基于改进YOLACT的堆垛图像快速分割方法研究

针对堆叠密集的堆垛货箱出现的漏检情况以及难以分割出每个货箱的精确边缘而造成的难以准确抓取的问题,对深度学习实例分割算法YOLACT进行了相应的改进;使用工业相机采集货箱的堆垛图像,利用Labelme标注图像制作数据集,并且通过数据增强方法扩充数据集;为了提高模型的分割准确率,分别对掩码真值和YOLACT中的原型掩码输出分支(Protonet)的预测掩码使用Canny边缘检测算子,并取二者的二值交叉熵损失作为损失函数加入到原网络中训练;使用训练好的最优模型对测试集图像数据进行试验;结果表明,改进后的模型预测掩码mAP_0.5:0.95可以达到0.543,比原模型提高2.2%,同时货箱边缘的分割精度也得到了一定的提升,模型推理速度可达10.2帧/秒,可以满足精度要求和生产节拍要求。     

一种辅助新型冠状病毒肺炎检测的肺实质分割算法

新型冠状病毒肺炎给人类健康及社会经济造成了巨大的负面影响,而X光胸片中的肺实质提取成为新型冠状病毒肺炎诊断过程中的关键环节.在U-Net的基础上,提出一种结合编解码模式的肺实质分割算法.应用特征融合思想,构建A形特征融合模块,充分学习深层特征的语义信息.引人注意力机制,在深层卷积神经网络中加入密集空洞卷积模块和残差多核...     

前馈我层神经网络的一种优质高效学习算法

本文对ＢＰ算法的突出 问题－收敛性问题，进入了深入分析，提出了六条改进措施。在微机上 试表明，用于ＸＯＲ问题，迭代４０次，均方误差Ｅ＝６．１９Ｅ－５，迭代５０次，Ｅ＝１．５５Ｅ－３８；用于故障诊断，收敛效果也极佳。     

一种基于改进ResU-Net的角膜神经分割算法

角膜神经图像的自动分割对于糖尿病神经病变等疾病的诊断与筛查至关重要。针对由于角膜神经图像存在对比度低且包含非神经结构而造成分割效率较低的问题,在ResU-Net结构基础上引入多尺度残差、注意力机制、多尺度图像输入与多层损失函数输出模块,提出一种基于注意力机制的角膜神经分割算法。多尺度残差模块通过在残差模块中加入多尺度表征信息以提高卷积层提取多尺度特征的能力,而注意力机制模块在双重注意力作用下,利用网络对编码器与解码器中的目标特征进行权重优化,使得在增强图像目标区域特征的同时抑制背景及噪声区域,并采用多尺度图像输入与多层函数输出模块以监督网络中每一层的特征学习。实验结果表明,与主流分割算法相比,该算法的分割效果更优,且曲线下面积与敏感度分别可达到0.990和0.880。     

一种基于损失函数的SVM算法在P2P流量检测中的应用

P2P流量逐渐成为互联网流量的重要组成部分,但在对Internet起巨大推动作用的同时,也带来了因资源过度占用而引起的网络拥塞以及安全隐患等问题,妨碍了网络业务的正常开展.首先介绍了各种P2P流量识别方法及其优缺点,然后提出一种基于损失函数机制的支持向量机算法,用于实时P2P流量检测,并构建了一个基于本算法的检测控制模型.实验结果显示,该算法更符合P2P流量的实际检测要求,具有更好的检测精度.     

前馈多层神经网络的一种优质高效学习算法

本文对ＢＰ算法的突出问题——收敛性问题，进行了深入分析，提出了六条改进措施．在微机上试验表明，用于ＸＯＲ问题，迭代４０次，均方误差Ｅ＝６．１９Ｅ－５，迭代５０次，Ｅ＝１．５５Ｅ－３８；用于故障诊断，收敛效果也极佳     

一种基于哈希函数及能量均衡的事件查询算法

在无线传感器网络中对于无固定位置的事件及查询是个重要的研究课题。结合高效及最大化网络生命周期,提出了一种基于哈希函数及能量均衡的事件查询算法。在该算法中,一个传感器节点只需要关心自己通信范围内的邻居节点,不需要知道整个网络的状况,算法具有冗余数据少、查询能耗小、网络生命周期长、实现简单等特点。借助OMNET++网络模拟器进行仿真实验,与经典路由算法比较,结果表明本算法能快速高效地进行事件查询,同时最小化及均衡能量消耗,延长了网络生命周期。     

