检索结果-南通市图书馆

作者：崔浩浩哈尔滨工程大学

学位级别：硕士

随着计算机硬件水平的提升,深度学习技术迎来其发展的爆发期,神经网络不断向着越来越大规模的方向上发展。在神经网络的训练过程中,样本往往扮演着至关重要的角色,数据集样本的好坏直接决定着训练结果的好坏。在进行海上目标的识别分割... 详细信息

随着计算机硬件水平的提升,深度学习技术迎来其发展的爆发期,神经网络不断向着越来越大规模的方向上发展。在神经网络的训练过程中,样本往往扮演着至关重要的角色,数据集样本的好坏直接决定着训练结果的好坏。在进行海上目标的识别分割等任务时,需要大量的海面场景图片作为数据集,然而我们可以从互联网上直接获得的海上场景图片往往是一些摄影爱好者或专业人员出于某种目的进行的拍摄,其拍摄角度、天气条件等信息通常较为相似,无法涵盖所有情况下的海上场景,且其不同场景下的图片数量相差较大,一些恶劣天气下的图片数量较少,直接用其进行训练很容易造成神经网络的过拟合,对少数类样本的学习效果不佳,因此,需要对其进行增广。本文针对不同的海上场景设计了以下几种不同的方法实现海上稀缺样本图像增广:第一,在研究了风格迁移及其改进算法——快速风格迁移的原理的基础上,将常见的晴天海上场景样本图片作为内容图片,将黄昏、阴天照片作为风格图片,采用快速风格迁移的方法生成黄昏、阴天、雾天、雨天下的海上场景图片,实验结果表明快速风格迁移算法生成的黄昏、阴天下的海上场景图像真实度较好,可以作为黄昏、阴天海上图像的样本增广方法。第二,开展了基于大气散射模型的海上雾天图像增广方法研究。针对单幅图像深度图难以准确估计的问题,提出了一种图像语义分割结合大气散射模型的样本增广方法。该方法利用deeplab v3+将晴天下图片分割为海、天、前景三部分,并根据其结构信息分别模拟深度得到深度图,在此基础上基于大气散射模型由晴天海上场景图片生成逼真的雾天海上场景图片,有效实现雾天海上场景样本图像增广。第三,通过训练人工制作的晴天-雨天成对图片数据集,采用基于生成对抗网络的pix2pix算法来实现雨天图像样本增广,并针对该算法存在生成图像的纹理与雨天数据集中目标纹理相差较大的问题,提出了一种基于改进pix2pix的海上雨天图像样本增广方法。改进算法将CGAN结构换为GAN结构,并采用残差网络作为生成器,从而生成较为逼真的雨天海上场景图像。第四,开展了基于仿真图的海上稀缺图像样本增广研究。为提高仿真图逼真度,减少仿真图与真实图的差异对训练结果的不良影响,提出了一种泊松融合结合Cycle GAN的方法。该方法将图像的前背景分割后,分别利用泊松融合与Cycle GAN来提高背景、前景的真实度,实现由仿真图像生成逼真的海上场景目标图片,从而能够实现利用仿真图进行训练的目的,解决训练集中船舶姿态、角度单一,数量绝对稀缺等问题。

关键词：样本增广快速风格迁移语义分割大气散射模型 Pix2pix cyclegan

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于动态结构光的自动上料技术研究

基于动态结构光的自动上料技术研究

作者：王利红杭州电子科技大学

学位级别：硕士

随着科技的日益发展,当前制造业的自动化正朝着更智能、更精确、更高效的方向发展。但在实际的生产过程中,生产线的自动上料过程仍难以实现完全自动化,这是因为加工零件在上料之前往往是随机散乱摆放的,无法通过预先编码定位的方式完成... 详细信息

