病害严重影响作物品质, 并造成经济损失。 病斑分割是病害定量诊断的重要过程, 其分割结果可为后续的识别和严重度估算提供有效依据。 由于病斑具有不规则性和复杂性, 且自然环境下病斑可见光谱图像易受光照变化等影响, 传统的图像处理方法对病斑图像分割存在准确率低、 普适性低和鲁棒性不高等问题。 该工作提出了基于语义分割和可见光谱图像的作物叶部病害病斑分割方法。 首先, 以花生褐斑病、 烟草赤星病为研究对象, 使用尼康D300s单反相机共采集到165张可见光谱图像。 通过Matlab Image Labeler APP对病害可见光谱图像进行像素标记, 分别标记出褐斑病病斑、 赤星病病斑和背景区域。 其次, 对标记后的数据采用水平翻转、 垂直翻转、 改变亮度等图像扩充方式, 获得1 850份增强后样本数据集。 为了节约计算成本, 将数据集的像素分辨率调整为300×300。 最后, 基于FCN, SegNet和U-Net 3种语义分割网络, 构建4 种作物叶部病害病斑分割模型, 探索了数据增强、 病害类别对病斑分割模型的影响, 并采用4种分割指标评价模型效果。 结果表明: 仅对于病斑分割, 图像增强能够提高模型的分割精度, 增强后FCN模型的平均精度(MP)和平均交并比(MIoU)分别为95.71%和93.36%。 4个语义分割模型显著优于支持向量机(SVM), 其中FCN与U-Net, SegNet-2和SegNet-4分割模型相比, 能够有效避免光线变化等影响, 病斑分割精度(P)和交并比(IoU)分别达到99.25%和97.55%。 对于病斑分类分割实验, FCN对两种病害的分割精度Pd分别达到97.54%和90.41%, 对两种病害的交并比IOUd分别为95.61%和70.30%, 均优于其他3种分割模型。 FCN能够在分割病斑的同时也准确地识别病害类别, 有较好的泛化性和鲁棒性, 实现了自然场景下作物叶部病害病斑的识别与分割, 为计算混合病害严重度提供了技术参考。

针对现有方法在肺结节检测中准确率低及存在过拟合现象的问题,提出一种基于改进YOLACT模型的肺结节检测方法。在模型的主体结构上,采用DetNet替代原始的残差网络,解决了原始模型在小型结节检测上的局限性。在模型训练上,针对原模型在少量肺结节数据上学习困难而引起的过拟合问题,引入迁移学习机制,帮助新模型得到更好的检测结果。使用RReLU激活函数代替原有的ReLU激活函数,减少了原模型可能存在的过拟合现象。在LUNA16数据集上的实验结果表明,所提方法在受试者工作曲线下面积、假阳率、漏诊率及准确率上均取得了一定的提升。

当前行人检测的一个主要挑战是在复杂的场景中检测出不同尺度的行人, 尤其是远尺度行人。由于不同尺度的行人会表现出不同的视觉外观特征, 鉴于此提出了一种多尺度感知的行人检测算法。在全卷积网络结构中引进可形变卷积层, 扩大特征图的感受野; 通过级联区域建议网络提取多尺度行人建议区域, 引入多尺度判别策略, 定义尺度判别层, 判别行人建议区域的尺度类别; 构建一个多尺度感知网络, 引进软非极大值抑制（Soft-NMS）检测算法, 融合每个网络输出的分类值和回归值, 获取最终的行人检测结果。实验表明, 本文提出的检测算法在基准数据集Caltech和ETH上的检测误差较低, 检测精度优于当前其他检测算法, 适用于检测远尺度行人。