetV2作为场景判别器,根据输入图像的场景选择合适的模型,构建对晴天和雾天都能有效分割的实例分割框架。

关键词：实例分割船舶图像 cascade mask r-cnn SOLOv2 雾天场景

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于生成对抗网络的稻米图像算法研究

基于生成对抗网络的稻米图像算法研究

作者：张海洋武汉轻工大学

学位级别：硕士

在稻米品质自动化检测中,粘连米粒的分割效果直接影响到后期的米粒质量评估。传统的机器视觉算法需对米粒进行特征提取,整体而言计算复杂且分割精度难以保证。基于深度网络模型的实例分割算法,在设计网络模型时,需要使用模板匹配机制,... 详细信息

在稻米品质自动化检测中,粘连米粒的分割效果直接影响到后期的米粒质量评估。传统的机器视觉算法需对米粒进行特征提取,整体而言计算复杂且分割精度难以保证。基于深度网络模型的实例分割算法,在设计网络模型时,需要使用模板匹配机制,通过损失函数来计算模型的预测掩膜与真实掩膜的误差;然而,损失函数的设置通常会借鉴已有的分割模型,导致该类模型的效果依赖于先验知识。首先,本文简要介绍了当前粮食无损检测的重要性,并指出实现自动化无损检测需要解决的稻米图像分割问题。根据国内外传统图像分割算法和基于深度学习的图像分割研究现状,进一步明确了本文的研究范围和结构。第二部分将重点讨论那些在解决粘连目标分割问题上具有代表性的算法,并对它们的原理和方法进行详细的介绍和分析。对于基于传统图像处理的图像分割算法,介绍了基于聚类、分水岭以及凹点的图像分割算法。对于深度学习的算法,讨论了mask rcnn和yolact算法原理。同时,分析了当前图像分割算法的优缺点,明确了未来研究的方向。第三部分详细介绍了YOLO算法的核心思想,并重点阐述了YOLOv5算法和生成对抗网络算法的原理。为了能更好的完成米粒检测而又不影响检测阶段的速度,提出了一种基于YOLOv5和生成对抗网络的目标检测算法。相较于YOLOv5,该算法只需在训练阶段增加少量网络参数就能带来可观的提升。第四部分首先介绍了cascade mask rcnn算法的基本原理,接着针对粘连米粒自有的特性,结合生成对抗网络,提出了一种对抗训练的粘连米粒分割模型。该模型使用Swin-Transformer作为生成器与鉴别器骨干网络,基于移动窗口的多注意力机制获得全局特征提取,cascade mask r-cnn作为生成器模型,级联模型逐步细化得到更精细的边界,Nested-FPN对多尺度特征进行跳跃连接,最大限度保存米粒图像特征,对抗网络监督训练使得生成器更好的学习掩膜分布。实验表明,经过对抗监督训练,生成器能够在一定程度上细化边界掩膜,获得粘连米高精度分割掩膜。与其他基于大米图像分割的算法相比,本文的SWGAN能够处理大米粘附的复杂情况,并获得满意的分割精度。最后回顾了本文的研究内容和结论,概括了本文的创新点。

关键词：粘连米实例分割生成对抗网络 cascade mask r-cnn YOLOv5

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的车辆目标检测算法研究

基于深度学习的车辆目标检测算法研究

作者：周刚重庆交通大学

学位级别：硕士

随着人们生活水平的不断提高,汽车改变了人们的出行方式,同时带来很多的负面影响,如交通拥堵、堵塞现象以及频发的交通事故等交通问题层出不穷。在这样的背景下智能交通系统越来越受到重视。其中,车辆检测是智能交通系统研究中的一个重... 详细信息