随着科技的日益发展,当前制造业的自动化正朝着更智能、更精确、更高效的方向发展。但在实际的生产过程中,生产线的自动上料过程仍难以实现完全自动化,这是因为加工零件在上料之前往往是随机散乱摆放的,无法通过预先编码定位的方式完成上料工作。面对这一问题,基于视觉引导的自动上料系统是当前主流的解决方案,然而在实际工厂环境下,基于视觉的自动上料系统仍受到工作环境光线明暗不一、背景复杂等干扰因素的挑战。基于上述现状及痛点,本文对工业制造场景中动态工件的三维重建和位姿估计等自动上料相关技术进行了研究,主要贡献如下:(1)针对工业制造场景中动态工件三维重建问题,提出了适应随机相移步长的动态结构光三维重建方法。该方法首先利用一幅结构光正弦光栅图案配合传输带上沿条纹垂直方向运动的工件实现相对相移。其次,为了解决由于传送带等机械装置受到外部震动、电磁辐射等干扰因素而导致相移步长不均匀的问题,该方法提出基于RPSNet的动态结构光三维重建模型,该模型以Cycle GAN网络模型为基础,使用本文提出的AIR2U-net模型作为生成器,多层卷积神经网络CNN作为判别器,实现光栅图向深度图的转换。最后,针对网络模型需要大量数据进行训练而实际工业场景中数据难以采集的问题,本文使用Thing10k数据集和Blender仿真软件制作的数据集进行模型训练。最终实现了工件较高质量的三维重建。(2)针对工业制造场景中工件的位姿估计问题,提出了基于点云配准的位姿估计方法。该方法将上述三维重建方法得到的工件点云数据和预先创建的工件模板点云数据进行点云配准,从而得到位姿关系。具体而言,两份点云数据首先使用本文提出的RPT模块进行点云的特征提取,得到点云的特征描述符后使用反向LK算法计算两个点云之间的变换矩阵,进而根据得到模板点云的位姿得到源点云的位姿数据。通过在公开数据集以及真实生产场景的数据集上与主流方法进行对比,实验结果表明,本文提出以上方法在动态场景的测量下有着优异表现。将上述方法在实际工业制造场景的上料过程进行试验,最终验证了本文提出方法的有效性。

关键词：自动上料三维重建位姿估计 cyclegan 随机相移步长

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于机器视觉的导光板缺陷检测识别

基于机器视觉的导光板缺陷检测识别

作者：肖铭盐城工学院

学位级别：硕士

导光板(LGP)是一种用于背光模块的材料,广泛应用于各行各业之中,其品质问题可能导致屏幕成像不佳,影响用户体验。导光板在生产中易出现表面缺陷,目前主要依赖人工检测,但效率低下。本文针对17寸热压导光板的缺陷检测问题进行了研究。考... 详细信息

导光板(LGP)是一种用于背光模块的材料,广泛应用于各行各业之中,其品质问题可能导致屏幕成像不佳,影响用户体验。导光板在生产中易出现表面缺陷,目前主要依赖人工检测,但效率低下。本文针对17寸热压导光板的缺陷检测问题进行了研究。考虑到缺陷样本稀缺和企业检测要求,对缺陷数据进行了数据采集与扩充研究,并在此基础上开发了一套导光板缺陷检测识别系统。实验验证了该系统的实时性与可靠性,主要研究内容如下:(1)基于cyclegan的小样本数据扩充方法研究鉴于实际生产中导光板缺陷样本的稀缺性,导致表面缺陷数据集的不足,进而引发数据样本分布不均衡以及检测模型泛化能力较弱的问题。为此本文利用Cycle GAN生成缺陷样本,对Cycle GAN的生成器进行两点优化:(1)将部分特征层进行特征融合,以增强生成图像的细节和质量。(2)将自注意力机制与残差网络结构相结合,并以此模块替换原始残差模块。改进了原网络被局限在小窗口提取特征的缺陷,增大了特征提取的全局视野的同时,也增加了多尺度不变的特性。(2)导光板缺陷检测识别算法研究在使用多种检测算法对导光板进行缺陷检测对比实验后,综合选择了YOLOv5s为基础网络,并以此提出了一种基于改进YOLOv5s网络用于导光板缺陷检测。在检测算法的特征融合部分集成具有注意力机制的CAM(context augmentation module)融合多尺度扩展卷积特征,获得丰富的上下文信息,用于特征增强,并选择XIoU(Extended Intersection over Union)损失函数作为定位回归损失函数。最后,基于自建数据集进行了大量实验,实验结果表明,LGP缺陷检测算法的平均精度(m AP)可以达到88.70%,并且FPS可达35。(3)导光板缺陷检测系统设计开发对整体系统进行软硬件模块的功能设计与实现,完成系统集成。选取产线上的导光板进行系统测试,在使用数据集LGPDD训练的模型时漏检率为7.21%与误判率为5.51%,系统检测时间s/pcs达到11.4;使用改进Cycle GAN进行数据扩充的数据集LGPDDC时,测试表现为漏检率为7.47%与误判率为3.56%,误判率降低了1.95%,表现出更好的分类精度,但均满足导光板实际的生产需求。