一种基于通道重排的轻量级目标检测网络

Tiny YOLO和YOLOv3-tiny作为2种轻量级目标检测算法以其突出的速度表现而闻名。本文以这2种网络模型为基础,结合分组卷积并改进通道重排算法,改进了原来的损失函数,构建了一种新的更快的网络模型,通过改进YOLOv3的损失函数而增加其检测准确度。在PASCAL VOC数据集和COCO数据集上分别训练并且测试,该网络模型每秒处理的速度超过265张图片,Map值达到55.8%,准确度超过Tiny YOLO且与YOLOv3-tiny相仿。     

一种注意力机制与SRGAN网络结合的超分辨率算法

超分辨率是指将一张低分辨率图片转换成高分辨率,在军事领域、工业领域等都有着重要作用.基于生成对抗网络(GAN)的超分变率方法,主要是根据生成对抗网络原理,由生成器生成一张伪高分辨率图片,再由鉴别器计算这张图片与真实高分辨率图片的差值,来衡量这张图片的真实程度.本文基于SRGAN(Super-resolution Generative Adversarial Network)网络主要进行了3点改进:1)引入了注意力通道机制,即在SRGAN网络中加入CA(Channel Attention)模块,同时增加网络深度以更好的表达高频特征; 2)删除原有的BN(Batch Normalization)层以提升网络性能; 3)修改损失函数,以减少噪声对图片的影响.通过实验表明,本文所采用的方法改善了伪影问题,在Set5、Set10、BSD100测试集上均提升了PSNR(峰值信噪比).     

一种结合注意力残差的肝脏及肝肿瘤分割算法

长时间的肝脏医学图像人工诊断容易使医生产生疲劳,导致误诊和漏诊情况发生。针对以上现象提出一种改进的Unet网络用于肝脏和肝肿瘤自动分割。改进Unet模型,引入注意力残差结构和特征复用结构,提高输入图像中特征信息的利用效率;对损失函数进行改进,在Dice系数中加入欠分割和过分割惩罚因子,提高模型的预测能力。在公开数据集上的实验结果表明：该算法对肝脏和肝肿瘤的分割相似系数分别达到了0.962和0.713,优于现有的分割模型且具有较强的鲁棒性。     

一种节能的无线磁敏传感节点车辆检测算法

提出一种无线磁敏传感节点进行车辆检测的新算法,即自适应窗口距离算法。利用磁敏信号背景窗口与当前窗口的信号特征距离检测车辆信号的端点,在地磁场背景中分离出车辆到来与车辆离开事件而进行道路车辆检测,降低了长型慢速车辆的冗检率及快速车辆的漏检率。基于无线传感网络应用中对算法节能的要求,本算法应用可变化周期的“Duty-cycling”策略,在基本不影响检测准确率的情况下,降低节点能耗。选用Honeywell HMC1051Z及NVEGMR磁敏传感器采集样本库进行仿真,结果表明本算法较ATA算法具有更高的检测准确率（97％以上）,且鲁棒性更强,节能性更好,节点的寿命更长。     

基于ShuffleNet的多尺度高效脑肿瘤分割网络

为解决硬件平台资源受限条件下精准实现脑肿瘤区域分割的需求,提出一种基于ShuffleNet的多尺度高效脑肿瘤分割网络。首先以ShuffleNet为基础构建深层特征提取网络,并加入多路平行卷积层和混合感受野增强网络的多尺度信息提取能力;其次,使用深度可分离卷积降低网络的参数量;最后提出一种加权混合损失函数缓解了数据类别不平衡对脑肿瘤分割的影响,提高了网络分割的稳定性。实验选取BraTS2019数据集进行训练和验证,并在BraTS2021临床病人数据集上进行临床测试。结果表明,所提的深层轻量级网络大幅度降低了参数量和计算量,同时具有较高的分割精度,且在增强肿瘤区域的分割问题上有更好的表现。     

客户导向目录分割问题的改进算法

客户导向目录分割问题假设顾客至少对目录中一定数量的商品感兴趣,计算目录覆盖的顾客数量,据此评估目录分割结果. 现有的分割算法为了保证目录尽可能多的覆盖顾客,而忽略了目录分割结果的效用. 针对该问题,本文构建一种新的数据存储结构CFP-Tree用于存储顾客交易数据,并提出一种新的算法Effective-Cover解决目录分割问题. 该算法使用树深度遍历法选择目录产品. 实验结果表明,该算法能够获得更好的目录分割结果.     

