CN113496159A - 一种多尺度卷积与动态权重代价函数的烟尘目标分割方法 - Google Patents

一种多尺度卷积与动态权重代价函数的烟尘目标分割方法 Download PDF

Info

Publication number
CN113496159A
CN113496159A CN202010203743.4A CN202010203743A CN113496159A CN 113496159 A CN113496159 A CN 113496159A CN 202010203743 A CN202010203743 A CN 202010203743A CN 113496159 A CN113496159 A CN 113496159A
Authority
CN
China
Prior art keywords
smoke
convolution
scale
cost function
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010203743.4A
Other languages
English (en)
Other versions
CN113496159B (zh
Inventor
刘辉
张俊鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202010203743.4A priority Critical patent/CN113496159B/zh
Publication of CN113496159A publication Critical patent/CN113496159A/zh
Application granted granted Critical
Publication of CN113496159B publication Critical patent/CN113496159B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种多尺度卷积与动态权重代价函数的烟尘目标分割方法，属于图像处理技术领域。实现步骤为：根据工业摄像机拍摄的烟尘排放视频制作烟尘图像数据集并进行数据扩充；构建用于烟尘目标分割的多尺度卷积全卷积网络模型；使用烟尘图像训练集，结合动态权重代价函数对多尺度全卷积网络模型进行训练；使用生成的多尺度全卷积网络模型对烟尘测试集中的烟尘图像进行烟尘目标分割，得到烟尘目标分割结果；通过F度量和交并比指标对烟尘目标分割结果进行量化评价。本发明与现有技术相比，通过多尺度卷积操作融合多个尺度的烟尘特征，解决了单一尺寸卷积核的特征提取能力有限的问题，通过结合动态权重的代价函数，解决了现有技术对难分类目标训练效率不高的问题。从而解决现有技术对复杂场景下烟尘目标分割不准确的问题，提高抗干扰能力。