关键词：缺陷检测 YOLOv5 损失函数 cyclegan

基于U-Net模型的小鼠视网膜图像分割算法的研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于U-Net模型的小鼠视网膜图像分割算法的研究

作者：杨茜湖北大学

学位级别：硕士

糖尿病视网膜病变（Diabetic Retinopathy,DR）是一种严重的致盲症。DR治疗药物的研发中常通过显微镜观察小鼠视网膜病理图像的变化的方式来评价药物的效果,但这种评价方法主观性强,无定量标准。小鼠视网膜病理图像中的神经纤维层（Reti... 详细信息

糖尿病视网膜病变（Diabetic Retinopathy,DR）是一种严重的致盲症。DR治疗药物的研发中常通过显微镜观察小鼠视网膜病理图像的变化的方式来评价药物的效果,但这种评价方法主观性强,无定量标准。小鼠视网膜病理图像中的神经纤维层（Retinal Nerve Fiber Layer,RNFL）的面积和细胞核面积等参数可以用于评估DR的病理变化,对药物效果客观定量的评价,因此小鼠视网膜图像的分割对于DR药物的效果评价具有重要的意义。本文提出了一种利用深度学习的算法定量评价DR程度的方法,通过改进的U-Net模型实现了小鼠视网膜图像的分割,将其应用到DR治疗药物开发的实际项目中,取得了较好的效果。同时,由于病理图像的标注困难,样本基数小,存在模型泛化性能差,对新型小鼠视网膜图像分割效果差等问题。本文结合迁移学习的思想,利用两种迁移方法解决样本基数少的问题,并提升了模型对于新型小鼠视网膜图像的分割性能。本文主要内容如下:1.针对小鼠视网膜图像RNFL分割不准确的问题,本文提出了基于改进UNet模型的视网膜图像分割方法。第一,本文通过改进的U-Net分割模型,实现了视网膜图像中RNFL基本准确的分割。首先,模型利用残差路径减少特征之间的信息差距,其次,利用子像素卷积层进行上采样操作,减少上采样操作中细节信息的损失,最后,利用残差模块简化学习过程,增强梯度传播,减少网络深度导致的模型退化问题。实验结果表明,改进的模型能够取得更好的分割效果,实现RNFL基本准确的分割。第二,本文通过阈值分割和Fusion Net网络模型实现了视网膜图像中细胞核的分割。2.针对小鼠视网膜图像的量化评估问题,本文对视网膜图像的分割结果进行了量化分析,验证了分割结果用于DR药物效果量化分析的可行性。首先,本文根据实际变化定义了具有生物学意义的相关指标。其次对不同周龄及不同药剂量的小鼠视网膜图像分割结果进行了指标的分析。结果表明利用视网膜图像的分割结果进行定量分析相比于人眼观察对于DR药物效果的变化更加敏感。分析的结果说明小鼠视网膜图像的分割结果能够用于量化评价药物效果。3.针对模型对于新型小鼠视网膜图像的分割效果差的问题,本文结合迁移学习的思想对已有的小鼠视网膜图像进行迁移。本文首先利用cyclegan网络和Reinhard算法对视网膜图像进行色彩迁移和风格迁移,生成具有新型小鼠视网膜图像风格和色彩的图像,然后将迁移后的图像加入原始图像数据集中进行训练。实验结果表明,原始图像数据集中加入迁移图像后可以提高模型对新型小鼠视网膜图像的分割效果,有效减少图像标注的需求。

关键词：视网膜图像分割残差网络 U-Net cyclegan

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的公交乘客人头再识别算法研究

基于深度学习的公交乘客人头再识别算法研究

作者：郭俊良天津理工大学

学位级别：硕士

行人再识别是指通过计算机视觉技术匹配出现在不同地点和时间的行人。在智能安防、商业导购、人机交互等领域,行人再识别技术具有巨大的应用潜力。与基于人工特征的方法相比,基于深度学习的方法是端到端的,可以获得更鲁棒的识别特征,近... 详细信息

