摘要：【目的】将深度学习算法应用于甲骨文拓片的自动检测与识别中,助力传统文化的研究与普及。【方法】针对甲骨文拓片的图像特点创建数据集,在mask r-cnn算法基础上,使用三元组损失函数和旋转角度回归技术进行优化,提高甲骨文字分类的准确性。【结果】对于训练数据集,甲骨文字符召回率为82%,检测和识别准确率均可达到95%,能够满足项目预计的技术指标要求。【局限】在文字残缺严重或漫漶等情境下,算法性能有待提升。【结论】模型具备实际使用价值,可进一步完善并推广应用。

摘要：针对规模化笼养肉鸭舍内死鸭识别采用人工作业方式时,存在作业效率低、劳动强度大、养殖成本高等问题,以层叠式笼养肉鸭为研究对象,提出了一种基于深度学习的笼养死鸭识别方法。为了采集数据,首先面向立体层叠式养殖环境设计了一款适用于肉鸭舍的自主巡检装备。针对笼养肉鸭舍铁丝网遮挡严重的问题,基于机器视觉对笼网进行修复,基于OpenCV对图像进行增强处理。构建了一种基于mask r-cnn的死鸭识别模型,采用Swin Transformer对模型进行优化,解决了mask r-cnn网络缺乏整合全局信息能力的问题。对比分析了SOLO v2、mask r-cnn和mask r-cnn+Swin Transformer模型识别笼内死鸭准确率。实验结果表明,在平均精度均值为90%的条件下,mask r-cnn+Swin Transformer模型对笼内死鸭总体识别准确率可达95.8%,在自主巡检装备上的检测效果优于其他主流的目标检测算法。

摘要：在临床上,分割脑CT图像上的各个脑区并建模,可以更好地观察病变与各器官的位置关系。目前医生主要通过人工勾画的方式进行分割,不仅费时、费力,而且还容易受主观因素影响。提出一种基于数据扩增和迁移学习的mask r-cnn卷积神经网络算法,可以更快速地在脑CT图像上自动分割出易受脑出血危及的脑区,如小脑、脑干、基底节区和背侧丘脑等部位。针对2020年7月—2020年12月的100名健康人的1549张脑CT图像,选取其中的80例,共1239张图像作为训练集,其余的20例,共310张图像作为测试集,然后采用mask r-cnn框架进行训练和预测,最终输出各脑区的坐标、名称与mask掩模。为研究数据扩增和迁移学习对模型训练效果的提升,分别设计了数据扩增和迁移学习的实验,以及U-Net模型的对照组。数据扩增组通过旋转的方式进行数据扩增,将训练集扩增至13629张图像;迁移学习组在MS-COCO上训练好的权重基础上,进行迁移学习。其中,迁移学习组的效果最好。在迁移学习的实验中,测试集m AP为0.9097,平均IOU为0.7362,脑干、小脑、基底节区和背侧丘脑的测试集平均DICE值分别为0.9025、0.8795、0.7818、0.8284。而未进行数据扩增和迁移学习的m AP和平均IOU分别为0.8708、0.7159;数据扩增组则为0.8941、0.7297;U-Net组则为0.8390、0.6711。研究显示,mask r-cnn卷积神经网络模型可以较好地应用于脑出血常见部位的自动分割,且迁移学习对模型训练效果的提升较大。

摘要：目的海洋锋的高效检测对海洋生态环境变化、渔业资源评估、渔情预报及台风路径预测等具有重要意义。海洋锋具有边界信息不明显且多变的弱边缘性,传统基于梯度阈值法及边缘检测的海洋锋检测方法,存在阈值选择不固定、判定指标不一致导致检测精度较低的问题。针对上述问题,基于mask r-cnn(region convolutional neural network)提出一种改进的海洋锋自动检测方法。方法兼顾考虑海洋锋的小数据量及弱边缘性,首先对数据扩增,并基于不同算法对海表温度(sea surface temperatures,SST)遥感影像进行增强;其次,基于迁移学习的思想采用COCO(common objects in context)数据集对网络模型进行初始化;同时,对mask r-cnn中残差神经网络(residual neural network,resNet)和特征金字塔模型(feature pyramid network,FPN)分别进行改进,在充分利用低层特征高分辨率和高层特征的高语义信息的基础上,对多个尺度的融合特征图分别进行目标预测,提升海洋锋的检测精度。结果为验证本文方法的有效性,从训练数据和实验模型上分别设计多组对比实验。实验结果表明,相比常用的mask r-cnn和YOLOv3(you only look once)神经网络,本文方法对SST梯度影像数据集上的海洋锋检测效果最好,海洋锋的定位准确率(intersection over union,IoU)及检测平均精度均值(mean average precision,mAP)达0.85以上。此外,通过对比分析实验结果发现,本文方法对强海洋锋的检测效果明显优于弱海洋锋。结论本文根据专家经验设立合理的海洋锋检测标准,更好地考虑了海洋锋的弱边缘性。通过设计多组对比实验,验证了本文方法对海洋锋的高精度检测效果。

摘要：服装图像实例分割是人工智能辅助服装设计中的关键环节,为实现对服装图像中细粒度属性的识别与定位,提出了基于深度学习的细粒度分割方法。该方法在原始mask r-cnn的基础上,改进resNet残差网络的结构,并在主干层网络中引入双向特征融合模块和双重注意力机制,从而提高模型的特征提取能力,在缩短信息路径的同时帮助网络模型关注更重要的区域。将该分割网络在iMaterialist Fashion数据集上进行验证与评价,结果表明该分割网络较原模型相比分割精度提高了约2.7%,该方法能够更加精准地进行细粒度实例分割,可为人工智能辅助服装设计的视觉系统研究提供新的思路。