Description

一种多尺度卷积与动态权重代价函数的烟尘目标分割方法
技术领域
本发明涉及图像处理(Image Processing)领域，特别是涉及一种多尺度卷积与动态权重代价函数的烟尘目标分割方法。
背景技术
工业烟尘是大气污染的主要来源，对工业烟尘排放进行监测并及时采取治理措施，对大气污染治理有着重要意义。随着图像识别技术的快速发展，有学者提出将烟尘图像识别方法用于烟尘排放实时监测任务中，基本思想在于通过分析烟尘图像特征与林格曼黑度系数之间的对应关系，从而实现自动快速的判定当前烟尘污染等级。基于计算机视觉的工业烟尘监测任务需要实现以下过程：烟尘图像采集，烟尘图像分割，以及烟尘区域特征提取及分析，特征识别与污染等级判定。其中，将烟尘目标区域从背景图像中准确分割是实现烟尘污染等级图像监控的关键和难点所在。
已有的烟尘目标分割方法可以分为阈值法，差分法，纹理法以及深度学习的方法。阈值法首先根据图像的灰度直方图确定阈值，再根据该阈值划分图像中每一个像素的类别，张晓梅等人将阈值分割法应用于烟尘图像分割，并使用最大方差法确定分割阈值。该方法易于实现但容易受到天气和光照的影响。差分法通过对多张图像的计算检测其中的运动目标，可以分为帧间差分法和背景建模法，但因为差分法检测的是所有移动的物体，包括飞过的鸟类等干扰物也会被检测出来，所以抗干扰性不强。纹理分析法根据烟尘的纹理特性区分烟尘和背景，Hsu Y C等人设计了包含五个向量的滤波器组用于检测图像中属于烟尘的纹理特征，但该方法过于依赖人工设计的特征，以至于方法的适应性不强，应用于不同场景时表现不佳。目前，深度学习被广泛应用于图像领域任务中，相比于以上几种传统数字图像处理的方法的适应性更强，邓林等人提出使用BP神经网络进行视频中的烟尘检测，此方法可以有效地检测视频中的烟雾，同时具备一定的抗干扰能力，但是在干扰较多、场景变化较大的情况下，检测效果会有所下降。王文哲等人通过训练全卷积网络，得到像素级的烟尘分割结果。但该方法容易受到背景中物体的干扰。
因此，现有方法对复杂场景下的烟尘目标分割准确度仍然有待提高。
发明内容
本发明的目的是提供一种多尺度卷积与动态权重代价函数的烟尘目标分割方法，以用于解决现有技术对复杂场景下烟尘分割不准确的问题，提高抗干扰能力。
为实现上述目的，本发明提供了如下方案：
一种多尺度卷积与动态权重代价函数的烟尘目标分割方法，所述方法的具体步骤如下：
步骤1：根据工业摄像机拍摄的烟尘排放视频制作烟尘图像数据集并进行数据扩充；
步骤2：构建用于烟尘目标分割的多尺度卷积全卷积网络模型；
步骤3：使用烟尘图像训练集，结合动态权重代价函数对多尺度全卷积网络模型进行训练；
步骤4：使用生成的多尺度全卷积网络模型对烟尘测试集中的烟尘图像进行烟尘目标分割，得到烟尘目标分割结果；
步骤5：通过F度量和交并比指标对烟尘目标分割结果进行量化评价。
可选的，所述步骤1的具体步骤如下：
步骤1.1：通过对工业摄像机拍摄的烟尘排放视频进行截取，提取烟尘图像；
步骤1.2：通过图像标注程序标记出烟尘图像中的烟尘区域，制作监督训练所需的标签，制作的标签为二值图像，其中烟尘像素值是1，背景像素值是0；
步骤1.3：通过水平翻转、多个角度旋转操作对步骤1.2的结果进行数据增强以扩充数据集；
步骤1.4：将步骤1.3的结果划分为训练集和测试集。
可选的，所述步骤2的具体步骤如下：
步骤2.1:多尺度卷积的全卷积网络的下采样部分构建，下采样部分主要由卷积层和池化层组成，卷积层1～5的卷积核尺寸为3×3，池化层过滤器尺寸均是2×2，卷积层6中包含1×1，3×3，7×7三个不同尺寸的卷积操作以及一个池化层分支，通过多尺度卷积提取多种烟尘特征，四个分支的结果在深度上进行拼接后作为下一层的输入，卷积层7和卷积层8的卷积核尺寸是1×1，经过卷积层8后输出热度图作为下采样部分的结果，热度图的通道数表示分类数目。
