基于MobileNet的医学图像鲁棒零水印算法研究
这是一篇关于MobileNetV2,卷积神经网络,零水印,医学图像,鲁棒性的论文, 主要内容为随着信息技术的不断发展,越来越多的医学图像被上传到互联网平台,并通过互联网进行传输,这种信息传输方式极大地方便了医生对患者的诊断,但医学图像在传输过程中也容易被不法分子获取,图像上的患者隐私信息从而也就会遭到泄露。另外由于医学图像的像素信息十分重要,不能随意更改,否则容易引起医生的误诊,所以如何有效地保护医学图像上的患者隐私信息是一个急需被解决的问题。数字水印技术是一种信息隐藏技术,零水印技术是数字水印的一种。零水印技术不会改变图像的像素信息,所以这种技术可以用于医学图像的患者隐私保护。本文的研究内容是基于Mobile Net神经网络的医学图像零水印算法,能够较好地保护患者隐私信息,具体研究内容可以分为三部分:(1)研究了一种基于MobileNetV2预训练网络的医学图像零水印算法。首先通过Mobile Net V2预训练神经网络提取出医学图像的不变特征,然后将此特征和带有患者隐私信息的水印通过零水印技术相关联,达到水印嵌入的效果。实验数据表明,该算法的抗几何攻击能力较好。(2)研究了一种基于MobileNetV2迁移学习的医学图像零水印算法。首先通过迁移学习的方式将Mobile Net V2预训练网络在医学数据集上进行训练,然后通过训练后的Mobile Net V2网络提取出医学图像的不变特征,最后结合零水印技术来达到水印嵌入的效果。实验数据表明,与预训练模型相比,该算法的抗几何攻击能力和抗常规攻击能力以及对不同图像的区分度都有一定的提升。(3)研究了一种基于残差网络和深度可分离卷积的医学图像零水印算法。首先基于残差网络和深度可分离卷积搭建一个卷积神经网络,然后将此网络在医学数据集上进行训练,接着用训练后的网络提取医学图像的不变特征,最后结合零水印技术来达到水印嵌入的效果。实验数据表明,该算法在鲁棒性和对不同医学图像的区分度方面都有着较好的表现。
基于无人机采集图像的轨道缺陷检测系统
这是一篇关于巡检无人机,轨道缺陷检测,微服务,图片识别,MobileNetV2的论文, 主要内容为为了解决交通拥堵和交通污染,大容量、高效、准时、安全的城市轨道交通(地铁,轻轨,有轨电车)已成为城市交通发展的最终解决方案。手动检查存在一系列重大问题,在地铁检查行业中,需要更多基于技术的便携式和小型检查设备。因此,本文设计了基于无人机采集图像的轨道缺陷检测系统,主要工作如下:在课题准备阶段,本文首先查询了当下四种主流的轨道缺陷主要检测方案;研究了现在普遍使用的地铁检测方案,深入地铁巡检一线了解现在检测中遇到的难点和痛点,并且与几位具有多年工龄的巡检人员进行深入的沟通和交流。笔者广泛分析了现在普遍使用的地铁检测方案,明确了检查系统的服务和效率标准,并和几位具有多年工龄的巡检人员阐述了本文的想法,初步验证了巡检系统的正确性和可行性;并对设计了地铁运营维保巡检智能无人机的体系结构,包括:无人机平台和智能检测子系统。本文建立了巡检系统的数据中心,在软件部分采用微服务架构,详细绘制了软件架构图,支持高并发、高扩展、高可用,并且详细的解释了架构图中模块信息;符合目前互联网公司主流技术栈与开发流程。本文阐述了一种目标图片的预处理与目标定位的流程和方法,考虑到现实的干扰因素,加入图像分割的先验信息和和地铁轨道的建设信息,通过定位轨枕来定位扣件,可以分别定位出扣件和轨面,最大化程度的减少背景灰度对于整体图片的影响。卷积神经网络(CNNs)的出现从多方面加速了计算机视觉的发展。然而,大多数现有的CNN严重依赖昂贵的GPU(图形处理单元)。在本文中,使用了一个紧凑CNN的模型,该模型不仅可以在微小缺陷检测上实现高性能,而且可以在低频CPU(中央处理器)上运行。本文的模型由一个轻量级(LW)瓶颈和一个解码器组成。采用了减少卷积、轻量级、双线性插值等手法,相对于MobileNetV2模型分别提高了5%左右的正确率,并且所需要的计算更少和时间更短。本文希望加入一种新的轨道检测技术和方法,思考整个地铁维检生命周期,通过差异化和颗粒度成为轨道检测中的一颗引爆点,去赋能传统的地铁维检行业的影响力,去革新地铁维检行业的生态圈。正是基于这一认知和使命,笔者希望在现有基础上开发出更安全、更准确的无人机检测系统来强化地铁日常维检体系,可以规避目前这些痛点和问题,协同现有检测设备,重组地铁维检关键路径,以适应日新月异的地铁检测维度,强化产业升级。
