检索结果-南通市图书馆

基于改进mask scoring r-cnn的道路标识线检测与分割方法研究

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于改进Mask Scoring R-CNN的道路标识线检测与分割方法研究

作者：樊天宇北京建筑大学

学位级别：硕士

交通安全一直是关乎国民生命健康的热议话题,先进驾驶辅助系统（Advanced Driver Assistance System,ADAS）能够在关键时刻为道路上的交通参与者提供安全保障。道路标识线的精准检测与分割,是实现辅助驾驶甚至完全自动驾驶较为关键的一... 详细信息

交通安全一直是关乎国民生命健康的热议话题,先进驾驶辅助系统（Advanced Driver Assistance System,ADAS）能够在关键时刻为道路上的交通参与者提供安全保障。道路标识线的精准检测与分割,是实现辅助驾驶甚至完全自动驾驶较为关键的一环。不同于一般物体,道路标识线几何形状、颜色较为单一,同一个标识线在不同的影像数据中的体积差异较大,在不同角度下的形状差异也较为明显,加之道路环境场景多变,昏暗或者高眩光的场景会大大增加检测与分割的难度,这些问题一直都是道路标识线检测中的重点和难点。但现有道路标识线检测与分割算法并不理想,因此,本文针对这一热点问题开展研究。论文基于目前较为先进的mask scoring r-cnn算法进行改进,主要工作及创新点如下:（1）针对道路标识线识别速度慢以及不同类别、不同角度的标识线识别精度不高的问题,在主干网络中将常规卷积替换为可切换空洞卷积（Switchable Atrous Convolution,SAC）,并添加额外的可变形卷积（Deformable Convolutional Networks,DCN）。可切换空洞卷积减少了卷积操作中的参数,改善了像素信息冗余;可变形卷积的加入解决了同一物体在不同场景角度未知时,引起的检测难的问题。对比实验表明该方法能够更好的从特征图提取特征,对于不同形状角度的标识线识别更具有鲁棒性。（2）针对一些标识线体积较小且比较模糊导致的漏检、误检等问题,在特征金字塔网络（Feature Pyramid Networks,FPN）中增加自底而上的特征融合支路、特征聚合和增强模块。采用路径聚合网络（Path Aggregation Network,PANet）里的特征融合支路,旨在解决模糊路标与小路标所引起的特征少,且在处理过程中边缘特征丢失的问题,增强基于提议的实例分割框架中的信息流;而平衡特征金字塔（Balanced Feature Pyramid,BFP）主要解决道路标识大小不一,致使在特征融合方面会出现采样不平衡的问题。这两项改进能够更好的利用浅层的细节特征和高层的语义特征。文中采用了相同的真实场景在本文算法中和其它道路标识检测算法中进行了实验,并把实验结果进行了综合分析与对比,实验表明本文改进的道路标识线检测与分割的算法的性能优于其它算法。（3）针对实际道路中,高眩光以及低光照场景中识别精度低的问题,通过图像增强的方式对特殊场景进行数据的预处理。具体地,通过基于概率热图的数据增强与扩充方法,防止冗余的增强,使得增强的结果更符合真实世界的先验知识;通过Enlighten GAN的方法,对低光照场景中的暗处进行局部光照增强。对比实验表明了这两项改进可以从数据层面根本地降低特殊场景下的标识线识别精度不高的问题。上述所提出的三点均针对Cey Mo同一数据集进行实验,在（1）、（2）两部分工作中,整体算法识别精度达到了67.5%,提高了7.1%,其中对复杂场景的道路标识线和体积较小的道路标识线的检测效果提升较为明显,分割精度分别为提高了3.2%与4.1%。在（3）的工作中,数据处理前后的整体分割精度提高了10.6%。实验结果及数据表明,本文的方法可以较好地解决道路标识线的检测与分割问题,具有一定的理论与实际应用价值。

关键词：卷积神经网络实例分割 mask scoring r-cnn 道路标识线自动驾驶

基于mask scoring r-cnn的口腔白斑分割

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Mask Scoring R-CNN的口腔白斑分割

作者：董芊伲西北大学

学位级别：硕士

口腔白斑（OLK）是一种有癌变风险的慢性疾病,但由于其癌变潜伏期长,人们容易对其忽视从而导致严重后果。目前对于口腔白斑的诊断主要依靠专业口腔医生视觉判断,但由于口腔白斑的病变组织与口腔内其他健康组织极为相似,疾病的误诊率较... 详细信息