步骤2.2：多尺度卷积的全卷积网络的上采样部分构建，通过反卷积的方式对下采样部分的结果进行上采样操作以放大热度图的尺寸，首先对热度图进行反卷积层1的操作，尺寸扩大为2倍，再与池化层4的结果进行相加，相加后进行反卷积层2的操作，尺寸扩大为2倍后与池化层3的结果相加，最后通过反卷积层3将热度图尺寸还原为输入图像的大小。再经过softmax的归一化处理，将数值转换为概率分布。每一像素位置上有两个概率值，分别表示为烟尘概率和背景概率，比较两个概率值的大小确定该位置的分类，即为网络的输出。
可选的，所述步骤3的具体步骤如下：
步骤3.1：利用损失函数计算网络预测的误差。结合动态权重代价函数的目的是提高分类不准确的烟尘目标在总体损失中所占比例，在反向传播阶段对权重进行更多的调节；同时降低分类准确烟尘目标在总体损失中所占的比例，减弱对权重的调节。实现方式是采用一个变换后的sigmoid函数对步骤2结果的烟尘预测概率进行0～1区间内的映射，对sigmoid函数进行变换后表示为：
Figure BDA0002420235680000031
其中x表示预测概率。
将此映射值作为权重添加在交叉熵之前以动态地调整损失值在总体的损失中所占的比例，结合动态权重的代价函数为：
Figure BDA0002420235680000032
其中x表示预测是烟尘的概率，y＝1表示烟尘，y＝0表示背景。
网络损失的计算根据所述步骤2的预测结果与所述步骤1的标签通过提出的结合动态权重代价函数计算得出。
步骤3.2：通过最小化步骤3结果的网络损失实现模型的训练，通过随机梯度下降算法对各项权重进行调节，对训练集进行20轮迭代后得到最终模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提出一种多尺度卷积与动态权重代价函数的烟尘目标分割方法。本发明与现有技术相比，通过多尺度卷积操作融合不同的烟尘特征，解决了单一尺寸卷积核的特征提取能力有限的问题，通过结合动态权重的代价函数，解决了现有技术对难分类目标训练效率不高的问题。从而解决现有技术对复杂场景下烟尘目标分割不准确的问题，提高抗干扰能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例1的流程图；
图2为本发明实施例1步骤2的多尺度卷积的全卷积网络结构图；
图3为本发明实施例1的烟尘目标分割结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种多尺度卷积与动态权重代价函数的烟尘目标分割方法，能够解决现有技术对复杂场景下烟尘目标分割不准确的问题，提高抗干扰能力。
下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
如图1所示，一种多尺度卷积与动态权重代价函数的烟尘目标分割方法，所述的具体步骤如下：
步骤1：根据工业摄像机拍摄的工业烟尘排放视频制作烟尘图像数据集并进行数据扩充：
步骤1.1：通过对工业摄像机拍摄的烟尘排放视频进行截取，提取烟尘图像。具体地，提取出不同场景下的1289帧烟尘图像。
步骤1.2：通过图像标注程序标记出烟尘图像中的烟尘区域，制作监督训练所需的标签，制作的标签为二值图像，其中烟尘像素值是1，背景像素值是0。具体地，使用labelme手动标记出图像中的烟尘区域进行标签的制作。
步骤1.3：通过水平翻转、多个角度旋转操作对步骤1.2的结果进行数据增强以扩充数据集。具体地，分别对烟尘图像和对应的标签作90度，180度，270度旋转和上下翻转操作，扩充数据集至6445张。
步骤1.4：将步骤1.3的结果划分为训练集和测试集。具体地，划分训练集图像为5260张，测试集图像为1185张。
如图2所示，步骤2：构建用于烟尘目标分割的多尺度卷积全卷积网络模型：
步骤2.1:多尺度卷积的全卷积网络的下采样部分构建，下采样部分主要由卷积层和池化层组成，卷积层1～5的卷积核尺寸为3×3，池化层过滤器尺寸均是2×2，卷积层6中包含1×1，3×3，7×7三个不同尺寸的卷积操作以及一个池化层分支，通过多尺度卷积提取多种烟尘特征，四个分支的结果在深度上进行拼接后作为下一层的输入，卷积层7和卷积层8的卷积核尺寸是1×1，经过卷积层8后输出热度图作为下采样部分的结果，热度图的通道数表示分类数目。
