传统的图像识别和目标检测方法都需要手工提取图像特征,由于手工都是基于低级图像特征进行提取的,难以捕捉到高级语义特征,而且泛化能力和鲁棒性也较差。本文通过使用深度学习中的Faster-Rcnn网络在矿井下对人员进行检测,通过井下摄像...传统的图像识别和目标检测方法都需要手工提取图像特征,由于手工都是基于低级图像特征进行提取的,难以捕捉到高级语义特征,而且泛化能力和鲁棒性也较差。本文通过使用深度学习中的Faster-Rcnn网络在矿井下对人员进行检测,通过井下摄像机采集到井下人员图像,将图像输入到神经网络中进行特征提取,然后通过R P N(区域建议网络)得到井下图像初步的人员检测和定位,通过ROIPooling得到具有目标的特征图,输入到全连接层中进行分类与坐标回归,最后得到精确的人员检测图。展开更多
小麦麦穗智能识别在产量预估、种子筛选、农田密度估计等方面具有一定的科研价值和应用价值。传统的麦穗识别方法效率低且浪费人力,因此提出以无人机高清图像为数据源,基于卷积神经网络建立Mask-RCNN深度神经网络的小麦麦穗自动识别模型...小麦麦穗智能识别在产量预估、种子筛选、农田密度估计等方面具有一定的科研价值和应用价值。传统的麦穗识别方法效率低且浪费人力,因此提出以无人机高清图像为数据源,基于卷积神经网络建立Mask-RCNN深度神经网络的小麦麦穗自动识别模型,以平均精准均值(Mean Average Precision,MAP)和预测准确率(Precision)作为模型的评价指标。实验结果表明,Mask-RCNN麦穗识别模型的MAP达到72.32%,准确率达到95.2%,说明基于Mask-RCNN的麦穗识别模型是一种高效准确的识别方法,具有一定的实用价值。展开更多
文摘传统的图像识别和目标检测方法都需要手工提取图像特征,由于手工都是基于低级图像特征进行提取的,难以捕捉到高级语义特征,而且泛化能力和鲁棒性也较差。本文通过使用深度学习中的Faster-Rcnn网络在矿井下对人员进行检测,通过井下摄像机采集到井下人员图像,将图像输入到神经网络中进行特征提取,然后通过R P N(区域建议网络)得到井下图像初步的人员检测和定位,通过ROIPooling得到具有目标的特征图,输入到全连接层中进行分类与坐标回归,最后得到精确的人员检测图。
文摘小麦麦穗智能识别在产量预估、种子筛选、农田密度估计等方面具有一定的科研价值和应用价值。传统的麦穗识别方法效率低且浪费人力,因此提出以无人机高清图像为数据源,基于卷积神经网络建立Mask-RCNN深度神经网络的小麦麦穗自动识别模型,以平均精准均值(Mean Average Precision,MAP)和预测准确率(Precision)作为模型的评价指标。实验结果表明,Mask-RCNN麦穗识别模型的MAP达到72.32%,准确率达到95.2%,说明基于Mask-RCNN的麦穗识别模型是一种高效准确的识别方法,具有一定的实用价值。