摘要：海洋锋是重要的中尺度海洋现象,具有数据量小、目标小、弱边缘等特性。针对实际检测任务中弱边缘、小目标海洋锋的检测精度低、错检及漏检率高等问题,融合scSE(spatial and channel Squeeze&Excitation)空间注意力模块构建了一种改进的mask r-cnn海洋锋检测模型。该方法首先对mask r-cnn骨干网络结构进行改进,采用scSE模块引导的resNet-50网络作为特征提取网络,通过加权策略对图像通道和空间位置进行特征突出,提升网络对重要特征的提取能力;其次,针对海洋锋目标边缘定位不准确的问题,引入IoU boundary loss构建新的mask损失函数,提高边界检测精度。最后,为验证方法的有效性,从训练数据和实验模型上,分别设计多组对比实验。实验结果表明,相比传统mask r-cnn、YOLOv3神经网络及现有mask r-cnn改进网络,本文方法对SST梯度影像数据集上的强、弱海洋锋检测效果最好,定位准确率(IoU,Intersection-over-union))及检测精度(mAP,Mean Average Precision)均达0.914以上。此外,对文中设计评估模型进行检测效率实验,结果发现在不同网络模型、不同迭代次数情况下,本文提出模型消耗时间最短,远低于YOLOv3网络完成训练时所用时长。

摘要：交通标志的检测与识别是智能驾驶导航系统的重要组成部分,但传统方法的处理过程由于精度低、时间复杂度高以及鲁棒性差等缺点,不能满足当前智能驾驶的需求。为此,提出了一种基于mask r-cnn的无人机影像路面交通标志检测与识别方法。首先,制作了一套高质量的无人机影像路面交通标志数据集;然后,根据统计的200个标记路标特征,对mask r-cnn中区域候选网络(region proposal network,rPN)结构的锚框宽高比及初始参数进行了改进,使其更好地应用于无人机影像路标场景;最后,采用精确度-召回率(precision-recall,Pr)曲线和平均精度值(mean average precision,mAP)进行精度评价。实验结果表明,锚框宽高比为1∶1,1∶2,1∶3时效果更好;该方法得到的识别结果平均检测精度为98.33%,高于Faster r-cnn和YOLOv3方法,具有较好的有效性。

摘要：针对化妆棉棉片缺陷人工检测效率低、精度低的问题,提出一种改进mask r-cnn的化妆棉棉片缺陷检测方法。在mask r-cnn的基础上使用resNet50作为特征提取网络,引入深度卷积网络来提高缺陷特征的学习能力。通过设计多信息融合特征金字塔网络来提高小面积缺陷的检测,引入注意力机制模块来减少漏检和误检现象,构造优化的损失函数来降低样本不平衡对结果的影响。通过试验验证了该算法的有效性,结果表明,改进后的mask r-cnn模型平均检测精度达95.7%,召回率达88.1%,整体性能明显优于原始的mask r-cnn、Faster r-cnn、SSD和YOLOv5算法模型,能准确检测出常见的化妆棉棉片缺陷。

摘要：针对不同的矿石类型进行选矿工艺参数设置和操作有利于保障精矿质量,提高回收率和降低物资消耗。由于缺乏矿石类型实时检测有效手段,选矿过程的精准操作目前较难实现。为此,本文提出一种全面改进的mask r-cnn矿石类型检测算法。算法步骤:①使用resNetV1d-50提取矿石图像各阶段的特征图,并在主干网络中加入可变形卷积以便增强异形矿石的特征;②改进FPN,通过在主干网络的C5特征层加入特征残差模块,并融合到P5特征层,得到具有更强语义信息的多尺度特征图;③改进rPN,设计自适应的正样本IOU选取方案来匹配宽高比异常的矿石,进一步提高异形矿石的识别精度;④在roIAlign网络基础上加入Global-Context,以提高小矿石的检测能力;⑤在数据增强和训练技巧方面对模型进行改进。结果表明,本文算法的平均精度为67.92%,平均交并比为63.54%,分别比基准模型提高了13.67%和9.71%。本文研究方法在矿石类型识别领域具有较好的应用价值。

摘要：牛的体尺数据是衡量牛生长发育及科学育种的重要依据。为解决人工测量牛体尺时工作量大、牛应激反应剧烈等问题,提出一种基于mask r-cnn的图像分割的牛体尺测量的方法。通过摄像头采集牛的图片,利用mask r-cnn算法进行图像分割,提取牛体轮廓曲线并对曲线进行平滑处理,对于轮廓曲线采用分区法提取特征区域,在特征区域内利用U弦长曲率法计算曲率最大点,即为体尺测点,进而计算牛体尺数据信息。基于Ubuntu系统、Pytorch深度学习框架设计了牛体尺测量系统,在实验室验证的基础上对牧场5头牛进行现场试验,经验证,对牛体体高的实测值平均相对误差较小,其平均相对误差为4.94%;其次为体长,平均相对误差为6.84%;而对牛体体斜长检测误差较大,平均相对误差为8.36%。相比较于canny算子等传统方法提取牛体轮廓,mask r-cnn提取目标物体轮廓更适用于复杂背景。本研究可应用于牛体无应激测量计算体尺,有利于牛精细化养殖以及建立生长电子档案。