步骤2.2:多尺度卷积的全卷积网络的上采样部分构建，通过反卷积的方式对下采样部分的结果进行上采样操作以放大热度图的尺寸，首先对热度图进行反卷积层1的操作，尺寸扩大为2倍，再与池化层4的结果进行相加，相加后进行反卷积层2的操作，尺寸扩大为2倍后与池化层3的结果相加，最后通过反卷积层3将热度图尺寸还原为输入图像的大小。再经过softmax的归一化处理，将数值转换为概率分布。每一像素位置上有两个概率值，分别表示为烟尘概率和背景概率，比较两个概率值的大小确定该位置的分类，即为网络的输出。
步骤3：使用烟尘图像训练集，结合动态权重代价函数对多尺度全卷积网络模型进行训练：
步骤3.1：利用损失函数计算网络预测的误差。结合动态权重代价函数的目的是提高分类不准确的烟尘目标在总体损失中所占比例，在反向传播阶段对权重进行更多的调节；同时降低分类准确的烟尘目标在总体损失中所占的比例，减弱对权重的调节。实现方式是采用一个变换后的sigmoid函数对步骤2结果的烟尘概率进行0～1区间内的映射，对sigmoid函数进行变换后表示为：
Figure BDA0002420235680000061
其中x表示预测概率。
将此映射值作为权重添加在交叉熵之前以动态地调整损失值在总体的损失中所占的比例，结合动态权重的代价函数为：
Figure BDA0002420235680000062
其中x表示预测是烟尘的概率，y＝1表示烟尘，y＝0表示背景。
网络损失的计算根据所述步骤2的预测结果与所述步骤1的标签通过提出的结合动态权重代价函数计算得出。
步骤3.2：通过最小化步骤3.1结果的网络损失实现模型的训练，通过随机梯度下降算法对各项权重进行调节，对训练集进行20轮迭代后得到最终模型。具体地，对于所述步骤1中训练集的5260张烟尘图像，设置学习率为0.0001，批次大小为1，迭代10000次，利用基于适应性动量估计算法的AdamOptimizer学习器训练模型，并保存训练完成的模型。
步骤4：使用生成的多尺度全卷积网络模型对烟尘测试集中的烟尘图像进行烟尘目标分割，得到烟尘目标分割结果。具体地，利用所述步骤3生成的模型对所述步骤1划分的1185张测试集烟尘图像进行图像中烟尘区域的预测，得到烟尘目标分割结果。
步骤5：通过F度量和交并比指标对烟尘目标分割结果进行量化评价。
本发明提供的一种多尺度卷积与动态权重代价函数的烟尘目标分割方法，具有以下有益效果：
(1)通过多个尺度的卷积操作融合不同的烟尘特征，解决单一尺寸卷积核的特征提取能力有限的问题；
(2)通过结合动态权重代价函数，解决了现有技术对难分类目标训练效率不高的问题。
解决了现有技术对复杂场景下烟尘目标分割不准确的问题，提高抗干扰能力。
对本发明所提出的一种多尺度卷积与动态权重代价函数的烟尘目标分割方法进行证明：
为验证本发明方法的有效性，在配备Intel(R)Xeon(R)CPU E5-2620v4@2.10GHz处理器，64G内存，NVIDIA GeForce RTX 2080Ti显卡的工作站上，使用Tensorflow框架进行实验。从实际钢厂拍摄的视频中截取1289张烟尘图像，手动标记制作标签后进行数据增强扩充数据集至6445，并划分其中5260张为训练集，1185张为测试集。设置学习率为0.001，批量为1，对训练集烟尘图像进行100000次迭代。
选择全卷积网络模型作为本发明的对比方法，训练两种模型后用测试集进行测试。量化指标对比如表1所示，烟尘分割结果对比如图3所示：
表1两种模型的量化指标对比
F度量 交并比
全卷积网络 85.34 76.91
本发明方法 89.73 79.47
从量化指标结果可以看出，本发明方法的表现较优，F度量指标达到了89.73％，交并比指标达到79.47％，相比于全卷积网络提升显著。
从烟尘分割结果可以看出，本发明方法对于复杂场景下的烟尘分割结果更准确，不容易受到非烟尘区域的干扰，得益于发明步骤2的多尺度卷积运算与步骤3的动态权重代价函数，增强了模型对不同特征烟尘分割结果的准确性，模型的抗干扰能力更强。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (4)