随着人们生活水平的不断提高,汽车改变了人们的出行方式,同时带来很多的负面影响,如交通拥堵、堵塞现象以及频发的交通事故等交通问题层出不穷。在这样的背景下智能交通系统越来越受到重视。其中,车辆检测是智能交通系统研究中的一个重要方面,其对解决交通拥堵、交通事故、视频监控、车牌识别等问题具有很大的实际意义,车辆检测利用机器学习和图像处理技术,确定感兴趣车辆目标区域。但是远距离车辆目标和重叠车辆目标在图像中占据的像素信息较少,特征不明显,并且容易受到光照环境干扰等影响,使得现有模型对于检测和分割效果均不理想且存在漏检等明显的局限性。因此,本文设计出新的车辆检测识别模型,以解决检测过程中远距离车辆目标和重叠车辆目标准确率低的问题。车辆检测技术的应用已成必然,提高车辆检测的效率对维护道路交通安全及其管理具有非常重要的意义。主要工作内容如下:基于车辆检测识别任务流程,本文对三种基于cascade r-cnn、mask r-cnn和cascade mask r-cnn的车辆检测识别模型进行改进。鉴于车辆识别任务对网络深度,速度性能要求较高,提出了基于改进卷积神经网络的车辆检测识别网络。将改进卷积神经网络作为cascade r-cnn、mask r-cnn和cascade mask r-cnn三种网络模型的特征提取网络,以提高模型的识别准确率,并且再次提升模型的检测速率。在此基础上,为了使车辆目标特征的信息更加丰富,对区域建议网络训练生成候选窗口,并且利用特征金字塔网络对检测到的特征进行相互融合,使大小不一的尺度特征图像进行学习,之后将学习到的图像进行分类和分割,完成在图像上对车辆的检测。针对本文的实际场景、远距离车辆目标小和重叠车辆目标特点,采用基于改进卷积神经网络车辆检测识别网络。在卷积神经网络的基础上对其结构进行改进与优化:特征提取网络设计,提高网络的检测能力以及减少网络层数;候选窗口设计,采用双线性插值减小了特征提取时感兴趣区域的误差状况,提高了对不同车辆特征的的学习,并且提高网络检测识别的准确率。针对车辆类型不同的特性,结合一般环境状况(不同光照、阴影遮挡等)以及对应的三种不同网络的特性。首先选取构建数据集,然后对数据集进一步处理,用处理后的数据集,在不同光照、阴影条件下的车辆图像对三种不同网络模型进行实验。实验说明,改进卷积神经网络具有结构稳定性好,检测识别能力高,并且检测速率也有一定的提升。改进后的cascade r-cnn网络准确率和检测速度性能比mask r-cnn和cascade mask r-cnn网络性能差,而mask r-cnn和cascade mask r-cnn两种网络的准确率和检测速度相差不大,并在速度性能上有进一步的提高。

关键词：深度学习卷积神经网络车辆检测 mask r-cnn cascade mask r-cnn

ATOSPES：拟南芥自动化器官分割和表型参数提取系统

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

ATOSPES：拟南芥自动化器官分割和表型参数提取系统

作者：刘志华中农业大学

学位级别：硕士

植物表型研究旨在阐明基因组与环境相互作用对植物性状的影响。随着图像处理技术和人工智能技术迅猛发展,基于深度学习的计算机视觉技术在高通量植物表型研究中日益受到关注。深度学习在图像处理领域具有无损检测的优势,能有效降低人为... 详细信息