口腔白斑（OLK）是一种有癌变风险的慢性疾病,但由于其癌变潜伏期长,人们容易对其忽视从而导致严重后果。目前对于口腔白斑的诊断主要依靠专业口腔医生视觉判断,但由于口腔白斑的病变组织与口腔内其他健康组织极为相似,疾病的误诊率较高。利用图像分割进行口腔白斑辅助诊断能够在一定程度上降低疾病误诊率,但由于口腔白斑病灶形状复杂、质地不够均匀、病变区域特征信息丰富等原因,传统的mask scoring r-cnn网络模型分割效果不良,容易造成错误分割,遗漏分割等情况。除此之外,受口腔白斑图像的病变区域轮廓模糊、边界不规则的影响,分割结果的边缘不够精准。针对传统口腔白斑误诊率较高以及应用于口腔白斑的现存网络分割方法的不足,本文所做工作和创新点可总结如下:（1）针对口腔白斑存在错误分割和遗漏分割的问题,引入空间注意力机制,提出了基于Attention机制的MS r-cnn网络。实验结果表明,该网络能够增强网络的特征提取能力,削弱其他区域对于分割效果的影响。（2）针对口腔白斑图像存在的病灶区域边缘模糊的情况,本文引入了图像的边缘检测方法,改进了MS r-cnn网络,运用Sobel滤波器使得图像的分割边缘更加准确,实现了病变区域的精准分割。实验结果表明,改进的MS-rcnn网络的分割性能比未做改进的提高了2.0%。（3）针对训练数据集数量不足的问题,本文以迁移学习进行解决。具体地,主要实现方式是将已经进行过训练的模型作为预训练模型使用。此外,对模型进行相关参数的详细设置,让模型达到较好的状态。本文所提出方法的实际应用意义可总结如下:（1）减少标注工作的负担:从边框、涂鸦或图像级标签中学习图像分割而不是使用像素级标注,降低了标注的成本。（2）减轻医生的工作量:在医疗资源较为匮乏的偏远落后地区,医疗设备供应不足,利用计算机辅助诊断可以给医生提供有价值的参考依据。

关键词：口腔白斑图像分割 mask scoring r-cnn Attention机制迁移学习

基于小样本数据扩增的设备检测与识别算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于小样本数据扩增的设备检测与识别算法研究

作者：黄嘉豪华南理工大学

学位级别：硕士

在实验室或企业等组织的运转过程中,设备是非常重要的物质资源,它直接影响着实验室的科研成本、科研效率以及科研成果质量,因此实验室或企业的设备管理水平与其未来发展息息相关。随着社会和科技的发展,各类设备和配件日益增多,设备的... 详细信息

在实验室或企业等组织的运转过程中,设备是非常重要的物质资源,它直接影响着实验室的科研成本、科研效率以及科研成果质量,因此实验室或企业的设备管理水平与其未来发展息息相关。随着社会和科技的发展,各类设备和配件日益增多,设备的管理工作越来越复杂,在实际的设备管理过程中,部分设备会因为条形码或二维码等标签的磨损、缺失等问题,使得设备管理工作变得繁杂且效率低下。为了使设备的管理更为程序化和智能化,从而为实验室带来更高的科研效率、为企业带来更多的经济效益,本文提出了利用深度学习的方法来对设备进行检测与识别。然而,在实验室或企业这种可能需要保密的环境下,通常难以大量获取用于模型训练的设备样本,人工采集设备图像并进行标注的方法既浪费人力又效率低下,对于一款新设备,可能需要收集该设备在不同背景、视点和光照条件下的数千种图像,并且人工对其进行标注,才能满足训练条件。为了解决上述问题,本文完成了以下研究工作:(1)针对设备训练样本难以获取的问题,本文提出了基于3D建模及渲染的小样本数据扩增方法,该方法通过摄影测量法对设备进行3D建模,然后通过随机采样视点及光源参数进行图像渲染,最后通过添加遮挡、截断、干扰以及高斯滤波、运动模糊、泊松融合等图像处理技术组合使用的方式,将渲染生成的设备图像与背景图像进行融合,生成了最终的合成图像以及标注文件;(2)针对设备的检测与识别任务,本文提出了mask-Io U r-cnn模型,该模型在具有较好实例分割性能的mask scoring r-cnn基础上,引入了可以预测边界框定位置信度的BBox Io U分支,并且改进了原模型的非极大值抑制算法即Soft-NMS算法,使得模型可以保留定位更为准确的边界框,从而整体提升了模型的检测识别性能。经过实验验证,在COCO 2017数据集上,本文的MI r-cnn模型相对MS r-cnn在AP上提升了2.3个百分点,即提升了5.7%,在AP上提升了0.8个百分点,即提升了2.1%;其次,本文分别在设备合成数据集以及手动收集的真实数据集上训练模型,实验结果表明,在只能获取少量设备图像的情况下,本文的小样本数据扩增方法能够充分地提升模型的检测性能,当Io U阈值设置为0.5时,合成训练集上训练的MI r-cnn模型可以达到93.6%的AP以及89.6%的AP,证明本文提出的MI r-cnn模型在设备检测与识别这一任务上取得了良好的效果。

