一、多尺度边缘检测中的有效尺度研究（论文文献综述）
张旺[1]（2021）在《基于深度学习的多尺度边缘检测算法研究》文中提出边缘检测旨在提取自然图像中的目标边界和视觉上明显的边缘,是高级计算机视觉任务如图像分割、目标检测/识别、图片速写等的基础,甚至直接决定了任务精度的上限,因此对该技术的研究具有十分重要的意义。传统的边缘检测方法根据手工特征如亮度、颜色、梯度和纹理等来区分边缘像素。然而,应用低级视觉线索很难表示高级的语义意义。近年来,随着人工智能浪潮的来临,在图像处理领域中应用深度学习已经成为一种主流方法,但截至目前,将深度学习应用于图像边缘检测领域才刚刚起步,研究成果有限。同时,训练基于深度学习的算法需要进行大量的数据运算,检测目标的多尺度变化也为边缘检测带来了新的挑战。本文针对以上问题,对基于深度学习的多尺度边缘检测算法进行了实验研究。针对基于深度学习的边缘检测算法中相似的低层特征在多个尺度下被多次提取,导致信息冗余使用,同时没有对全局长程相关性有效地建模,导致非最有区分力的特征表示,本文提出一种多尺度全局通道网络。首先利用VGG16丰富的卷积层捕获多尺度特征。然后,通过全局注意模块对全局长程相关性建模,并将局部特征与其对应的全局相关性结合起来。最后利用通道注意模块以较少参数自适应地重新校准通道响应,引导网络忽略无关信息,强调相关特征间的关联。通过在BSDS500数据集和NYUD数据集上对该方法进行消融实验,在ODS上分别实现了0.815和0.741的F值,比现有的其他算法高出0.9%和1.2%,证明该方法在均衡参数规模与精度的前提下对比其他算法获得更清晰的边缘,明显优于其他对比算法。基于深度卷积网络的边缘检测算法对多尺度中间层输出采用相同单一的深度监督,忽略了中间层特征在尺度上的差异性,以及深度卷积网络中存在梯度消失/爆炸和网络退化问题。针对以上问题,本文引入残差学习,构建基于残差网络的深度监督网络来提升网络的收敛效果,训练的稳定性。本文将残差网络分为不同阶段,利用每一阶段不同尺度的特征信息丰富多尺度特征,对每一阶段的中间输出采用宽松标签进行深度监督,通过亚像素卷积对各阶段的输出进行上采样,将获得的高分辨率的特征图用于边缘检测。相对于经典的Canny算子和目前基于深度学习的主流边缘检测方法如HED、RCF等,本文所述方法得到的边缘具有更好的连续性和准确性,能检测到更精细的边缘,在BSDS500数据集上ODS的F值分别提高了20.3%、2.6%、0.8%,并且训练时间更短。利用多尺度特征对于改善不同尺度下的目标的边缘检测效果具有重要意义。为了提取不同尺度下的边缘特征,本文提出利用特定尺度下的边缘标签来监督每个卷积层的输出,此外,引入多尺度增强模块来丰富浅层网络的多尺度表示,该模块利用膨胀卷积生成多尺度特征,得到一个参数较少的紧凑网络。本文在BSDS500数据集上对提出的方法进行评估,在ODS实现了0.818的F值,比当前技术水平高1.2%。
罗惠元[2]（2021）在《基于特征关系的视觉显着性物体检测算法研究》文中研究指明近年来,随着信息技术的发展和大数据时代的到来,图像的数量呈现出爆发式地增长趋势。如何从浩如烟海的图像数据中快速有效地寻找有用信息,以提高信息处理效率,已经成为了一个重要的研究课题。在面对复杂的现实场景时,人类的视觉系统可以快速搜索和定位感兴趣目标,这种视觉注意机制使得人类能够快速有效地处理庞杂的外部信息。在计算机视觉任务中,研究人员将该视觉注意机制引入,并将其进一步发展为视觉显着性检测。显着性检测算法致力于实现这种人类视觉选择特性,以快速筛选重要内容,排除无关内容的干扰,从而大大提高图像内容处理效率。这个可以对图像内容“划重点”的技术,已经成为一项热门的计算机视觉研究任务,而且作为一种重要的预处理手段,显着性检测已经被广泛运用在多个计算机视觉任务中,如目标跟踪、目标分割、图像编辑等。视觉显着性检测方式可分为两种:任务驱动的自上向下的方式、数据驱动的自下而上的方式。现今大多数视觉检测任务都集中在数据驱动的自下而上的领域。根据任务目标的不同,又可将其分为凝视点检测和显着性物体检测。本文主要研究自下而上的显着性物体检测,分别从显着性物体检测中的三种内在特征关系出发,构建了相应的显着性物体检测算法。本文主要的创新性研究工作及成果总结如下:1).研究了手工设计特征的空间相邻关系,并设计了基于非局部连接图传播模型的显着性检测算法。现今大部分基于图的传播模型仅仅考虑了节点的局部相邻关系,然而当显着性物体内部区域特征变化较大时,仅仅基于局部关系构建图模型往往不够准确,容易导致显着性区域的不一致,甚至错误地抑制了显着性区域。为克服这些问题,本文将非局部关系引入到图模型中,并构建了具有非局部连接关系的图传播模型。具体地,模型首先基于优化的紧密度和对比度特征计算方式,计算了更为准确的初始显着图,并采用具有显着性偏置的高斯模型对其进一步细化。在细化的显着图上,构建了具有非局部连接关系的两层稀疏图模型,根据随机游走的规则,将显着性结果进行传播。最后将传播后的显着图进行线性融合,并设计了自更新算法将其进一步优化,得到最终的显着性图。非局部连接关系的引入,克服了仅仅利用局部关系构建的图模型的缺点,因此算法获得了一致性较好的显着性结果。一系列定量和定性的评价结果,证明了所提出算法的有效性。2).探索了显着性检测任务中的特征优先关系,并将这种优先关系的产生根源归纳为特征产生关系,根据这种特征产生关系,设计了基于级联漏斗形神经网络的显着性检测算法。现今大多数基于深度学习的显着性检测算法,认为不同层级特征发挥着同等重要的作用。但是在显着性检测任务中,高级的语义信息更贴近显着性定义,对应着显着性物体大部分内部区域,发挥着主要作用,因此处于一个天然的优势主导地位。本文探索了神经网络中这种优先级产生的根源,并将其归纳为特征产生关系。借鉴于池化操作的特征转换能力,本文提出了一个级联漏斗形特征融合神经网络。该网络具有三个子模块,以逐步地融合多尺度特征。具体地,算法首先设计了一个级联的多尺度上下文特征提取模块,来提取有益的上下文信息。然后,算法使用了一系列级联的池化操作组成漏斗形特征融合模块,并将这些模块有层次地级联起来,实现不同尺度特征的筛选与融合。最后,算法设计了级联的解码器来获取最终的显着性结果。全面且充分的定性和定量评价对比结果,证明了算法的先进性与有效性。同时所设计算法相对轻量化,在前向推理时能够以实时的速度高效地运行。3).进一步研究了不同尺度特征的优先级,在特征产生关系的基础上,将这种优先级进一步发展为特征从属关系,并据此设计了一个基于“领导者-跟随者”神经网络的显着性检测算法。特征从属关系将神经网络中的高低层特征集合视为具有上下级关系的决策变量:高级特征作为优势的领导者;低级特征作为从属的跟随者。本文进一步将这种内在关系具象为斯坦克尔伯格博弈模型,并依据该模型设计了一个基于“领导者-跟随者”特征融合网络的显着性检测算法。该算法包含基于“领导者-跟随者”的多尺度上下文信息注意选择模块和特征融合两个子模块。大量的定性和定量的评价对比结果,证明了所提出模块及算法的有效性。算法在取得先进的性能表现和运行效率的同时,还能够较好应对视频显着性检测任务,表现出了优越的可迁移性。最后本文将算法在移动端进行了部署,在现实场景中的测试结果证明了算法的实用性。