基于改进U-Net网络的隧道裂缝分割算法研究

针对复杂背景下隧道的细小裂缝图像特征难以提取以及裂缝像素类别不平衡等问题,提出了一种改进U-Net网络的隧道裂缝分割算法。将U-Net模型的编码器和解码器与残差模块相结合,使得网络参数共享,并避免出现深层网络梯度消失的问题;在此结构基础上引入挤压和激励（Squeeze and Excitation,SE）模块来提升重要特征,抑制无用特征,加强对裂缝边缘和形状等特征的权重分配;采用组合损失函数来处理裂缝像素正负样本不平衡的问题,进一步获得更加精细的分割结果。在公共隧道裂缝数据集和自制数据集上设计对比实验来验证改进模型的有效性。结果表明：该算法对裂缝的分割精度均优于其他方法,F1-Score分别达到了76.36%和75.46%,并且运行速度也有明显的提升,可以很好地满足实际工程的应用需求。     

改进的基于YOLOv3的人脸检测算法

针对因背景与人脸高度相似和人脸目标尺度过小而导致的人脸检测精度较低的问题,提出了一种改进的基于YOLOv3的人脸检测算法。首先使用遗传算法改进原算法中随机初始化的影响,生成更符合目标大小的预测框,其次用轻量级网络改进原特征提取网络,提高人脸检测速度,最后使用边框回归损失代替YOLOv3坐标损失函数并改进置信度损失函数以提升训练收敛速度和结果精度。所设计的算法模型在Wider Face数据集上的检测精度和速度得到了提升。     

基于YOLO的钢缆表面损坏检测

为了解决检测钢缆表面损坏时检测设备资源有限、时间过长等问题,将深度学习的先进技术以及卷积神经网络(CNN)应用于钢缆表面损坏检测.提出了一种基于YOLO的缺陷检测网络模型,将GhostNet融入主干网络,并基于ShuffleNet及注意力机制提出了新的特征提取模块(ShuffleC3),再对Head部分进行剪枝改进.实验结果表明,改进后网络相比基线YOLOv5s的平均精度提高1.1%,参数量和计算量分别降低了43.4%和31%,模型大小减少了42.3%.可以在降低网络计算成本的同时,保持较高的识别精确度,更好地满足了对钢缆材料表面损坏检测的要求.     

基于改进深度度量学习算法的表面缺陷检测

为了解决小批量、多品种工业产品的表面质量检测问题,提出一种基于改进深度度量学习的缺陷检测算法.该算法对VGG16网络模型做改进,更有利于原始图像的隐空间映射.针对产品表面缺陷检测的任务,提出条件三元组损失函数以加强神经网络的拟合能力.同时,在隐空间中进行缺陷判定时,抛弃原始度量学习中基于KNN算法的归类方法,提出基于高...     

融合自注意力的SOFC表面缺陷图像分割

固体氧化物燃料电池(SOFC)表面缺陷的图像分割, 对单片SOFC质量检测具有重要意义. 针对单片SOFC表面缺陷图像边缘模糊、背景复杂等问题, 提出一种融合自注意力的SOFC表面缺陷图像分割方法. 首先, 提出多通道自注意力模块, 以增强多通道间关联和提升通道表示; 其次, 利用多尺度注意力融合模块, 进一步提升网络对不同尺度缺陷特征的提取能力; 最后, 提出三元联合损失函数对训练过程进行监督. 实验表明, 提出方法在提升网络分割性能的同时可有效提取单片SOFC表面缺陷.     

基于YOLOv7的交通目标检测算法研究

针对交通场景中由光照、遮挡、目标小以及背景复杂等因素导致目标检测精度低,易出现漏检和误检问题的情况,提出了一种基于YOLOv7的交通目标检测算法;该算法在主干网络中融入多头注意力机制,以增强网络特征学习能力,从而更好地捕获数据和特征内部的相关性;在YOLOv7颈部网络引入协调注意力模块(CA),将位置信息嵌入到注意力机制中,忽略无关信息的干扰,以增强网络的特征提取能力;增加一个多尺度检测网络,以增强模型对不同尺度目标的检测能力;将CIoU损失函数更改为SIoU函数,以减少模型收敛不稳定问题,提高模型的鲁棒性;实验结果表明,改进的算法在BDD100K公开数据集上的检测精度和速度分别达到了59.8% mAP和96.2 FPS,相比原算法检测精度提高了2.5%;这表明改进的算法在满足实时性要求的同时,具备良好的检测精度,适用于复杂情况下的交通目标检测任务。