行人再识别是指通过计算机视觉技术匹配出现在不同地点和时间的行人。在智能安防、商业导购、人机交互等领域,行人再识别技术具有巨大的应用潜力。与基于人工特征的方法相比,基于深度学习的方法是端到端的,可以获得更鲁棒的识别特征,近年来,研究人员已在许多行人再识别数据集上使用深度学习技术并且取得了重大的进展。但是,在诸如公交、地铁等拥挤场合下,严重的遮挡使得利用乘客全身图像进行再识别变的不现实,因此本文选取乘客图像头部区域作为识别乘客身份的有效部位。但由于乘客人头图像分辨率低,可识别特征很少,不同样本间相似性高,因此当使用基于深度学习的方法对乘客人头进行再识别时,大量相似训练样本使得模型在训练时学习不到具有识别性的特征,另外,由于公交车前门和后门摄像机拍摄的乘客人头具有不同的风格,因此根据人头对前后门乘客进行匹配时会影响再识别模型的识别性能。本文基于深度学习技术,主要解决如何选取有效的训练样本以提升再识别模型的训练效果,如何生成具有不同相机风格的乘客人头图像,使训练集更加丰富,从而指导模型更好的识别不同相机下的图像。本文的主要工作包括以下内容:(1)基于难样本挖掘三元损失的公交乘客人头再识别算法。针对视角、光照、噪声等因素对再识别模型的影响,对训练数据进行增强,以提高模型的泛化性能;使用行人再识别模型作为预训练模型,提高模型训练效率;探究不同的骨干网络对再识别模型影响;对于损失函数,实验比较不同阈值及软化损失边界方法对再识别模型的影响,使用不同三元组采样方法,验证难样本采样的有效性;在三元损失函数的基础上,对难样本三元组增加相机标签的约束条件。在乘客人头再识别数据集上的实验结果显示,对比基准算法,增加相机标签约束条件的难样本挖掘三元损失再识别算法平均准确率提高了1.03%。(2)基于cyclegan造图的公交乘客人头再识别算法。针对公交车前后门相机风格差异,构建基于cyclegan的相机风格迁移模型,并使用风格迁移模型对公交乘客人头再识别训练集进行风格迁移,然后将原图像和迁移图像作为训练集训练再识别模型。以Tri Net为基础,通过实验验证了迁移图像对丰富数据集风格的作用;在其它基于深度学习的再识别模型基础上进行的实验显示,生成的迁移图像使模型的识别效果均有大幅度的提高。

关键词：行人再识别残差网络三元损失 cyclegan 风格迁移

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的变电站设备缺陷检测与分割

基于深度学习的变电站设备缺陷检测与分割

作者：徐运华石家庄铁道大学

学位级别：硕士

变电站设备的正常运行是电力系统稳定运行的先决条件,因此变电站设备的缺陷检测是非常必要的,如何快速准确发现变电站设备存在的隐患成了一个重要问题。传统检测主要依靠于人工检测,这种方式在时间、效率、安全等方面存在着很多弊端,已... 详细信息

变电站设备的正常运行是电力系统稳定运行的先决条件,因此变电站设备的缺陷检测是非常必要的,如何快速准确发现变电站设备存在的隐患成了一个重要问题。传统检测主要依靠于人工检测,这种方式在时间、效率、安全等方面存在着很多弊端,已经不能满足变电站的安全巡检需求。随着人工智能、图像处理技术的发展,深度学习算法为变电站设备的自动巡检提供了新的技术方案。本文基于实际项目需求对深度学习算法进行相关研究和改进,最终将其应用到变电站设备缺陷检测和分类中。论文主要研究工作如下:(1)图像预处理及数据增广。由于变电站缺陷设备的数据集较少,在自采集数据集基础上先使用几何变换法进行数据增广,然后通过Cycle GAN算法对数据集进行增强,有效的解决了小样本数据问题。(2)在缺陷检测阶段针对变电站设备缺陷检测提出基于无锚双向跨尺度特征融合的缺陷检测算法。使用Efficient Net作为特征提取网络,可以根据应用场景从而选择不同的模型;针对缺陷设备尺寸相差较大、小目标物体难以定位的问题,使用改进的Bi FPN来进行特征融合,以提高检测精度;为克服检测算法在设置锚框所带来的超参设定难、Io U计算占用资源大、正负样本数量差异较大的问题,使用无锚机制来对特征图进行目标分类及位置回归。同时使用自适应训练采集方法进一步优化正负样本分类问题,有效的提升了检测精度与检测速度。(3)在缺陷分割阶段提出了基于瓶颈注意力机制的缺陷分割算法。为解决分割过程中对小目标物体分割不友好问题引用瓶颈注意力机制;在减少参数、增加感受野并尽可能多的保留关键特征前提下,在改进后的ASPP中使用四种不同采样率的空洞卷积;为了实现图像目标多尺度和高效率的分割,使用编码器-解码器思想将改进后带有空洞卷积的ASPP结构与编码器-解码器结构相结合,最后使得分割出来的模型边缘更加精确。(4)基于QT框架并结合上述检测和分割算法模型,设计一套变电站设备监控管理系统。实现视频实时监控,视频回放,缺陷检测与分割,记录上传,日志查询,系统设置等功能。该系统投入使用到企业委托项目后,实现变电站“少人值守、无人值班、区域检修”的新运营模式,对推动变电站设备从传统型到监控型的转变具有重要意义。