郑淘[3]（2021）在《基于分数阶边缘检测的语义分割边缘优化方法研究》文中研究指明语义分割的任务是通过卷积神经网络预测输入图像所有像素点的类别标签,或理解为在像素层面进行的图像分割。目前,语义分割在单纯提升精度的研究工作已近瓶颈,同时也暴露出基于全卷积与监督学习下的语义分割模型的研究难点:1、标注数据成本问题。语义分割需要海量的标注数据作为精准分割的基础;2、计算资源问题。深度的卷积网络带来巨量的资源消耗,对硬件的要求非常苛刻;3、精细分割问题。深度卷积网络的池化和下采样步骤必定造成分辨率的下降,最终造成在边缘和小目标上的分割失败;4、上下文信息的缺失。基于深度卷积的模型容易忽视对上下文信息关注,分割结果的空间信息很差,出现类别上的分割错误。分数阶微积分是对经典微积分的推广,在信号处理中具有区别于经典微积分的记忆性和非局部性,广泛应用于数字图像的增强、边缘检测、去噪、奇异性检测等研究方向。本文针对语义分割模型中存在的精细分割问题,结合对分数阶微分的边缘检测研究,提出一种优化语义分割输出边缘的方法。主要研究工作如下:1、对基于分数阶微分的边缘检测开展研究。利用距离矢量的方法改进了三种分数阶微分算子,替代了Canny算法的梯度计算,验证了分数阶微分在边缘检测中的灵活性和非局部性等优势。提出一种改进Crone算子,减少了分数阶微分算子对初始化条件的依赖性。提出一种局部梯度检测的自适应分数阶边缘检测方法,利用类似卷积的运算方式,滑动检测图像局部的梯度大小,通过构建的关系函数求得梯度相关的均值阶数,代入改进算法中完成对图像的边缘检测。2、对基于像素分类的图像语义分割模型开展研究。首先,基于解码方式构造一条边缘支路,利用底层特征中包含的边缘特征和多尺度信息指导高层的分割,通过特征融合的方式对边缘分割进行优化。然后,结合注意力机制,优化解码器中边缘特征的学习权重,进一步强化模型对边缘信息的感知能力。最后,通过引入边缘分割任务对损失函数进行优化。
代胜选[4]（2021）在《基于深度学习的图像显着对象检测》文中研究说明人类视觉系统能够有效快速地找到图像或视频中感兴趣的区域进行处理,忽略无用的信息,但是传统计算机却没有这种能力。在计算机视觉领域中,显着对象检测旨在于让计算机具有和人一样的视觉处理能力,使计算机能够关注场景中的显着对象而忽略背景信息,从而快速处理大量图像,因此显着对象检测成为许多计算机视觉任务的预处理步骤。显着对象谱的好坏,直接影响到其后视觉任务的性能效果,因此提高显着对象检测能力十分重要。本文针对现有模型存在的检测不完整不均匀、边缘模糊和多尺度对象问题,进行相关工作,并研究相应的改进方法。首先,针对显着对象检测中存在的不完整不均匀问题,设计了基于语义辅助特征融合的显着对象检测模型。本文通过语义辅助处理每两个相邻特征中的低层特征,将处理后的低层特征融入到高层特征中,使得高层特征包含足够的语义和结构信息,同时增强特征中的显着区域。实验结果表明,本文研究的语义辅助特征融合的显着对象检测模型能够有效地检测出整体均匀的对象。其次,针对检测对象的边缘模糊问题,设计了基于边缘特征融合的显着对象检测模型。通过边缘分支以及对象辅助得到精确的边缘特征,将得到的边缘特征融合到对象特征中,加强对象特征中显着对象边缘区域的特征可区分性。通过这种方式提高边缘的区分性能,从而提高显着对象的检测效果。最后,针对多尺度问题,设计了基于双向多尺度特征融合的显着对象检测模型。双向多尺度模块以多尺度信息相互交互为基础,同时兼顾密集连接特征融合的机制,通过一种信息传递的方式将各个相邻尺度的多尺度特征进行逐步融合,充分开发多尺度特征中所包含的信息,改善检测结果。实验证明,语义辅助特征融合和边缘特征的引入使得检测出的显着对象更为完整均匀,对象的边缘区分性也更强,而多尺度特征提取,进一步改善了显着对象的检测效果。本文研究的算法能够有效的检测显着对象。
倪富陶[5]（2021）在《基于深度学习的结构外观病害检测与监测数据挖掘》文中研究表明土木基础设施是体现国家综合国力及科学技术发展水平的重要标志,其安全服役关乎国计民生。结构检测评估和结构健康监测是当前桥梁结构管养进行决策的主要依据,不管是结构检测评估还是结构健康监测,都会产生大量的数据,传统的数据分析手段难以对检、监测数据进行高效的分析处理。如何快速的分析海量数据、挖掘数据深层特征以及将分析结果反馈应用到后续桥梁运维管理中,成为土木领域当下研究的前沿热点。基于此研究背景,本文从结构外观检测数据和结构健康监测数据两方面出发,以数据挖掘中的分类问题为重点,利用深度学习技术深入挖掘大量外观检测数据和健康监测数据的内在特征。在依托海量检测数据的研究方面,本文主要研究了基于检测图像的裂缝自动分割方法,分为三个阶段逐步深入。在依托海量健康监测数据的研究方面,本文侧重于研究大数据问题处理框架中的前两个阶段,即数据预处理和数据存储阶段。论文的主要创新点如下:（1）提出了基于深度学习和Zernike正交矩的裂缝分割及宽度测量方法。针对传统方法适用性差的缺点,将深度学习算法和传统的基于数字图像处理的算法结合起来,在深度学习定性分类能力的基础上将图像中裂缝的检测分为“判断有无”、“自动勾画”和“宽度测量”三个层次。采用多个尺度的深度学习缩小裂缝的范围,并在传统方法初步分割出裂缝的基础上,再次利用深度学习筛选初步分割的裂缝,从而大大提高了裂缝分割的精度以及复杂环境下的抗噪性。在宽度测量方面,针对传统的“数像素”方法对于5像素以内细微裂缝测量误差大的缺点,提出了基于Zernike正交矩的细微裂缝宽度测量方法,直接利用裂缝的灰度信息计算裂缝的宽度,提高图像中细微裂缝的宽度测量精度。（2）提出了基于多尺度特征融合网络的像素级裂缝分割方法,实现完全依靠深度学习本身提取特征的裂缝分割。提出框架可以分为特征提取和特征融合两大块,而特征融合又可以分为不同尺度特征简单的像素级融合和不同尺度特征不同维度之间的深层次融合。在特征提取和像素级融合方面,采用自下而上和自上而下两种策略设计了不同的特征融合网络,基于不同裂缝测试集详细分析了高、低阶特征对最终裂缝分割结果的影响。发现低阶特征主要表征裂缝的形态信息,对于裂缝的细节描述更加有效,而高阶特征对于图像中裂缝的语义特征描述更加有效,需要把高低阶特征同时考虑到裂缝分割的框架中。（3）基于对抗深度学习增强的轻量级裂缝检测网络。前两章提出的裂缝分割方法虽然能高精度的分割出裂缝,但是其检测效率并不能够满足自动化检测的实时性要求。因此,本章提出了一种轻量级的裂缝检测框架,并提出了基于对抗深度学习的轻量级网络增强算法。提出框架从两方面对网络进行优化,一方面是深度学习特征提取模块的优化,采取更加轻型、高效的框架;另一方面,针对网络的训练策略提出算法创新,引入了生成对抗距离来衡量相似性,使轻量级网络的输出分布和人工标记的分布相逼近,从而提高轻量级网络的检测效果。最后,将本章提出的算法应用到新华路桥的桥墩裂缝检测中。（4）针对海量监测数据预处理的自动化异常检测需求,提出了基于一维卷积网络的健康监测异常数据识别方法,可以将健康监测系统采集数据直接输入到网络中,利用深度学习挖掘异常数据的本质特征,实现对异常数据的自动识别。随后将提出的方法应用到了江阴大桥吊杆监测数据的异常识别中,与人工检测的结果相对比,发现提出方法可以高精度的识别出健康监测系统采集的异常数据。相比传统的基于数学模型的异常数据识别方法,本文提出方法适用性广泛,可以高精度检测出各种类型的异常数据。相比于基于长短记忆网络的异常识别算法,提出方法不需要人工设定阈值。而相比于基于图像识别的异常检测方法,提出的方法不需要小心调整观测数据的尺度,不需要担心图像中超高维压缩带来的异常信息损失。（5）针对海量监测数据存储的问题,提出了基于卷积自编码网络的长期监测数据压缩方法。提出数据压缩方法可以分为数据压缩网络和数据重建网络两个部分,其中数据压缩网络用于将输入的原始数据压缩到指定的大小,数据数据重建网络用于将压缩后的数据进行还原。本文将提出方法和传统的基于DCT变换的数据压缩方法及压缩感知方法进行对比,发现在较低的压缩率下,本章提出的方法相对传统方法具有更小的重建误差和更高的相关系数。并将提出方法在江阴大桥长期吊杆监测数据下进行验证,发现对于识别为异常的数据,其压缩后重建的精度较低,而对于识别为正常的数据,能够在较低的压缩率下实现高精度的数据重建。