基于深度学习算法融合的人员跌倒检测研究
这是一篇关于Openpose,MobileNetV2,注意力机制,跌倒检测,人体姿态估计的论文, 主要内容为据国家统计局发布的人口统计数据显示,随着老年人群体的不断扩增,现阶段我国已进入人口老龄化社会。意外跌倒造成的一系列损伤是造成老年人意外死亡的第二大原因,因此对独居老人进行意外跌倒检测,可以降低他们死亡和受伤的风险。研究如何检测跌倒事件,对于保障老年人的生命安全和健康有着重要意义。在基于计算机视觉的跌倒检测算法中,网络框架大小和特征提取方面仍存在一定的优化空间。本文针对当前跌倒检测存在的问题,进行了以下工作:(1)针对当前部分算法中使用人体关键点代替身体姿态信息检测跌倒,会因为关键点标记存在误差,从而导致检测结果出现错误的问题,本文提出了一种基于Openpose和Mobile Net V2的跌倒检测方法。旨在利用原始图像信息对关键点标注过程中的偏差进行修正,提高特征提取的有效性,进而提高算法分类精度。首先,使用Openpose提取人体关键点,并在原始图像中标注。然后,利用改进的Mobile Net V2网络,对原始图像和标记的人体姿态信息进行特征提取,检测跌倒。针对UR数据集中部分样本存在光线过暗导致关键点提取偏差较大的问题,本文对相关数据进行了提亮操作,提高了关键点标注准确率。该方法在Le2i和UR数据集上的准确率分别为98.6%和99.75%,高于所列出的对比方法。(2)针对当前基于Mobile Net V2的跌倒检测算法不能同时兼顾数据背景信息和位置编码信息的问题,本文对Mobile Net V2的倒残差结构进行了改进。首先,进行了注意力机制穿插位置的探索,最终在逐点卷积和空间卷积之前分别增加了通道注意和空间注意力机制。然后,对网络输出部分进行改进,在分类结构的开始部分加入了CBAM注意力机制,修正卷积层提取后的特征信息。上述操作在不增加网络计算量的情况下提高了网络对重点信息的关注,进而提高了网络的分类性能。针对UR数据集中跌倒数据较少的问题,本文对相关数据进行了扩充,采用平移,放缩,随机裁剪的方法将跌倒数据扩充为原来的4倍,使得网络可以充分学习跌倒动作的特征,更为准确地检测跌倒。该算法在公共数据集Le2i和UR上的检测准确率分别为98.8%和99.7%。虽然在UR数据集中的检测准确率与本文提出的第一种检测方法相比略有降低,但本方法的网络框架明显小于所提出的第一种方法,同时准确率高于所列出的其他对比方法。
基于深度迁移学习的桥梁移动荷载识别研究
这是一篇关于移动荷载识别,深度卷积神经网络,迁移学习,MobileNetV2的论文, 主要内容为桥梁是公路的咽喉,是交通运输互联互通的关键节点,在国民社会经济发展中发挥着重要的作用。桥梁在服役期间承受的最主要外部荷载是由车辆所引起的移动荷载。在长期的移动荷载(尤其是超重车辆)作用下,桥梁结构极其容易造成损伤累计、损伤加重,甚至在极端情况下会引发灾难性事故。尽管桥梁动态称重系统是一种较为直接和简便的测量方式,但由于其昂贵的硬件设施和繁琐的维护工作,导致其普及程度不高。因此,利用比较容易获得的桥梁响应或车辆响应更快速、准确地识别桥梁上的移动荷载,及时对超限车辆进行监控预警,对于提升桥梁的管养水平、保障桥梁的运营安全,具有重要的科学研究意义与工程应用价值。本文围绕桥梁移动荷载的快速准确识别需求,采用理论分析、算法开发、数值模拟、实桥验证等研究手段,结合深度卷积神经网络以及迁移学习策略,开展了基于深度迁移学习的桥梁移动荷载识别方法研究。本文的主要研究内容与结论如下:(1)提出了基于深度卷积神经网络和迁移学习的桥梁移动荷载识别方法。首先,将桥梁移动荷载识别问题转化为移动荷载参数的分类任务;其次,将桥梁的动态响应数据转化为时频图像作为输入样本;然后,基于迁移学习理论,将预训练好的深度卷积神经网络模型的浅层特征提取能力迁移到移动荷载识别任务上,基于对输入样本深层特征的学习,实现桥梁移动荷载参数的识别。最后,基于最优模型开展了输入敏感性分析。