关键词：变电站设备缺陷检测 cyclegan 无锚机制缺陷分割 ASPP模块瓶颈注意力

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非均衡数据分类研究

基于生成对抗网络的非均衡数据分类研究

作者：解晓波南京邮电大学

学位级别：硕士

近年来,人工智能兴起,深度学习是目前人工智能的主要研究领域之一。深度学习是一种数据驱动学习方法,对数据的数量和质量的要求都很高。在众多应用领域中,很多数据需求都可以满足,但是在部分领域中,例如金融风险,故障检测等方面,正常数... 详细信息

近年来,人工智能兴起,深度学习是目前人工智能的主要研究领域之一。深度学习是一种数据驱动学习方法,对数据的数量和质量的要求都很高。在众多应用领域中,很多数据需求都可以满足,但是在部分领域中,例如金融风险,故障检测等方面,正常数据量和异常数据量是非常不对等的。数据集中,不同类别的样本量之间比例极度不平衡的数据集被称为非均衡数据集。由于非均衡数据集中不同类别样本所含信息量不同,训练过程中重要程度不同,使用传统的分类器去分类非均衡数据集的难度较大,而且普通的评估标准难以正确地评价分类器。本文提出一种基于生成对抗网络(GAN)的非均衡数据集分类方法,生成对抗网络由生成器和判别器组成,生成器的功能是尽量拟合输入真实数据的分布,判别器则是尽量去判断样本是来自生成器还是真实数据,两者之间相互竞争共同提升,直到达到纳什均衡。使用GAN的强大生成能力可以扩增非均衡数据集中少数类样本。本文首先介绍了传统分类算法和目前常用的非均衡数据分类算法以及分类效果评估标准。介绍了一种基于随机过采样算法的非均衡数据集数据分类方法。本文提出了一种基于WGAN(Wasserstein GAN)的非均衡数据集分类,使用WGAN稳定的生成能力解决了合成少数类样本多样性和稳定性不足的问题。WGAN对原始GAN的损失函数以及网络结构做了适当修改使得在训练方面更加稳定,使用WGAN的稳定生成能力去合成大量少数类样本,使得两类样本达到均衡化,使用均衡的数据集去训练WGAN的判别器和逻辑回归模型,分别使用WGAN的判别器和逻辑回归对测试集进行分类并对比。最后使用信用卡欺诈数据集进行实验,使用WGAN对数据进行均衡化的召回率达到了88%,而使用随机过采样后分类召回率仅达到85%,直接使用原始数据召回率仅达到了52%。由于有些非均衡数据集中少数类样本过少,限制了生成器的生成效果,本文提出了一种基于cyclegan的非均衡数据集分类,利用cyclegan域间转换能力解决了少数类样本过少,生成效果局限的问题。cyclegan利用两个生成器和两个判别器对两类样本进行域间转换,利用cyclegan的非成对的域间转换能力把多数类样本转换成少数类样本,使得两类样本达到均衡,再训练VGG网络用于分类,并和使用传统数据增强方法进行对比。最后使用人脸数据集进行实验,并证明了使用cyclegan进行数据增强的有效性。本文主要使用了GAN的生成能力对非均衡数据集进行数据增强,再使用传统的分类器进行分类,所以后续工作可以利用判别器的强大判别能力对均衡化后的数据集进行分类。