邓淳方[6]（2021）在《基于深度学习的多尺度目标检测研究》文中研究表明近年来深度学习的快速发展赋能了目标检测在多领域的实际应用,但是当图像中物体尺度变化较大时,现有的目标检测方法仍然表现较差。多尺度目标检测的问题主要集中在小目标检测困难和检测定位不准上。小目标检测困难是因为网络特征里小目标信息含量少,还存在与大尺寸目标共用特征的问题。检测定位不准确则是受到了低效的目标表示方法的影响,现有的基于框和基于点的目标表示方法都会引入冗余的背景信息,造成特征与目标不对齐的问题。本文针对小目标检测效果差、目标定位不准的问题,分别提出了相应的解决方案,进而提出了更高性能的多尺度目标检测框架设计。本论文的主要工作和创新点如下:1.本论文提出了扩展的特征金字塔网络EFPN,以提升小目标检测性能。为避免特征耦合、提供更多局部信息,EFPN在金字塔底部引入了 一层专用于小目标检测的高分辨特征层。金字塔的扩展部分使用了特征纹理转移模块,它在进行特征超分辨率的同时,可以捕获更多局部细节信息。本论文还在训练中引入了跨分辨知识蒸馏机制,提高低分辨网络的检测能力。在数据集上的对比实验结果表明,EFPN可以有效提高小目标的检测性能,且具有更高的计算效率和更强的泛化性能。2.本论文提出了基于边缘代表点集合的检测头网络,以提高检测器定位能力。边缘代表点集合引入了目标边缘极值点的先验信息来表征目标位置。相应的检测头网络通过阶段设计和分类、定位分支中的区域特征提取实现了目标特征对齐。针对定位分支对边缘信息敏感的特性,本论文提出了边缘特征提取方法,有效地利用了边缘代表点集合中的边缘特征。在数据集上的对比实验结果表明,基于边缘代表点集合的检测头设计通过精确定位目标极值点,进而实现了目标框的精准定位。3.本论文提出了兼具高性能和实用性的边缘敏感的多尺度检测框架MSESDet。MSES-Det使用了 EFPN和基于边缘代表点集合的检测头网络作为基础模块,完善了整个多尺度检测框架的网络结构、标签分配、训练方案、后处理等流程。MSESDet不仅在公开数据集上取得了领先的效果,在真实的项目场景也有应用价值。
李雪松[7]（2021）在《基于机器视觉的机械零件在位检测技术的研究与实现》文中研究说明随着科学和生产技术的进步,自动化程度不断升级,机器视觉也在检测中发挥着越来越重要的作用,代替人工保证了高效快速可重复性的工作,在实际生产生活中有广阔前景。本文在分析了机器视觉在现代生产中应用的研究基础上,对机械零件在生产线上进行在位检测进行研究。本文以齿轮和涂层展开板为研究对象,对其进行流水线上的在位检测。对在位检测系统进行总体方案设计,详细设计了硬件系统基本结构,包括相机、镜头、光电开关、My-Rio、气缸和暗箱等,进行硬件系统的选型及搭建,设计了图像采集和光源照明系统方案;提出图像预处理方案,在图像预处理中,通过图像滤波,图像分割,边缘检测等步骤,得到图像清晰的边缘。介绍了相机成像原理,对齿轮进行合格性检测,提出涂层展开板直线自动分区的检测方法,根据谱带形状及灰度特征进行自动分区检测,提出多项式插值与最小二乘回归拟合相结合来求取各点坐标,将Labview和Matlab相结合实现混合编程,将检测得到的数据通过RS232传输到数控机床进行实时加工。对齿轮和涂层展开板进行现场实验测试,将人工检测与在位检测系统的结果进行对比,并对实验结果进行分析,对实验过程中的环境误差、硬件误差、软件误差及加工过程中的误差进行分析及优化。本文所研究的基于机器视觉机械零件在位检测技术,创新之处是将Labview与Matlab相结合,进行混合编程,并设计了基于几何形状与灰度特征相结合的自动分区方法,同时设计了多项式插值法与最小二乘回归相结合的拟合法,机床得到检测数据进行实时加工,能够实现快速识别及精确计算,具有较高的检测精度及检测速度。
王春哲[8]（2020）在《基于候选区域目标检测的关键技术研究》文中研究指明目标检测作为图像处理和计算机视觉的重要分支,已广泛应用于民用和军事领域,包括:自动驾驶、智能监控、肿瘤筛查、武器的精确制导。目标检测的核心任务是对给定任意尺寸的图像,使用视觉感知模型和搜索策略对图像中的目标进行精确的识别与定位。随着人工神经网络的发展,使用深度学习方法解决目标检测问题仍是当今世界的研究热点。特别是,基于卷积神经网络的目标检测框架在速度和精度上的优势,促使越来越多的科研工作者致力于运用深度卷积神经网络来解决目标检测问题。尽管基于卷积神经网络的目标检测算法的性能有了较大提高,然而由于目标表示模型与人类视觉感知系统存在的偏差,目标检测器的精度还不能满足实际场景的需求,特别是多尺度目标的检测精度。论文主要从提高目标候选区域质量和改善目标检测框架性能的路线出发,对多尺度目标检测展开研究,实现快速准确地检测视觉场景中的多尺度目标。本文的主要工作及创新点如下:1.针对大、中尺寸目标,提出了一种基于卷积边缘特征网络与目标显着性的候选区域算法,提高了大、中尺寸目标候选区域的召回率。首先,运用卷积边缘特征网络提取更丰富的目标边界信息;然后,利用目标区域与背景区域间颜色对比度特性描述目标显着性特征;第三,为场景中的目标建立空间位置模型;最后,使用丰富的目标边界信息、目标显着性特征、目标空间位置模型生成目标候选区域。在PASCAL VOC 2007测试集上的实验结果显示,给定500个目标候选框,固定交并比0.5,对于大、中尺寸目标,所提算法的召回率较选择性搜索算法Selective Search分别提高1.74%、2.59%。同时,在CPU@4.20GHz上,处理一张同时含有不同尺度目标的图像,所提算法所需时间为0.76秒,与Selective Search算法相比,提高了算法的运算效率。2.针对小尺寸目标,提出了一种基于边缘特征网络与超像素显着性的候选区域算法,可提高小尺寸目标候选区域的召回率。首先,对图像进行超像素分割,获取超像素;然后,根据超像素与相邻超像素间的颜色差异值、超像素的空间位置、超像素的完整性方面定义超像素的显着性;最后,融合卷积边缘特征网络生成的目标边缘信息及超像素显着性信息生成目标候选区域。在PASCAL VOC2007上的实验结果显示:针对小尺寸目标,所提算法可提高小尺寸目标候选区域的质量。同时,选取2000个目标候选区域,送入到Fast RCNN网络中,与对比算法相比,所提算法能够获得最高的mAP,这表明所提算法性能较好。3.针对当前主流目标检测框架难于处理大场景中的小尺寸目标,提出了改进的Faster RCNN和改进的SSD算法,显着提高了小尺寸目标的检测精度。其中,针对Faster RCNN,使用RPN网络的浅层特征、小尺度瞄点的方式改善Faster RCNN检测小尺寸目标的性能;针对SSD,引入上下文信息提高SSD检测小尺寸目标的准确性。特别地,为了验证所提算法在小尺寸目标上的检测性能,制作了VOC＿MRA＿0.58数据集,实验结果表明:改进后的Faster RCNN算法在小尺寸目标上的检测精度较Faster RCNN提高约6%;改进后SSD算法的检测精度较SSD算法提升7%。
郑志峰[9]（2020）在《高分辨率卫星影像分类及变化检测算法研究》文中研究表明随着城市化的快速发展,由此引发的城镇建设用地不断增加,同时耕地、林地被占用等一系列地表快速变化等问题,引起各级土地管理部门的高度关注。然而,如何快速、及时、准确地发现城市土地利用变化情况和信息是关键问题,遥感变化检测技术为解决这一问题提供了科学方法。高分影像为准确提取地表变化信息提供了丰富的数据基础,同时,由于高分影像的多分辨率为经典变化检测方法带来了新的困难与问题。高分影像在多分辨率、多尺度环境下的同谱异物与异物同谱问题、纹理结构的尺度问题、类内方差减小同时类间方差增大问题等等,都是高分影像变化检测的困难问题。为此,本文紧紧围绕着地表变化检测中突出的问题,从高分影像的脊波变换特征、融合特征以及卷积神经网络等方面进行多尺度变化检测算法研究,旨在综合利用高分影像多分辨率信息,减弱预处理过程及检测过程中的误差影响,从而增强地表变化检测结果的准确性与合理性,构建新的变化检测方法,为变化检测技术应用及生产实践提供理论支持。主要研究工作及创新点如下:创新性的提出了高分影像分类与变化检测处理技术:基于脊波、卷积神经网络的高分影像分类算法和基于光谱特征级融合及多尺度分割投票决策的变化检测算法。