关键词：设备管理目标检测数据扩增 mask scoring r-cnn

基于深度学习的病害孢子出芽率精准检测及系统实现

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的病害孢子出芽率精准检测及系统实现

作者：张翔海南大学

学位级别：硕士

新鲜的果蔬在采摘、运销、以及贮藏过程中因为腐烂造成了大量的损失。果蔬腐烂主要由于病原真菌的致病作用。为了获得病害真菌的抗药性能和活性程度,研究者要对果蔬真菌信息进行采集和统计,传统的人工检测病虫害的方法依赖于养殖户的经... 详细信息

新鲜的果蔬在采摘、运销、以及贮藏过程中因为腐烂造成了大量的损失。果蔬腐烂主要由于病原真菌的致病作用。为了获得病害真菌的抗药性能和活性程度,研究者要对果蔬真菌信息进行采集和统计,传统的人工检测病虫害的方法依赖于养殖户的经验,或者请专家指导,速度慢、效率低、费用高、主观性强。为了满足现代化、规模化果蔬种植产业发展的需求,研究出一种智慧、高效的果蔬病虫害自动识别方法迫在眉睫。弯孢霉叶斑病、黑斑病、炭疽病是发病率较高的三种果蔬病害类别,这三种病害的致病孢子依次为弯孢、链格孢、炭疽孢,本文主要以这三种病害孢子为研究对象,利用改进后的实例分割算法mask scoring r-cnn对显微镜下这三种孢子以及发芽孢子进行检测和分割,通过对比多个网络模型的结果,旨在提出一种高效且精度高的方法进行果蔬病害识别,将改进后的模型与Web系统融合,搭建一个果蔬病害孢子检测系统。本研究的主要工作总结如下:(1)采集上千幅显微镜下果蔬病害真菌孢子图像,对每幅图像中病害孢子的种类、数量、具体位置以及发芽与否都进行人工标注,构建了一个果蔬病害真菌发芽孢子的数据集,该数据集具有一定的借鉴作用。(2)提出了一种改进的mask scoring r-cnn算法对复杂背景下的果蔬病害真菌孢子进行识别,解决了复杂背景下果蔬病害真菌发芽孢子难以识别的问题。本研究在mask scoring r-cnn中引入resNeSt与Involution,将原始网络backbone部分替换成resNeSt,将原始网络中FPN的Convolution替换成Involution。将标注数据集应用于六种不同的实例分割模型,通过实验验证改进后的模型在标注数据集上的性能最好,当交并比在0.5时mAP达到0.710,相比于原始mask scoring r-cnn网络模型的mAP值提升了大约3.3个百分点,实验表明改进后的mask scoring r-cnn算法具有更好的检测精度,训练出来的模型分割效果更好,能够更好的识别与分割本数据集中的孢子。(3)搭建了一个基于Flask框架的果蔬病害孢子检测系统。将本文改进后的模型部署到Web系统,使得系统能对上传的果蔬病害孢子显微图像进行批量检测并返回检测结果。综上,本文采用改进后的mask scoring r-cnn模型效果更好,将改进后的模型部署到Web系统中,使得农业工作者方便地利用该模型检测显微镜下病害孢子图像,得到检测结果图和图中各类孢子发芽率、数量,可以判断当前果蔬受到病虫害的影响以及当前使用的农药对病害孢子的防治效果,本文所做的工作对果蔬病害防治起到了积极作用。

关键词：深度学习目标检测 mask scoring r-cnn 实例分割果蔬病虫害