结果表明:在车速识别和车重识别任务中,VGG16、Alex Net、Res Net和Mobile Net V2模型对测试集的识别率都在94%以上;与VGG16、Alex Net、Res Net相比,轻量级卷积神经网络Mobile Net V2的训练时间减少了50%以上,车重识别速度提高了42.2%,车速识别速度提高了50%;在进行车辆速度识别时,加速度样本输入的识别效果优于速度和位移输入的识别效果;在进行车辆重量识别时,位移样本输入的识别效果优于加速度和速度输入的识别效果。(2)开展了基于深度卷积神经网络和迁移学习的桥梁移动荷载识别方法影响因素分析。首先,建立参数化的数值模型,通过参数化的数值模拟来更改不同参数信息;然后,获取不同参数工况下的桥梁动态响应数据并转化为时频图像样本;最后,通过迁移学习理论利用深度卷积神经网络来对时频图像样本进行特征学习,并对移动荷载参数进行识别。结果表明:路面不平整度等级越高,路面越粗糙,模型对车速、车重信息识别准确率越低;随着测点数量的减少,该方法对车速、车重信息的识别准确率基本不变;随着桥梁跨径增加、样本数据中的信噪比增大、样本分类数增多,模型识别准确率降低。(3)基于深度卷积神经网络和迁移学习的桥梁移动荷载识别方法的实桥验证。首先,让加载车辆以不同车速行驶通过试验桥面,通过传感器来采集桥梁的加速度时程数据;然后,将采集的加速度时程数据通过连续小波变换转换为时频图像构造样本库;最后,结合迁移学习理论利用轻量级卷积神经网络Mobile Net V2来对时频图像样本进行特征学习,利用训练后的模型对测试集样本进行分类,以此对车速信息进行识别。结果表明,基于Mobile Net V2和迁移学习的桥梁移动荷载识别方法在两座实桥的荷载试验中对车速识别准确率分别为88.33%和85.00%,能够较为准确地识别移动荷载信息。
基于深度学习的露天矿安全挡墙自动识别的实现
这是一篇关于安全挡墙,语义分割,DeepLabV3+,MobileNetV2,CBAM的论文, 主要内容为随着我国智慧矿山项目逐步实施,露天煤矿挡墙的安全性已成为矿山安全管理中的重要方面。然而,大多数地区仍依赖于人工监测,这种监测方式存在许多问题。首先,人工监测需要投入大量人力和时间,效率低下。其次,人工监测还存在一定主观性,可能被人为因素所影响,导致监测结果误判。最重要的是,人工监测存在安全隐患,工作人员需要在危险区域进行监测,若发生意外事故,可能会给工作人员带来严重伤害。为解决这些问题,本文提出一种基于改进的Deep Lab V3+网络的露天矿安全挡墙分割方法。本文数据集的图像数据来自矿山安全生产管理平台。采集的图像需要进行手动标注,设定语义分割类别为安全挡墙、缺口和背景。使用几何翻转、色彩调整等方式扩充数据集。建立的挡墙分割数据集共包含3000张露天矿挡墙图像,将数据集随机分为训练集、验证集和测试集,比例为8:1:1。基于挡墙图像分割数据集,使用语义分割网络进行实验,并利用语义分割评价指标MIo U和MPA进行精度评估。通过对比主流语义分割网络的性能,本文选定Deep Lab V3+网络作为基础模型。Deep Lab V3+的结构是在主干网络Xception和ASPP模块组成的编码器中获取多尺度特征,然后利用解码器进行特征图的恢复。虽然Deep Lab V3+在露天矿挡墙分割任务中具有较好的性能,但还存在复杂场景下分割不精确以及边缘特征信息丢失等问题。因此,针对基础模型的不足,本文对Deep Lab V3+网络进行相关优化。首先,将主干特征提取网络替换为Mobile Net V2。Mobile Net V2网络是轻量级卷积神经网络,采用深度可分离卷积和逆残差结构,可获得更大的感受野,提高边缘特征提取能力。其次,引入CBAM模块。CBAM模块是一种注意力机制,能够自适应地对特征图进行通道和空间维度的特征强化,提升网络在复杂场景下的鲁棒性和精确性。实验表明,本文设计的M-CBAM-Deep Lab V3+网络能够有效地识别和分割露天矿安全挡墙,其MIo U达到85.06%,比原网络提高2.96%;同时,MPA也达到92.94%,比原网络提高1.78%。相比Deep Lab V3+网络,本文网络不仅分割图像更加完整,而且分割效果明显得到改善。这一研究成果对于露天矿安全挡墙监测平台的建立具有重要的实际应用价值。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码货栈 ，原文地址：https://m.bishedaima.com/lunwen/54362.html