基于脊波、卷积神经网络的分类算法是在脊波理论及卷积神经网络的理论基础上,将脊波提取的“低水平”的简单特征与神经网络提取的“高水平”特征相融合。由于在提取特征的过程中,使用脊波提取的“低水平”特征减少了融合特征对训练集的依赖性,使得融合特征更加独立;而卷积神经网络在此过程中又抑制了噪声的产生及提高分类区域的一致性,最终提高了影像的分类精度。基于光谱特征级融合及多尺度分割投票决策的变化检测方法则是提出了一种提高变化检测精度的方法框架。此方法由影像融合算法开始,分别使用不同的算法提取影像的多尺度特征,然后通过这些提取的特征融合为特征层,然后通过曼哈顿距离量测不同时相间融合特征向量之间的变化幅度,并以Otsu法进行分割后得到二值变化检测图。随后采用“少数服从多数”的投票策略,对目标内的每个像素进行标记,并最终形成变化检测图。从最终的实验结果来看,将基于脊波、卷积神经网络的高分影像分类算法与目前最先进的五种算法相比较,其结果具有一定优势。基于光谱特征级融合及多尺度分割投票决策的变化检测方法在三组数据中进行实验,实验结果表明,与单独使用原始光谱特征和其他先进的变化检测方法相比,该方法获得了更好的性能。最后,将本文算法应用于土地调查的实际数据中,取得了较好的效果,充分表明本文算法研究的有效性和对实际工作的适应性。
曹辉[10]（2020）在《基于漏磁内检测的输油管道缺陷识别方法研究》文中指出为了保证输油管道输送的安全、高效,减少由于如磨损、腐蚀、意外损伤等各种原因引起的管道潜在的泄漏风险,需要对管道进行定期的检测和维护,避免管道泄漏造成的能源浪费和环境污染;需要在管道泄漏发生之前预先检测出管道中的异常,识别缺陷,从而对管道进行修复,保证管道安全使用。目前,管道检测技术中,漏磁检测（Magnetic flux leakage,简写为MFL）技术通常用于检测钢铁管道中的金属损失缺陷,该技术作为最常用的非破坏性检测技术之一,为评价管道的安全性、预测管道寿命、对管道进行检修维护等提供可靠依据。本文针对长输管道漏磁内检测数据进行研究,将管道漏磁内检测数据转化成漏磁图像,对漏磁图像进行智能检测和识别,同时对检测到的缺陷区域进行三维轮廓重构。针对上述问题开展了大量的研究和创新工作。论文研究了管道异常边缘提取方法。在进行漏磁图像缺陷的智能化识别中,异常边缘提取是十分重要的环节,异常边缘的精确程度直接影响到后续的反演评估环节。由于数据噪声的存在,使得边缘提取特别是复杂异常边缘提取精度大大下降,而且,面对庞大的漏磁数据,一般机器学习算法耗时较多。小波多尺度边缘检测方法被广泛用于工业异常提取中,因此,针对漏磁内检测中异常边缘提取问题,提出一种基于数据融合的小波变换漏磁异常边缘提取算法,将传统的小波多尺度极大值边缘提取和数据融合的思想结合在一起,在算法中加入数据层融合、特征层融合和决策层融合,最终对漏磁内检测中的异常边缘进行精确的边缘提取。论文研究了管道微小异常区域提取方法。针对管道中微小异常区域,提出一种基于U-Net深度网络的微小异常区域提取方法。U-Net网络是改进的全卷积神经网络,使用少量数据就可以较好对图像的细节特征进行提取,应用在管道漏磁内检测中,可以有效的对微小异常区域进行准确提取。为了提升提取确性,本文对U-Net网络模型进行改进,并提出一个基于对抗网络的训练方法。所提方法能准确、完整地对微小异常区域进行提取,保留漏磁图像异常区域细节特征,具有较强的鲁棒性、较高的精度和效率。论文研究了管道组件和缺陷的识别方法。针对管道内检测中组件和缺陷的识别,提出一种基于卷积神经网络的深度网络缺陷识别方法。该方法采用改进的卷积神经网络算法,可以提高管道组件和缺陷图像的识别精度,精度指标可达到90%以上。该方法不仅对信噪比不明显样本有较高的识别灵敏度,对漏磁图像也具有良好的位移鲁棒性和畸变鲁棒性。论文研究了管道缺陷轮廓重构方法。在漏磁检测中,可以通过测量的漏磁信号重建缺陷的轮廓,缺陷的三维轮廓重构可以对缺陷进行定量的研究,无论对缺陷的尺寸评估还是对于实际项目缺陷重构的可视化展示,都有一定的实际意义。本文提出一种基于偏差估计的随机森林缺陷三维轮廓重构方法。该方法利用随机森林算法通过估计信号和实际信号之间的偏差估计重构轮廓偏差,通过优化参数更新缺陷轮廓,最终可实现缺陷三维轮廓的重构。所提出的方法在缺陷轮廓重构精度上具有良好的效果。本文通过基于数据融合的小波变换提取漏磁异常边缘,并通过U-Net网络进一步提取漏磁图像的细微异常区域;通过改进的卷积神经网络对漏磁图像的组件和缺陷进行智能识别;通过基于偏差估计的随机森林缺陷三维轮廓重构方法对检测到的缺陷区域进行轮廓重构,实现了对长输管道缺陷进行智能检测和识别的目的,确保管道运输安全。
二、多尺度边缘检测中的有效尺度研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、多尺度边缘检测中的有效尺度研究（论文提纲范文）
（1）基于深度学习的多尺度边缘检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 相关技术与国内外研究现状 |
| 1.2.1 传统的边缘检测算法 |
| 1.2.2 基于深度学习的边缘检测算法 |
| 1.3 基于深度学习的多尺度边缘检测面临的挑战 |
| 1.4 本文主要内容及创新点 |
| 1.5 本文章节安排 |
| 第二章 边缘检测算法相关理论 |
| 2.1 卷积神经网络 |
| 2.1.1 卷积操作 |
| 2.1.2 池化操作 |
| 2.1.3 VGGNet卷积神经网络 |
| 2.2 残差网络 |
| 2.2.1 残差学习 |
| 2.2.2 残差块和瓶颈结构 |
| 2.2.3 ResNet残差网络 |
| 2.3 多尺度方法 |
| 2.3.1 图像金字塔 |
| 2.3.2 预测金字塔 |
| 2.3.3 特征融合 |
| 2.3.4 特征金字塔 |
| 2.4 评价指标 |
| 2.4.1 非极大值抑制 |
| 2.4.2 评价指标 |
| 2.5 本章小结 |
| 第三章 基于多尺度全局通道网络的边缘检测 |
| 3.1 全局上下文自注意模块 |
| 3.2 多尺度全局通道网络 |
| 3.3 实验结果与分析 |
| 3.3.1 数据集 |
| 3.3.2 实验环境与设置 |
| 3.3.3 对比实验 |
| 3.3.4 实验结果 |
| 3.4 本章小结 |
| 第四章 基于残差网络的多尺度边缘检测 |
| 4.1 网络结构 |
| 4.2 亚像素卷积 |
| 4.3 基于Relaxed Label的深度监督 |
| 4.4 损失函数 |
| 4.5 实验结果与分析 |
| 4.5.1 实验数据集 |
| 4.5.2 实验设置 |
| 4.5.3 对比实验 |
| 4.5.4 实验结果 |
| 4.6 本章小结 |
| 第五章 基于多尺度增强的边缘检测网络 |
| 5.1 网络结构 |
| 5.2 ED块和MEM |
| 5.3 损失函数 |
| 5.4 实验结果与分析 |
| 5.4.1 实验设置 |
| 5.4.2 对比实验 |
| 5.4.3 实验结果 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读硕士学位期间的研究成果 |
（2）基于特征关系的视觉显着性物体检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.2 视觉显着性检测的理论基础 |
| 1.2.1 基础概念 |
| 1.2.2 视觉显着性的产生机制 |
| 1.2.3 视觉显着性的计算模型 |
| 1.3 国内外研究现状 |
| 1.4 显着性检测主要面临的挑战 |
| 1.5 本文研究内容和章节安排 |
| 第2章 显着性物体检测研究概述 |
| 2.1 引言 |
| 2.2 基于手工设计特征的显着性物体检测算法 |
| 2.2.1 图像预处理 |