植物表型研究旨在阐明基因组与环境相互作用对植物性状的影响。随着图像处理技术和人工智能技术迅猛发展,基于深度学习的计算机视觉技术在高通量植物表型研究中日益受到关注。深度学习在图像处理领域具有无损检测的优势,能有效降低人为因素引起的误差。因此,采用深度学习技术对植物表型参数进行无损、快速、低成本和自动化测量已成为植物表型研究领域的迫切需求。拟南芥作为一种模式植物,具有较短的生长周期和较小的基因组,适用于遗传学、基因学、植物学研究,在植物表型研究中具有重要价值。本研究以拟南芥的发育期叶片、成熟期角果和根系为研究对象,通过改进深度学习算法模型,实现拟南芥叶片和角果图像的实例分割以及根系图像的语义分割。在此基础上,提取了包括纹理、形态和颜色等特征的表型参数,并进行精度评估。此外,本研究依托高精度深度学习分割模型,构建了一套拟南芥自动化器官分割和表型参数提取系统(ATOSPES),涵盖了开放式门户网站与应用程序,该系统能实现对拟南芥表型参数的无损、高精度提取。本研究的主要贡献如下:(1)拟南芥叶片实例分割及表型参数测量与分析。为解决叶片遮挡和发育期新生叶漏检问题,本研究采用结合resNeSt和GroIE的改进cascade mask r-cnn模型,实现了叶片的高精度分割。实验结果表明,分割精确率达到96.52%,召回率为95.77%,F1分数为96.14%。同时,通过消融实验证明了本文改进方法的有效性。在图像分割基础上,提取了52个相关表型特征,并进行精度评估。其中,与人工测量值相比,单张叶片平均绝对值误差DIC为0.7586,叶片个数、叶面积、长度和宽度的MAPE值分别为4.27%、1.30%、3.91%和4.64%。此外,本研究还在不同的拟南芥叶片数据集以及其他品种植株图像上进行了泛化实验,进一步证明了所提模型具有较强的鲁棒性和较好的泛化性。(2)拟南芥成熟期角果的实例分割及表型参数测量与分析。针对角果重叠和交叉度高的特点,本研究结合GN+WS改进DetectorS模型结构,实现了角果的自动化实例分割,并与mask r-cnn、cascade mask r-cnn、HTC等主流实例分割算法结果进行比较,从而证明了改进后模型的优势。实验结果显示,精确率达到95.42%,召回率为93.08%,F1分数为94.24%。在此基础上,提取了对应的表型性状并进行精度评估。与人工测量结果对比,单张角果平均绝对值误差DIC为0.8573,角果数量、角果面积、长度和宽度的MAPE值分别为4.63%、7.57%、1.94%和2.10%,进一步验证了模型的精确度。(3)拟南芥根系的语义分割及表型参数测量与分析。首先,本研究对比了PSPNet、DeepLabV3+、SegFormer等语义分割网络在根系分割任务上的表现。实验结果表明,SegFormer网络结构在解决拟南芥根系的侧根模糊和多断裂等问题方面表现出较大优势,其平均像素精度(MAP)达到92.56%,平均交并比(MIo U)达到83.38%,均远超其他语义分割网络。本研究自动提取了41个根系表型特征,并对根面积、根深度和宽度进行回归分析,得到的回归系数分别为0.986、0.997和0.995,从而证明了SegFormer模型在作物根系分割任务上的可行性。(4)ATOSPES的设计与开发。ATOSPES包含两个主要组成部分,分别为开放式门户网站和相应的应用程序。在拟南芥角果、叶片和根系的高精度分割及表型参数自动提取的基础上,设计了易于访问的门户网站和基于QT界面的应用程序。这些工具的设计充分考虑了用户体验,为研究人员提供了便捷的表型参数提取服务。门户网站便于在线操作,用户可以直接上传图片进行表型参数提取;基于QT界面的应用程序则提供了离线使用的可能,使得在无网络条件下,研究人员也能进行拟南芥表型参数提取。目前网站已上线,应用程序也可直接下载。总体而言,本研究提出的相关算法能够实现拟南芥图像的高精度分割,且提取的表型参数具有显著的相关性和广泛的应用潜力。基于深度学习模型和参数提取的开放式门户和应用程序能够实现拟南芥表型参数的无损、快速和自动测量。本研究为拟南芥表型研究提供了一种强有力的实用系统——ATOSPES,有助于为拟南芥表型和遗传育种研究提供可靠的数据基础。

关键词：拟南芥深度学习图像分割 cascade mask r-cnn DetectorS SegFormer 表型参数云计算 QT软件