关键词：非均衡数据增强 GAN WGAN cyclegan 生成器

基于生成对抗网络的交通场景视觉显著性区域预测

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交通场景视觉显著性区域预测

作者：刘秩铭电子科技大学

学位级别：硕士

交通驾驶场景是一个复杂多变的环境,其中包括车辆位置及其运动趋势、行人和交通标志的空间位置等重要信息。视觉选择性注意机制是人的视觉系统在复杂环境中将多余信号过滤掉,并提取重要信息的一种神经机制。根据该注意机制,有经验的驾... 详细信息

交通驾驶场景是一个复杂多变的环境,其中包括车辆位置及其运动趋势、行人和交通标志的空间位置等重要信息。视觉选择性注意机制是人的视觉系统在复杂环境中将多余信号过滤掉,并提取重要信息的一种神经机制。根据该注意机制,有经验的驾驶员能够有效地搜索和处理驾驶任务中的目标信息。近年来,随着智能驾驶的研究和发展,越来越多的研究人员通过行为学眼动实验来模拟驾驶过程中的认知活动,并根据实验中采集到的驾驶员眼动数据来研究交通场景中的视觉注意机制和检测模型。本论文利用眼动数据来研究交通驾驶场景中驾驶员的视觉信息处理特征,建立了基于生成对抗网络的交通场景显著性预测模型。该模型可以比较准确地预测交通场景中驾驶员在模拟驾驶过程中的视觉显著性区域(包括主要注视区域和次要区域)。论文内容主要分为以下两部分:第一部分,介绍了眼动数据的来源以及眼动数据的预处理流程,建立了可供深度学习方法训练和测试的数据集。我们采用基础的生成对抗网络(GAN)和循环一致性生成对抗网络(cyclegan)对本文数据集进行处理和分析,发现这两种基础方法存在欠拟合现象,其显著性评价指标也较低。cyclegan与GAN相比,前者的预测效果较好,但生成损失的设计方式还有待改进。第二部分,基于cyclegan的生成损失及其判别方法,本论文提出了一种图像尺度逐渐生长、生成网络多步判别的渐进式训练判别网络模型。本模型主要包含生成模型和判别模型,并设计了合适的生成损失和判别方式。生成模型采用U型的镜像结构,包含渐进式结构的编码器和解码器,其中每个尺度的网络结构都设计成残差网络单元。判别模型对生成图像的各个尺度进行多步判别,逐渐校正生成图像质量。本论文提出的神经网络模型可以生成交通驾驶场景的显著性图,即显著性预测结果。本论文基于自顶向下的视觉注意机制,提出了基于生成对抗网络的交通场景视觉显著性预测模型。本论文的模型可以有效地估计交通驾驶环境中驾驶员视觉搜索的显著性区域和环境周边突发情况,同时也能指出驾驶员注视的主要区域和交通标志等次要目标,可对未来的智能驾驶车辆和辅助驾驶系统等提供有用的理论依据和相关技术支持。

关键词：交通驾驶场景眼动 cyclegan 渐进式训练判别显著性预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的摄像头污染识别研究

基于深度学习的摄像头污染识别研究

作者：林家乐大连理工大学

学位级别：硕士

近年来,智能驾驶的研究飞速发展,包括行人检测、车道线检测、交通场景识别等任务都取得了卓越的进步。然而,驾驶环境的多变容易导致感知系统遭受污染,尤其是高清摄像头的表面很容易附着灰尘泥土,从而影响智能驾驶感知系统的正常工作,造... 详细信息