| 2.2.2 手工设计特征的提取 |
| 2.2.3 手工设计特征的融合与优化 |
| 2.2.4 基于手工设计特征的显着性检测算法总结 |
| 2.3 基于深度学习的显着性物体检测算法 |
| 2.3.1 显着性特征的编码与提取 |
| 2.3.2 显着性特征的解码与融合 |
| 2.3.3 基于深度学习的显着性检测算法总结 |
| 2.4 常用数据集及评价指标 |
| 2.4.1 常用数据集 |
| 2.4.2 评价指标 |
| 2.5 本章小结 |
| 第3章 基于非局部连接图传播模型的显着性检测算法 |
| 3.1 引言 |
| 3.2 模型框架 |
| 3.3 超像素分割与两层稀疏图的构建 |
| 3.4 基于紧密度特征的显着性图生成 |
| 3.4.1 初始显着性图计算 |
| 3.4.2 基于紧密度特征的高斯细化模型 |
| 3.4.3 具有非局部连接的图传播 |
| 3.5 基于对比度特征的显着性图生成 |
| 3.5.1 初始显着性图计算 |
| 3.5.2 基于对比度特征的高斯细化模型 |
| 3.5.3 传播过程 |
| 3.6 显着性图的融合与优化 |
| 3.6.1 单尺度下显着性图的融合 |
| 3.6.2 单尺度下显着性图的自更新 |
| 3.6.3 多尺度融合与更新 |
| 3.7 实验结果与分析 |
| 3.7.1 参数设置及有效性实验 |
| 3.7.2 非局部连接图模型的有效性验证 |
| 3.7.3 模块有效性验证实验 |
| 3.7.4 算法定量评价 |
| 3.7.5 算法定性评价 |
| 3.8 本章小结 |
| 第4章 基于级联漏斗形神经网络的显着性检测算法 |
| 4.1 引言 |
| 4.2 基于级联漏斗形神经网络的显着性物体检测 |
| 4.2.1 模型框架 |
| 4.2.2 多尺度上下文特征提取模块 |
| 4.2.3 级联的漏斗形特征融合模块 |
| 4.2.4 级联的特征解码模块 |
| 4.2.5 损失函数 |
| 4.3 实验结果与分析 |
| 4.3.1 实验细节 |
| 4.3.2 模块有效性实验 |
| 4.3.3 算法定量评价 |
| 4.3.4 算法定性评价 |
| 4.4 本章小结 |
| 第5章 基于“领导者-追随者”神经网络的显着性检测算法 |
| 5.1 引言 |
| 5.2 斯坦克尔伯格博弈与显着性检测 |
| 5.3 基于“领导者-追随者”神经网络的显着性检测 |
| 5.3.1 模型框架 |
| 5.3.2 基于“领导者-追随者”的注意选择模块 |
| 5.3.3 领导者-追随者特征融合模块 |
| 5.3.4 损失函数 |
| 5.4 实验结果与分析 |
| 5.4.1 实验细节 |
| 5.4.2 算法设置及模块有效性实验 |
| 5.4.3 算法定量评价 |
| 5.4.4 算法定性评价 |
| 5.4.5 视频数据集上的迁移实验 |
| 5.5 算法部署实践 |
| 5.5.1 基础概述 |
| 5.5.2 模型实现与简单压缩 |
| 5.5.3 模型部署 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文研究内容总结 |
| 6.2 未来的研究展望 |
| 附录A 竞争模型求解与神经网络训练收敛过程统一性说明 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（3）基于分数阶边缘检测的语义分割边缘优化方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 论文研究背景 |
| 1.2 相关工作的国内外研究进展 |
| 1.2.1 基于像素分类的全监督语义分割研究发展 |
| 1.2.2 基于边缘特征的语义分割研究现状 |
| 1.2.3 基于分数阶微分的边缘检测研究现状 |
| 1.3 本文主要研究工作 |
| 1.4 论文的组织与结构 |
| 第2章 基础理论 |
| 2.1 卷积神经网络的基础 |
| 2.1.1 基本结构 |
| 2.1.2 训练方法 |
| 2.2 边缘检测基础理论 |
| 2.2.1 边缘检测的基本原理 |
| 2.2.2 边缘检测算法 |
| 2.3 本章小结 |
| 第3章 基于分数阶微分的边缘检测 |
| 3.1 分数阶微分的定义与特性 |
| 3.1.1 常见的分数阶微分类型的定义 |
| 3.1.2 分数阶微分在图像处理中的特性 |
| 3.2 基于分数阶微分的边缘检测方法 |
| 3.2.1 基于整数阶梯度计算的Canny算法 |
| 3.2.2 基于分数阶微分的改进Canny算法 |
| 3.2.3 基于改进Crone算子的边缘检测 |
| 3.2.4 基于局部梯度的自适应分数阶边缘检测 |
| 3.3 实验对比分析 |
| 3.3.1 边缘检测常用数据集与评价指标 |
| 3.3.2 性能评估与分析 |
| 3.4 本章小结 |
| 第4章 基于分数阶边缘检测的语义分割边缘优化方法 |
| 4.1 基于deeplabv3的语义分割方法 |
| 4.2 基于分数阶边缘检测的语义分割边缘优化方法 |
| 4.2.1 边缘检测支路 |
| 4.2.2 边缘注意力机制 |
| 4.2.3 边缘任务的损失函数 |
| 4.3 实验对比分析 |
| 4.3.1 语义分割常用数据集与评价指标 |
| 4.3.2 性能评估与分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 参考文献 |
| 攻读学位论文期间取得的研究成果 |
| 致谢 |
（4）基于深度学习的图像显着对象检测（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景与意义 |
| 1.2 显着对象检测的国内外研究现状 |
| 1.2.1 基于手工特征的传统显着对象检测 |
| 1.2.2 基于深度学习的显着对象检测 |
| 1.3 论文的主要工作 |
| 1.4 论文的章节安排 |
| 第二章 卷积神经网络的基本原理和显着对象数据集 |
| 2.1 引言 |
| 2.2 卷积神经网络的基本原理 |
| 2.2.1 卷积神经网络基本单元 |
| 2.2.2 卷积神经网络的常见模型 |
| 2.2.3 全卷积神经网络 |
| 2.3 显着对象数据集 |
| 2.4 显着对象检测的评价指标 |
| 2.5 显着对象检测所面临的问题 |
| 2.6 本章小结 |
| 第三章 基于语义辅助特征融合的显着对象检测方法 |
| 3.1 引言 |
| 3.2 基于语义辅助特征融合的显着对象检测方法 |
| 3.2.1 本章算法框架 |
| 3.2.2 语义辅助特征融合 |
| 3.3 实验结果及分析 |
| 3.3.1 实验细节 |
| 3.3.2 客观实验结果与分析 |
| 3.3.3 主观实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于边缘特征融合的显着对象检测方法 |
| 4.1 引言 |
| 4.2 基于边缘特征融合的显着对象检测方法 |
| 4.2.1 本章算法框架 |
| 4.2.2 边缘特征融合模块 |
| 4.3 实验结果及分析 |
| 4.3.1 实验细节 |
| 4.3.2 客观实验结果及分析 |
| 4.3.3 主观实验结果及分析 |
| 4.4 本章小结 |
| 第五章 基于双向多尺度特征融合的显着对象检测方法 |
| 5.1 引言 |
| 5.2 基于双向多尺度特征融合的显着对象检测方法 |
| 5.2.1 本章算法框架 |
| 5.2.2 双向多尺度特征融合模块 |
| 5.3 实验结果及分析 |
| 5.3.1 实验细节 |
| 5.3.2 客观实验结果及分析 |