1.一种多尺度卷积与动态权重代价函数的烟尘目标分割方法，其特征在于，所述方法的具体步骤如下：
步骤1：根据工业摄像机拍摄的烟尘排放视频制作烟尘图像数据集并进行数据扩充；
步骤2：构建用于烟尘目标分割的多尺度卷积全卷积网络模型；
步骤3：使用烟尘图像训练集，结合动态权重代价函数对多尺度全卷积网络模型进行训练；
步骤4：使用生成的多尺度全卷积网络模型对烟尘测试集中的烟尘图像进行烟尘目标分割，得到烟尘目标分割结果；
步骤5：通过F度量和交并比指标对烟尘目标分割结果进行量化评价。
2.根据权利要求1所述的一种多尺度卷积与动态权重代价函数的烟尘目标分割方法，其特征在于：所述步骤1的具体步骤如下：
步骤1.1：通过对工业摄像机拍摄的烟尘排放视频进行截取，提取烟尘图像；
步骤1.2：通过图像标注程序标记出烟尘图像中的烟尘区域，制作监督训练所需的标签，制作的标签为二值图像，其中烟尘像素值是1，背景像素值是0；
步骤1.3：通过水平翻转、多个角度旋转操作对步骤1.2的结果进行数据增强以扩充数据集；
步骤1.4：将步骤1.3的结果划分为训练集和测试集。
3.根据权利要求1所述的一种多尺度卷积与动态权重代价函数的烟尘目标分割方法，其特征在于：所述步骤2的具体步骤如下：
步骤2.1:多尺度卷积的全卷积网络的下采样部分构建：下采样部分主要由卷积层和池化层组成，卷积层1～5的卷积核尺寸为3×3，池化层过滤器尺寸均是2×2，卷积层6中包含1×1，3×3，7×7三个不同尺寸的卷积操作以及一个池化层分支，通过多尺度卷积提取多种烟尘特征，四个分支的结果在深度上进行拼接后作为下一层的输入，卷积层7和卷积层8的卷积核尺寸是1×1，经过卷积层8后输出热度图作为下采样部分的结果，热度图的通道数表示分类数目。
步骤2.2:多尺度卷积的全卷积网络的上采样部分构建，通过反卷积的方式对下采样部分的结果进行上采样操作以放大热度图的尺寸，首先对热度图进行反卷积层1的操作，尺寸扩大为2倍，再与池化层4的结果进行相加，相加后进行反卷积层2的操作，尺寸扩大为2倍后与池化层3的结果相加，最后通过反卷积层3将热度图尺寸还原为输入图像的大小。再经过softmax的归一化处理，将数值转换为概率分布。每一像素位置上有两个概率值，分别表示为烟尘概率和背景概率，比较两个概率值的大小确定该位置的分类，即为网络的输出。
4.根据权利要求1所述的一种多尺度卷积与动态权重代价函数的烟尘目标分割方法，其特征在于：所述步骤3的具体步骤如下：
步骤3.1：利用损失函数计算网络预测的误差。结合动态权重代价函数的目的是提高分类不准确的烟尘目标在总体损失中所占比例，在反向传播阶段对权重进行更多的调节；同时降低分类准确的烟尘目标在总体损失中所占的比例，减弱对权重的调节。实现方式是采用一个变换后的sigmoid函数对步骤2结果的烟尘预测概率进行0～1区间内的映射，对sigmoid函数进行变换后表示为：
Figure FDA0002420235670000021
其中x表示预测概率。
将此映射值作为权重添加在交叉熵之前以动态地调整损失值在总体的损失中所占的比例，结合动态权重的代价函数为：
Figure FDA0002420235670000022
其中x表示预测是烟尘的概率，y＝1表示烟尘，y＝0表示背景。
网络损失的计算根据所述步骤2的预测结果与所述步骤1的标签通过提出的结合动态权重代价函数计算得出。
步骤3.2：通过最小化步骤3.1结果的网络损失实现模型的训练，通过随机梯度下降算法对各项权重进行调节，对训练集进行20轮迭代后得到最终模型。
CN202010203743.4A 2020-03-20 2020-03-20 一种多尺度卷积与动态权重代价函数的烟尘目标分割方法 Active CN113496159B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010203743.4A CN113496159B (zh) 2020-03-20 2020-03-20 一种多尺度卷积与动态权重代价函数的烟尘目标分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010203743.4A CN113496159B (zh) 2020-03-20 2020-03-20 一种多尺度卷积与动态权重代价函数的烟尘目标分割方法