近年来,智能驾驶的研究飞速发展,包括行人检测、车道线检测、交通场景识别等任务都取得了卓越的进步。然而,驾驶环境的多变容易导致感知系统遭受污染,尤其是高清摄像头的表面很容易附着灰尘泥土,从而影响智能驾驶感知系统的正常工作,造成不必要的损失。而在现有的智能驾驶研究中,并没有考虑摄像头污染对智能驾驶系统的影响。因此,本文将对摄像头污染识别展开研究,为智能驾驶的发展提供理论依据和科学实践指导。本文总结了目前国内外对于污染识别问题的研究现状,明确了本文的主要研究内容和目标,然后介绍了基础深度学习理论,为本文后续工作奠定理论基础。首先,针对污染数据集难以获取的问题展开了研究。先介绍了基于生成对抗网络的数据增强方法,然后基于cyclegan网络模型进行改进,以Bdd100K数据集和实际人工采集的污染数据作为训练数据,通过改进的cyclegan网络生成模拟仿真的污染数据,分别通过主观评价和客观评价的评价方式来验证训练结果。验证结果表明,本文模拟仿真的污染数据与真实数据相似度高,且改进的模型优于原网络。其次,基于轻便网络MobileNet设计污染识别网络,得到4-stage MobileNet。然后使用第三章得到的仿真数据作为负样本,Bdd100k部分数据作为正样本对网络进行训练。网络的测试结果表明,本文提出的4-stage MobileNet推理速度比原网络结构快56%,同时具有较高的识别准确率。最后,为了验证第四章网络的有效性,将对网络进行实车搭载测试。首先提出了污染识别实车应用流程,然后对网络分别进行多场景测试和视频测试。多场景测试的结果表明本文提出的网络能够对于不同程度的污染做出准确识别。视频测试的结果表明本文提出的网络能够有效地检测图片质量,具有较高的鲁棒性和很好的实时性。上述结果证明本文对于智能驾驶污染识别研究有一定的参考意义。

关键词：污染识别卷积神经网络生成对抗网络 MobileNet cyclegan

基于深度学习的低照度下含近红外RGB图像颜色复原

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的低照度下含近红外RGB图像颜色复原

作者：吕尚金云南师范大学

学位级别：硕士

近年来,在低照度条件下利用近红外技术来提高图像的成像效果成为研究的热点,其中利用去除红外滤波片的传统RGB成像系统捕获的含有近红外波段的RGB（RGB＿NIR）图像是研究的内容之一。然而,RGB＿NIR图像会使可见光波段和近红外波段重叠... 详细信息

近年来,在低照度条件下利用近红外技术来提高图像的成像效果成为研究的热点,其中利用去除红外滤波片的传统RGB成像系统捕获的含有近红外波段的RGB（RGB＿NIR）图像是研究的内容之一。然而,RGB＿NIR图像会使可见光波段和近红外波段重叠致使图像颜色失真偏粉色。对RGB＿NIR图像进行颜色复原处理成了获得低照度下高质量RGB图像的重点。但是传统插值,矩阵变换等图像颜色复原处理方式效果并不理想。而随着深度学习的出现,给有效的解决低照度下RGB＿NIR图像颜色复原问题带来了新的希望,由于深度学习需要大量的训练样本数据,以及国内外包含低照度条件的RGB＿NIR图像数据集的缺乏,本文首先构建了RGB＿NIR图像数据集。之后分别设计了基于卷积神经网路的算法模型用于解决低照度下RGB＿NIR图像颜色复原任务和提出了Cycle GAN网络模型用于上述任务的可行性,具体工作包括:（1）利用自己搭建的采集平台采集构建了RGB＿NIR图像数据集。搭建的平台采用Sony385机芯,平台上软件控制拍摄照片的参数,数据集是在满月无风无云条件下采集四种模式:在IR-cut滤光片关闭条件下的低照度彩色RGB图像和辅助可见波段光源的彩色RGB图像,以及在IR滤光片打开条件下的RGB＿NIR图像和RGB＿NIR的灰度图像。图像数据集包含130个不同场景,总计520幅图像。（2）提出了一种新的基于卷积神经网络的算法模型AEDNet实现低照度下RGB＿NIR图像的复原问题。设计思路综合了自编码器网络结构和稠密块网络思想,在此基础上进一步将多任务的损失函数策略引用到含有近红外彩色图像颜色复原问题中。最后也针对提出的AEDNet模型和损失函数策略进行了相关实验评估。实验用到训练集图像100幅,测试集图像30幅。并对得到的实验结果做了定性定量的对比分析。结果表明,提出的AEDNet网络模型针对于低照度下RGB＿NIR图像的颜色复原问题能够得到令人满意的效果。（3）研究了生成对抗网络的变种Cycle GAN实现低照度下RGB＿NIR图像颜色复原问题。在理论上进行了相关证明,并从视觉效果上同两种最新的CDNet和ACGAN两种网络模型进行了实验比较,其中训练集图像110幅,测试集图像20幅,并对得到的实验结果做了定性定量的对比分析。实验结果表明,Cycle GAN的整体复原效果要优于其他两种网络模型。

关键词：低照度 RGB_NIR图像数据集 CNN网络 cyclegan