| 5.3.3 主观实验结果及分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（5）基于深度学习的结构外观病害检测与监测数据挖掘（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 桥梁维护管理现状 |
| 1.1.1 桥梁维护管理现状及意义 |
| 1.1.2 桥梁检测评估 |
| 1.1.3 结构健康监测 |
| 1.2 结构维护管理与大数据技术融合发展的趋势 |
| 1.2.1 大数据背景技术 |
| 1.2.2 融合发展的需求 |
| 1.3 传统数据挖掘方法 |
| 1.3.1 数据挖掘主要解决的四类问题 |
| 1.3.2 数据挖掘经典算法 |
| 1.4 深度学习的发展 |
| 1.4.1 深度学习相关领域学科关系 |
| 1.4.2 深度学习5 种常见网络类型 |
| 1.5 深度学习在土木工程中的应用 |
| 1.5.1 一维数据 |
| 1.5.2 二维数据 |
| 1.5.3 多维数据 |
| 1.6 本文研究目标与研究内容 |
| 1.6.1 研究思路及内容 |
| 1.6.2 论文结构安排及创新点 |
| 第2章 基于深度学习和Zernike正交矩的裂缝分割及宽度测量 |
| 2.1 基于数字图像处理的裂缝检测 |
| 2.1.1 传统裂缝分割方法及其局限性 |
| 2.1.2 传统裂缝宽度测量方法及其局限性 |
| 2.2 基于多尺度深度学习的裂缝分割 |
| 2.2.1 整体思路 |
| 2.2.2 GoogLeNet网络结构 |
| 2.2.3 深度残差网络结构 |
| 2.2.4 基于深度学习的裂缝定位及初始分割 |
| 2.2.5 基于深度学习的裂缝精细化分割 |
| 2.3 基于Zernike正交矩的裂缝宽度测量 |
| 2.3.1 正交矩宽度测量原理 |
| 2.3.2 原理误差补偿 |
| 2.3.3 裂缝宽度测量数值计算步骤 |
| 2.4 实验验证 |
| 2.4.1 裂缝定性检测 |
| 2.4.2 裂缝自动勾画 |
| 2.4.3 裂缝宽度测量 |
| 2.5 本章小结 |
| 第3章 基于多尺度特征融合网络的像素级裂缝分割 |
| 3.1 多尺度特征融合网络 |
| 3.1.1 特征提取网络及特征可视化 |
| 3.1.2 像素级特征融合 |
| 3.1.3 连续全卷积层 |
| 3.1.4 损失函数 |
| 3.2 两种策略搭建特征融合网络 |
| 3.2.1 自下而上的融合策略 |
| 3.2.2 自上而下的融合策略 |
| 3.3 不同尺度特征影响分析 |
| 3.3.1 搭建数据库 |
| 3.3.2 特征影响直观分析 |
| 3.3.3 训练过程对比分析 |
| 3.4 其他网络参数影响分析 |
| 3.4.1 全卷积层参数影响分析 |
| 3.4.2 特征提取层参数影响分析 |
| 3.5 模型测试结果与讨论 |
| 3.5.1 不同区间测试样本分析 |
| 3.5.2 完整图像裂缝检测 |
| 3.6 本章小结 |
| 第4章 基于对抗深度学习增强的轻量级裂缝检测网络 |
| 4.1 轻量级网络优化方法 |
| 4.1.1 生成对抗网络的发展 |
| 4.1.2 基于生成对抗的距离 |
| 4.1.3 轻量化网络结构设计 |
| 4.1.4 对抗分支网络 |
| 4.2 网络训练与对比分析 |
| 4.2.1 考虑模糊的数据集增强 |
| 4.2.2 网络优化策略 |
| 4.2.3 提出方法和传统FCN对比分析 |
| 4.2.4 对抗策略对不同网络影响分析 |
| 4.3 实桥裂缝检测 |
| 4.4 本章小结 |
| 第5章 基于一维卷积网络的健康监测异常数据检测 |
| 5.1 健康监测常见异常数据 |
| 5.1.1 数据异常检测的意义 |
| 5.1.2 异常数据类型 |
| 5.2 传统数据异常检测方法及其局限性 |
| 5.2.1 基于单个传感器数据的异常检测 |
| 5.2.2 基于多元统计分析的异常检测 |
| 5.2.3 基于深度学习的异常检测 |
| 5.2.4 传统方法的局限性 |
| 5.3 基于一维卷积网络的数据异常检测方法 |
| 5.3.1 一维卷积网络框架 |
| 5.3.2 损失函数 |
| 5.3.3 Adam优化策略 |
| 5.4 江阴大桥吊杆监测数据异常检测 |
| 5.4.1 数据集准备 |
| 5.4.2 网络训练及参数设置 |
| 5.4.3 基于T-SNE降维的特征分析 |
| 5.4.4 长期监测数据异常识别结果 |
| 5.5 本章小结 |
| 第6章 基于卷积自编码网络的长期监测数据压缩 |
| 6.1 传统数据压缩技术 |
| 6.1.1 无损压缩 |
| 6.1.2 有损压缩 |
| 6.2 卷积自编码网络结构 |
| 6.2.1 研究框架 |
| 6.2.2 重建网络 |
| 6.2.3 损失函数 |
| 6.3 江阴大桥吊杆长期监测数据压缩 |
| 6.3.1 数据集准备 |
| 6.3.2 网络训练及参数设置 |
| 6.3.3 压缩率对重建精度影响分析 |
| 6.3.4 与传统数据压缩方法对比 |
| 6.3.5 长期监测数据压缩结果 |
| 6.4 本章小结 |
| 第7章 全文总结与展望 |
| 7.1 本文主要成果与创新 |
| 7.2 后续工作展望 |
| 参考文献 |
| 个人简历、在读期间发表学术论文与研究成果 |
| 致谢 |
（6）基于深度学习的多尺度目标检测研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 检测器 |
| 1.2.2 多尺度检测 |
| 1.2.3 目标表示 |
| 1.3 本文研究内容 |
| 1.4 本文结构安排 |
| 2 多尺度目标检测基础 |
| 2.1 常用数据集 |
| 2.1.1 Microsoft COCO |
| 2.1.2 Tsinghua-Tencent 100K |
| 2.2 多尺度目标检测框架组成 |
| 2.2.1 主干网络 |
| 2.2.2 特征金字塔 |
| 2.2.3 区域特征提取 |
| 2.2.4 检测头 |
| 2.3 本章小结 |
| 3 扩展的特征金字塔网络 |
| 3.1 引言 |
| 3.2 方法设计 |
| 3.2.1 扩展特征金字塔 |
| 3.2.2 基于特征纹理迁移的特征超分辨率 |
| 3.2.3 跨分辨率知识蒸馏 |
| 3.3 实验 |
| 3.3.1 数据集及评价标准 |
| 3.3.2 实现细节 |
| 3.3.3 消融实验 |
| 3.3.4 定量实验 |
| 3.3.5 定性实验 |
| 3.4 本章小结 |
| 4 基于边缘代表点集合的检测头 |
| 4.1 引言 |
| 4.2 方法设计 |
| 4.2.1 边缘代表点集合 |
| 4.2.2 检测头网络 |
| 4.2.3 训练 |
| 4.3 实验 |
| 4.3.1 数据集及评价标准 |
| 4.3.2 实现细节 |
| 4.3.3 消融实验 |
| 4.3.4 定量实验 |
| 4.3.5 定性实验 |
| 4.4 本章小结 |
| 5 边缘敏感的多尺度检测框架 |
| 5.1 引言 |
| 5.2 框架设计 |
| 5.2.1 网络结构 |
| 5.2.2 标签分配 |
| 5.2.3 训练方案 |
| 5.2.4 后处理 |
| 5.3 与其他先进方法比较 |
| 5.4 应用实例 |
| 5.4.1 应用背景 |
| 5.4.2 系统结构 |
| 5.4.3 实验 |
| 5.5 本章小结 |
| 6 总结及展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简介 |
| 文章目录 |
（7）基于机器视觉的机械零件在位检测技术的研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 机械零件检测技术研究现状 |