Publications (2)

Publication Number Publication Date
CN113496159A true CN113496159A (zh) 2021-10-12
CN113496159B CN113496159B (zh) 2022-12-23

Family

ID=77993062

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010203743.4A Active CN113496159B (zh) 2020-03-20 2020-03-20 一种多尺度卷积与动态权重代价函数的烟尘目标分割方法

Country Status (1)

Country Link
CN (1) CN113496159B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116824258A (zh) * 2023-06-30 2023-09-29 哈尔滨工业大学 一种基于反向投影的施工场地烟尘检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103325098A (zh) * 2013-07-02 2013-09-25 南京理工大学 基于多尺度处理的高动态红外图像增强方法
WO2018036293A1 (zh) * 2016-08-26 2018-03-01 杭州海康威视数字技术股份有限公司 图像分割方法、装置及全卷积网络系统
WO2018052586A1 (en) * 2016-09-14 2018-03-22 Konica Minolta Laboratory U.S.A., Inc. Method and system for multi-scale cell image segmentation using multiple parallel convolutional neural networks
WO2019042139A1 (zh) * 2017-08-29 2019-03-07 京东方科技集团股份有限公司 图像处理方法、图像处理装置、神经网络的训练方法
CN110853057A (zh) * 2019-11-08 2020-02-28 西安电子科技大学 基于全局和多尺度全卷积网络的航拍图像分割方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103325098A (zh) * 2013-07-02 2013-09-25 南京理工大学 基于多尺度处理的高动态红外图像增强方法
WO2018036293A1 (zh) * 2016-08-26 2018-03-01 杭州海康威视数字技术股份有限公司 图像分割方法、装置及全卷积网络系统
WO2018052586A1 (en) * 2016-09-14 2018-03-22 Konica Minolta Laboratory U.S.A., Inc. Method and system for multi-scale cell image segmentation using multiple parallel convolutional neural networks
WO2019042139A1 (zh) * 2017-08-29 2019-03-07 京东方科技集团股份有限公司 图像处理方法、图像处理装置、神经网络的训练方法
CN110853057A (zh) * 2019-11-08 2020-02-28 西安电子科技大学 基于全局和多尺度全卷积网络的航拍图像分割方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
宁芊等: "基于多尺度特征和注意力机制的航空图像分割", 《控制理论与应用》, no. 06, 3 January 2020 (2020-01-03), pages 1218 - 1224 *
徐岩等: "基于多特征融合的卷积神经网络图像去雾算法", 《激光与光电子学进展》, no. 03, 10 March 2018 (2018-03-10), pages 260 - 269 *
段杰等: "一种改进FCN的肝脏肿瘤CT图像分割方法", 《图学学报》, no. 01, 15 February 2020 (2020-02-15), pages 100 - 107 *
王文哲: ""面向工业烟尘排放图像监测的目标区域分割方法研究"", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》, 15 February 2019 (2019-02-15), pages 138 - 1422 *
赖百胜: ""弱监督场景语义理解"", 《中国博士学位论文全文数据库 信息科技辑》 *
赖百胜: ""弱监督场景语义理解"", 《中国博士学位论文全文数据库 信息科技辑》, 15 January 2019 (2019-01-15), pages 138 - 123 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116824258A (zh) * 2023-06-30 2023-09-29 哈尔滨工业大学 一种基于反向投影的施工场地烟尘检测方法
CN116824258B (zh) * 2023-06-30 2024-05-14 哈尔滨工业大学 一种基于反向投影的施工场地烟尘检测方法

Also Published As

Publication number Publication date
CN113496159B (zh) 2022-12-23

Similar Documents

Publication Publication Date Title
CN108961235B (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN110348376B (zh) 一种基于神经网络的行人实时检测方法
CN111753828B (zh) 一种基于深度卷积神经网络的自然场景水平文字检测方法
CN108038846A (zh) 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统
CN107784661A (zh) 基于区域生长法的变电站设备红外图像分类识别方法
CN111681197A (zh) 一种基于Siamese网络结构的遥感图像无监督变化检测方法
CN111079518B (zh) 一种基于执法办案区场景下的倒地异常行为识别方法
CN107944354B (zh) 一种基于深度学习的车辆检测方法
CN109840483B (zh) 一种滑坡裂缝检测与识别的方法及装置
CN114749342B (zh) 一种锂电池极片涂布缺陷识别方法、装置及介质
CN111753682B (zh) 一种基于目标检测算法的吊装区域动态监控方法
CN109685045A (zh) 一种运动目标视频跟踪方法及系统
CN110415260B (zh) 基于字典与bp神经网络的烟雾图像分割与识别方法
CN111896540B (zh) 一种基于区块链的水质在线监测系统
CN109726649B (zh) 遥感影像云检测方法、系统及电子设备
CN112651404A (zh) 一种基于无锚框检测器的绿色果实高效分割方法及系统
CN113888461A (zh) 基于深度学习的小五金件缺陷检测方法、系统及设备
CN115797813B (zh) 基于航拍图像的水环境污染检测方法
CN111242026A (zh) 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法
CN116664565A (zh) 一种光伏太阳能电池片的隐裂检测方法及系统
CN113496159B (zh) 一种多尺度卷积与动态权重代价函数的烟尘目标分割方法
CN111597939B (zh) 一种基于深度学习的高铁线路鸟窝缺陷检测方法
CN115830302B (zh) 一种多尺度特征提取融合配电网设备定位识别方法
CN116630989A (zh) 智能电表可视故障检测方法、系统、电子设备及存储介质
CN114882355A (zh) 一种建筑裂缝智能识别和检测方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant