【摘 要】
：
针对当前农作物病害分割与识别模型病斑分割精度低、数据集不充分、训练速度过慢等问题，构建了一种基于改进的U-Net网络多尺度番茄叶部病害分割算法。在U-Net网络结构基础上进行改进，减小图像输入尺寸，在编码器中使用非对称Inception多通道卷积替换传统卷积，实现多尺度提取病害特征，提升模型准确度；在解码器中加入注意力模块，关注番茄病害边缘，减小上采样噪声；引入GN加速模型收敛，并将改进U-Net
论文部分内容阅读
针对当前农作物病害分割与识别模型病斑分割精度低、数据集不充分、训练速度过慢等问题，构建了一种基于改进的U-Net网络多尺度番茄叶部病害分割算法。在U-Net网络结构基础上进行改进，减小图像输入尺寸，在编码器中使用非对称Inception多通道卷积替换传统卷积，实现多尺度提取病害特征，提升模型准确度；在解码器中加入注意力模块，关注番茄病害边缘，减小上采样噪声；引入GN加速模型收敛，并将改进U-Net网络在PlantVillage数据集上进行预训练，提高模型的分割准确度和速度。改进后的方法准确率、召回率
其他文献
人体实例分割是以人为中心的场景理解和识别的核心问题。然而人体实例体型的差异性、人们之间的互动等导致了空间关系的复杂性，给分割任务带来了极大的挑战。目前主流的实例分割方法大都严重依赖于物体的边界框检测，因此通常无法很好的将两个高度重合的对象分开。本文利用已经具有完备数据标注的人体骨骼特征为人体实例分割任务提供先验知识，提出了一种双流的网络结构用来分别提取骨骼特征和图片上下文特征。接着，特征融合模块(
随着人民生活水平的提高和红酒文化的发展，建立一个高效的自动化酒标图像检索系统变得越来越重要。然而，实际的酒标图像数据集普遍存在着类别样本量的不均衡、许多类样本量偏少的现象，使得基于深度学习的酒标图像检索模型难以进行有效的训练和参数学习。因此，对酒标图像进行数据增强操作就变得更为必要和迫切。为了解决这个问题，本文提出了一个专门针对于酒标图像数据进行变换和扩展的数据增强算法。它将酒标以立体的形式展示在
针对弱光环境下采集到的图像存在的欠曝光问题，提出了一种基于光照补偿的HSV空间多尺度Retinex图像增强算法。该算法首先在HSV空间下将原始亮度分量同等代换为本征突出层和照明补偿层；然后采用改进的双边核函数(Improved bilateral kernel function,IBKF)处理本征突出层，并根据多尺度Retinex得到反射层；接着通过麻雀搜索优化双边伽马函数来处理照明补偿层，同时在
针对YOLOv4在焊缝X射线探伤缺陷图中检测精度与召回率低的问题，设计了YOLOv4-cs算法。该算法改进了YOLOv4的卷积方式，减少大量模型训练参数，其次通过去除下采样，及在52×52的特征层中融合第二个残差块得到的特征图的方式提高模型检测精确率，与此同时利用k-means对数据集重新聚类，修改YOLOv4模型的先验框。实验结果表明，YOLOv4-cs在识别铝合金焊接接头X射线三种缺陷的召回率
聚乙烯（Polyethylene,PE）燃气管道的电熔焊接状况可通过相控阵系统拍摄的超声波图像获得，但是否存在焊接缺陷目前都是由专业人员人工识别每张图片中的特征线、电阻丝、底面回波线等与缺陷相关的信息，进而确定缺陷类别和等级，这种方法费时、费力且容易发生漏检和错检现象。本文针对PE管道电熔焊接缺陷的识别问题提出了一种基于图像处理技术的焊接缺陷自动识别方法，同时判断超声图像中存在缺陷的类别和等级。该
为探明利用机器学习方法对表层土壤氢氧稳定同位素组成（δ~(2)H和δ~(18)O）进行空间模拟的可行性，揭示δ~(2)H和δ~(18)O在岷江上游流域的大尺度分布变化规律，在该区域共采集183个0～10 cm土层样本进行氢氧稳定同位素分析。通过变量筛选后，分别采用反向传播（BP）神经网络、随机森林（RF）和支持向量机（SVM）建立研究区浅层土壤δ~(2)H和δ~(18)O的模型并进行精度评价，通过
本文提出融合深度图像先验的全变差（total variation，TV）图像着色模型，在即插即用（plug-and-play，PnP）框架下，结合交替方向乘子法（alternating direction method of multipliers，ADMM），设计出相应的数值求解算法，并给出该算法的收敛性结果。数值实验结果表明：该模型能有效整合耦合TV边缘捕获和卷积神经网络（convolutio
在三维点云数据特征提取过程中，点云数据本身的稀疏性和不规则性会影响输入数据的全局特征表示，且现有方法未考虑不同特征通道的重要性差异，不利于点云特征的全局优化。提出一种基于多分组表征和注意力机制的MANet网络进行三维点云特征描述。首先，为获得完整的点云特征信息，将点云数据输入多分组表征模块获得初始点云特征。然后，为学习点云不同通道的重要性，引入新的通道注意力机制强调对特征表示重要的通道，抑制不重要
工程应用中往往异常样本匮乏，监督学习方法无法应用。针对这一问题，本文提出了一种只需要正常样本就可进行训练的嵌入残差结构的编码-解码网络，具有很好的特征表达和图像重构能力。判别器是一个分类网络，用以鉴别输入是否为真实的正常样本。本文在标准数据集CIFAR-10和工业设备部件数据集上进行了对比实验，实验结果表明本文提出的异常检测模型具有更高的检测精度。
针对现有深度学习图像修复算法修复壁画时，存在特征提取不足、以及细节重构丢失等问题，提出了一种多尺度特征和注意力融合的生成对抗壁画修复深度学习模型。首先，设计多尺度特征金字塔网络提取壁画中不同尺度的特征信息，增强了特征关联性；然后，采用自注意力机制以及特征融合模块构建多尺度特征生成器，以获取丰富的上下文信息，提升网络的修复能力；最后引入最小化对抗损失与均方误差促进判别器的残差反馈，从而结合不同尺度的