| 1.3 机器视觉检测技术研究现状 |
| 1.4 基于机器视觉的在位检测技术研究现状 |
| 1.5 本文研究内容和研究路线 |
| 1.6 论文结构 |
| 第2章 基于机器视觉的机械零件在位检测系统 |
| 2.1 系统的特点及功能 |
| 2.2 系统总体架构 |
| 2.3 系统的硬件组成 |
| 2.3.1 相机选型 |
| 2.3.2 镜头选型 |
| 2.3.3 光源选择 |
| 2.3.4 光电开关 |
| 2.3.5 My-RIO |
| 2.3.6 暗箱 |
| 2.3.7 气缸 |
| 2.4 在位检测系统设计 |
| 2.5 系统的软件介绍 |
| 2.6 本章小结 |
| 第3章 机械零件在位检测中的图像处理技术 |
| 3.1 图像的采集与获取 |
| 3.2 图像预处理 |
| 3.2.1 灰度变换 |
| 3.2.2 噪声处理 |
| 3.3 图像分割 |
| 3.4 边缘检测 |
| 3.4.1 Sobel算子 |
| 3.4.2 Canny算子 |
| 3.4.3 拉普拉斯算子 |
| 3.4.4 小波变换 |
| 3.5 最小二乘法 |
| 3.6 本章小结 |
| 第4章 在位检测系统软件设计与实现 |
| 4.1 检测系统图像标定分析 |
| 4.1.1 相机成像原理 |
| 4.1.2 相机标定 |
| 4.2 齿轮参数在位检测的实现及合格性判定 |
| 4.3 基于几何形状和灰度特征相结合的自动分区 |
| 4.4 多项式插值与最小二乘回归拟合相结合 |
| 4.5 涂层拟合直线坐标的输出及数控机床的通信连接设计 |
| 4.6 本章小结 |
| 第5章 实验结果分析 |
| 5.1 现场测试 |
| 5.2 测试结果分析 |
| 5.3 误差分析 |
| 5.3.1 环境误差 |
| 5.3.2 硬件误差 |
| 5.3.3 软件算法误差 |
| 5.3.4 加工误差 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和获得的科研成果 |
| 致谢 |
（8）基于候选区域目标检测的关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 英语缩略词 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 计算机视觉概述 |
| 1.1.2 目标检测概述 |
| 1.2 课题的国内外研究现状 |
| 1.2.1 基于滑动窗口的目标检测 |
| 1.2.2 基于候选区域的目标检测 |
| 1.2.3 基于回归的目标检测 |
| 1.2.4 其他方式的目标检测 |
| 1.2.5 多尺度目标的定义 |
| 1.2.6 多尺度目标的检测思想 |
| 1.3 本文的研究内容 |
| 1.4 论文的创新工作 |
| 1.5 论文组织结构安排 |
| 第2章 一种Edge Boxes与颜色对比度的候选区域算法 |
| 2.1 引言 |
| 2.2 Edge Boxes算法概述 |
| 2.2.1 边缘组及边缘组的相似性 |
| 2.2.2 边缘组的权重值 |
| 2.2.3 滑动窗口含有目标的置信度的得分 |
| 2.3 Edge Boxes算法优点及缺点分析 |
| 2.4 基于颜色对比度与Edge Boxes的候选区域算法 |
| 2.4.1 颜色对比度 |
| 2.4.2 颜色对比度与Edge Boxes算法模型 |
| 2.5 实验结果 |
| 2.5.1 数据库选取及性能评价指标 |
| 2.5.2 参数的确定 |
| 2.5.3 实验结果及性能分析 |
| 2.5.4 运算效率时间对比 |
| 2.5.5 所提算法的目标检测结果 |
| 2.6 本章小结 |
| 第3章 基于卷积边缘特征网络与目标显着性的候选区域算法 |
| 3.1 引言 |
| 3.2 卷积边缘特征网络 |
| 3.2.1 卷积边缘特征网络的结构 |
| 3.2.2 卷积边缘特征网络的损失函数 |
| 3.2.3 多尺度卷积边缘特征网络 |
| 3.2.4 卷积边缘特征网络的训练与测试 |
| 3.3 基于单尺度卷积边缘特征网络的候选区域算法 |
| 3.4 目标的显着性特征 |
| 3.4.1 目标显着性 |
| 3.4.2 目标的空间位置 |
| 3.5 卷积边缘特征网络RCF与目标显着性 |
| 3.5.1 丰富语义信息的边缘特征图 |
| 3.5.2 目标显着性及目标位置信息 |
| 3.5.3 基于RCF与目标显着性的候选区域算法 |
| 3.5.4 参数的确定 |
| 3.5.5 所述算法的通用性 |
| 3.5.6 所述算法在大中尺寸目标上的性能 |
| 3.6 本章小结 |
| 第4章 融合卷积边缘特征网络与超像素的候选区域算法 |
| 4.1 引言 |
| 4.2 超像素算法SLIC |
| 4.2.1 SLIC算法的简述 |
| 4.2.2 像素与聚类中心的距离 |
| 4.3 融合RCF与超像素的候选区域算法 |
| 4.3.1 超像素的显着性 |
| 4.3.2 候选区域算法介绍 |
| 4.3.3 参数的确定 |
| 4.3.4 实验结果及分析 |
| 4.3.5 超像素显着性对候选区域算法的影响 |
| 4.4 目标检测框架 |
| 4.4.1 Fast RCNN介绍 |
| 4.4.2 Fast RCNN网络结构 |
| 4.4.3 预训练网络的初始化 |
| 4.4.4 Fast RCNN网络的精调 |
| 4.5 所述候选区域算法在Fast RCNN网络的性能表现 |
| 4.6 各候选区域算法的运算效率对比 |
| 4.7 所提算法对小尺寸目标的性能 |
| 4.8 目标尺寸及候选区域方法的选取 |
| 4.9 本章小结 |
| 第5章 基于卷积神经网络的小尺寸目标检测研究 |
| 5.1 小尺寸目标检测的介绍 |
| 5.1.1 小尺寸目标的定义 |
| 5.1.2 小尺寸目标检测的难点 |
| 5.2 小尺寸目标的检测数据集及数据扩充 |
| 5.2.1 小尺寸目标数据集 |
| 5.2.2 小尺寸目标的数据扩充 |
| 5.2.3 小尺寸目标数据的预处理 |
| 5.3 基于候选区域的小目标检测 |
| 5.3.1 基于Faster RCNN的目标检测 |
| 5.3.2 基于Faster RCNN的小尺寸目标检测 |
| 5.3.3 实验细节 |
| 5.4 基于自主回归的小尺寸目标检测 |
| 5.4.1 SSD的目标检测 |
| 5.4.2 基于SSD的小尺寸目标检测 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文总结 |
| 6.2 未来工作的展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（9）高分辨率卫星影像分类及变化检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 高分影像 |
| 1.1.2 高分影像分类及变化检测技术 |
| 1.2 国内外研究现状 |
| 1.2.1 分类算法 |
| 1.2.2 变化检测算法 |
| 1.3 研究意义 |
| 1.4 研究目标和研究路线 |
| 1.5 论文的组织结构 |
| 第二章 影像分类与变化检测技术 |
| 2.1 影像分类技术概述 |
| 2.1.1 遥感影像传统分类方法 |
| 2.1.2 遥感影像深度学习分类方法 |
| 2.1.3 一般分类方案 |
| 2.2 目前分类技术的缺陷 |
| 2.3 变化检测技术概述 |
| 2.3.1 变化检测的概念 |
| 2.3.2 变化检测的方法 |
| 2.3.3 变化检测数学模型的建立 |
| 2.3.4 变化检测的基本流程 |
| 2.4 目前变化检测技术存在的缺陷 |
| 第三章 基于脊波、卷积神经网络的高分影像分类算法 |
| 3.1 脊波理论 |
| 3.1.1 小波分析及多尺度几何分析 |
| 3.1.2 脊波理论 |
| 3.2 卷积神经网络 |
| 3.2.1 人工神经网络出现及发展 |
| 3.2.2 卷积神经网络 |
| 3.3 基于脊波、卷积神经网络的高分影像分类算法 |
| 3.3.1 算法的整体思路 |
| 3.3.2 低分辨率样本的产生 |
| 3.3.3 脊波滤波器 |
| 3.3.4 多分辨率卷积神经网络模型(MRCNNS) |
| 3.4 实验说明 |
| 3.4.1 实验数据说明 |
| 3.4.2 实验设计和参数分析 |
| 3.5 实验结果与分析 |
| 3.5.1 结果比较 |
| 3.5.2 训练样本数量对分类精度的影响分析 |
| 3.5.3 结果分析 |
| 第四章 基于光谱特征级融合及多尺度分割投票决策的变化检测方法 |
| 4.1 影像融合 |
| 4.1.1 影像融合的主要方法 |
| 4.1.2 影像融合系统框架 |
| 4.2 多尺度分割 |
| 4.2.1 尺度空间理论 |
| 4.2.2 影像分割 |
| 4.2.3 多尺度分割 |
| 4.3 基于光谱特征级融合及多尺度分割投票决策的变化检测方法 |
| 4.3.1 算法整体思路 |
| 4.3.2 二值变化特征影像的生成 |
| 4.3.3 多尺度分割投票决策 |
| 4.4 实验说明 |
| 4.4.1 实验数据说明 |
| 4.4.2 实验设计和参数分析 |
| 4.5 实验结果与分析 |
| 4.5.1 实验参数说明 |
| 4.5.2 实验结果 |
| 4.5.3 结果分析 |
| 第五章 分类及变化检测算法在土地调查中的应用 |
| 5.1 分类算法在土地调查数据质量评价方面的应用 |
| 5.1.1 应用背景分析 |
| 5.1.2 实验数据及步骤说明 |
| 5.1.3 实验结果及分析 |
| 5.2 变化检测算法在年度土地变更调查与遥感监测中的应用 |
| 5.2.1 应用背景分析 |
| 5.2.2 实验数据及步骤说明 |
| 5.2.3 实验结果及分析 |
| 总结与展望 |
| 1 全文总结 |
| 2 主要创新点 |
| 3 存在的问题及后续研究展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（10）基于漏磁内检测的输油管道缺陷识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景和目的 |
| 1.2 国内外漏磁检测技术发展及现状 |
| 1.3 国内外漏磁检测缺陷识别方法研究 |
| 1.3.1 国外漏磁检测缺陷识别方法研究 |
| 1.3.2 国内漏磁检测缺陷识别方法研究 |
| 1.3.3 基于深度学习的缺陷识别方法研究 |
| 1.4 国内外漏磁检测缺陷重构方法研究 |
| 1.5 论文研究内容及拟解决的关键问题 |
| 1.5.1 论文研究内容 |
| 1.5.2 拟解决的关键问题 |
| 第2章 管道漏磁内检测原理及检测数据研究 |
| 2.1 管道漏磁内检测原理 |
| 2.1.1 漏磁检测技术 |
| 2.1.2 管道漏磁内检测器结构及工作流程 |
| 2.1.3 管道漏磁内检测原理 |
| 2.1.4 漏磁场理论 |
| 2.1.5 漏磁场分布 |
| 2.2 管道漏磁内检测数据研究 |
| 2.2.1 漏磁检测数据曲线研究 |
| 2.2.2 漏测检测数据图像研究 |
| 第3章 基于数据融合的小波变换漏磁异常边缘提取方法研究 |
| 3.1 小波变换理论研究 |
| 3.1.1 小波变换原理 |
| 3.1.2 小波多尺度变换原理 |
| 3.1.3 基于小波变换的融合算法 |
| 3.2 基于数据融合的小波变换漏磁异常边缘提取方法研究 |
| 3.3 基于数据融合的小波变换漏磁异常边缘提取实验及结果分析 |
| 3.3.1 实验准备 |
| 3.3.2 实验评价指标 |
| 3.3.3 实验过程 |
| 3.3.4 仿真实验 |
| 3.3.5 实验算法参数分析 |
| 3.3.6 实验算法对比 |
| 3.4 本章小结 |
| 第4章 基于U-NET网络的微小漏磁异常区域提取方法研究 |
| 4.1 基于U-NET的深度学习方法研究 |
| 4.1.1 深度学习方法研究 |
| 4.1.2 深度学习技术研究 |
| 4.1.3 U-Net网络模型的研究 |
| 4.1.4 Res Net网络模型的研究 |
| 4.1.5 对抗网络模型的研究与优化 |
| 4.2 改进的U-NET网络模型和算法研究 |
| 4.3 基于U-NET网络和对抗网络的异常区域提取实验及结果分析 |
| 4.3.1 实验准备 |
| 4.3.2 实验过程 |
| 4.3.3 实验评价指标 |
| 4.3.4 实验结果分析 |
| 4.3.5 噪声鲁棒性实验分析 |
| 4.4 本章小结 |
| 第5章 基于卷积神经网络的管道连接组件和缺陷识别方法研究 |
| 5.1 管道连接组件识别意义研究 |
| 5.2 基于卷积神经网络的识别方法研究 |
| 5.2.1 深度神经网络研究 |
| 5.2.2 卷积神经网络研究 |
| 5.2.3 改进的卷积神经网络算法研究 |
| 5.3 基于改进的深度网络组件及缺陷识别实验及分析 |
| 5.3.1 实验设置 |
| 5.3.2 实验算法评估标准 |
| 5.3.3 改进的卷积神经网络实验训练过程 |
| 5.3.4 焊缝法兰组件识别结果实验分析 |
| 5.3.5 缺陷识别结果实验分析 |
| 5.3.6 漏磁图像位移和畸变实验分析 |
| 5.4 本章小结 |
| 第6章 基于偏差估计的漏磁信号缺陷三维轮廓重构方法研究 |
| 6.1 漏磁信号缺陷三维轮廓重构 |
| 6.1.1 缺陷三维重构方法研究 |
| 6.1.2 缺陷轮廓数据分析 |
| 6.2 理论算法研究 |
| 6.2.1 有限元正演模型研究 |
| 6.2.2 随机森林算法研究 |
| 6.3 训练数据的获取 |
| 6.4 基于随机森林的缺陷轮廓反演算法研究 |
| 6.5 实验及分析 |
| 6.5.1 仿真实验 |
| 6.5.2 仿真结果分析 |
| 6.5.3 真实实验 |
| 6.5.4 实验结果分析 |
| 6.6 本章小结 |
| 第7章 结论 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
四、多尺度边缘检测中的有效尺度研究（论文参考文献）
- [1]基于深度学习的多尺度边缘检测算法研究[D]. 张旺. 江南大学, 2021(01)
- [2]基于特征关系的视觉显着性物体检测算法研究[D]. 罗惠元. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2021(08)
- [3]基于分数阶边缘检测的语义分割边缘优化方法研究[D]. 郑淘. 四川大学, 2021(02)
- [4]基于深度学习的图像显着对象检测[D]. 代胜选. 电子科技大学, 2021(01)
- [5]基于深度学习的结构外观病害检测与监测数据挖掘[D]. 倪富陶. 东南大学, 2021
- [6]基于深度学习的多尺度目标检测研究[D]. 邓淳方. 浙江大学, 2021(01)
- [7]基于机器视觉的机械零件在位检测技术的研究与实现[D]. 李雪松. 沈阳理工大学, 2021(01)
- [8]基于候选区域目标检测的关键技术研究[D]. 王春哲. 中国科学院大学(中国科学院国家空间科学中心), 2020(06)
- [9]高分辨率卫星影像分类及变化检测算法研究[D]. 郑志峰. 长安大学, 2020(06)
- [10]基于漏磁内检测的输油管道缺陷识别方法研究[D]. 曹辉. 沈阳工业大学, 2020(02)