發(fā)布時間：2022-01-12 15:18

　　可見光圖像是外部光源照射拍攝物體表面經(jīng)反射得到,而熱紅外圖像卻由拍攝目標自身發(fā)出的紅外光波所形成的圖像,所以紅外相機能在黑夜無光源環(huán)境下有效成像。因此,對熱紅外圖像進行語義分割,可以實現(xiàn)全天時全天候的圖像分析和理解。熱紅外圖像本質是對拍攝物體及其周圍環(huán)境溫度場的表示,具有低分辨率、弱對比度、弱紋理、輪廓信息不顯著等特點。直接使用基于可見光的語義分割算法不能很好地處理熱紅外圖像。本文就如何解決熱紅外語義分割問題展開相關研究,不僅取得了良好的分割精度而且滿足實時運行要求。本文主要研究成果包含以下三個方面:第一,提出了一種基于門機制的邊緣引導網(wǎng)絡,實現(xiàn)精準的熱紅外圖像語義分割。針對熱紅外圖像存在的弱輪廓,弱對比度等問題,將邊緣信息作為先驗知識,設計邊緣引導模塊,使得網(wǎng)絡更好地分割目標。由于額外引入的邊緣信息可能存在噪聲,干擾分割結果,所以又增加門機制抑制噪聲。該方法在熱紅外圖像語義分割數(shù)據(jù)集SODA取得良好結果,證明其有效性和先進性。此外還在可見光數(shù)據(jù)集驗證并取得良好精度,證明該方法同樣適用于可見光數(shù)據(jù)。第二,建立一個熱紅外圖像語義分割數(shù)據(jù)集。由于缺乏有效公共的熱紅外圖像語義分割數(shù)據(jù)集,本文... 

【文章來源】：安徽大學安徽省 211工程院校

【文章頁數(shù)】：78 頁

【學位級別】：碩士

【部分圖文】：

熱紅外相對可見光的優(yōu)勢

第一章緒論2機可以推斷出更多有用信息，例如，檢測物體類型，分析物體表面材質，判斷目標健康程度，惡劣環(huán)境下發(fā)現(xiàn)目標。在大多數(shù)工業(yè)領域，一個穩(wěn)定的溫度對于保障整個系統(tǒng)的良好運轉至關重要。許多重要設備，例如，儲油氣罐、閥門、管道、窯爐等，都是在高溫高壓條件下運作，而且大多數(shù)生產(chǎn)操作都是一體化、流程化作業(yè)，周期運行長，加上工業(yè)生產(chǎn)本身固有的、難以預料的危險性，生產(chǎn)或加工的材料存在一些易燃易爆產(chǎn)品，所以這些生產(chǎn)部門歷年來都非常重視生產(chǎn)工藝過程中對運行設備本身的可靠性及安全性嚴密檢測并且定期停產(chǎn)檢修，把可能出現(xiàn)的問題從源頭消除。這些損壞部位常常先發(fā)生在管內(nèi)，管道外部變化很細微，肉眼很難從外部直接察覺。而管道內(nèi)部的好壞常與溫度相關，如果某個點的溫度突然升高或管道的溫度分布不均，表明該部分很有可能出現(xiàn)錯誤或紊亂。所以在設備發(fā)生故障之前，及時發(fā)現(xiàn)設備異常的溫度變化具有很大的意義。使用熱紅外相機，可以在不干擾生產(chǎn)且不跟物體直接接觸的情況下檢測溫度變化，對設備的運行狀態(tài)及時掌握，大大降低出事故的可能性。圖1.2熱紅外技術應用Fig1.2Applicationsofthermalinfraredtechnology熱紅外攝像儀在電力領域的應用，包括對場景輸配線路、變電站、電力開關柜等遠距離實時監(jiān)測溫度，精確定位不同溫度點，防止儀器設備因發(fā)熱過高而發(fā)生故障。在智能制造業(yè)中，可以監(jiān)控流水線設備運轉和電氣連接，助力高精度零部件加工和生產(chǎn)線過

第三章基于邊緣條件引導的熱紅外語義分割14圖3.1EC-CNN模型有效性展示Fig3.1TheeffectivenessdemonstrationofEC-CNN第二點，提出一個熱紅外語義分割標準數(shù)據(jù)集。具本文所知，截止目前，在公共語義分割數(shù)據(jù)集上并沒有任何一個有關熱紅外語義分割數(shù)據(jù)集，所以，制作熱紅外圖像語義分割數(shù)據(jù)集并驗證所提出方法的有效性，并向學術研究領域公開，促進語義分割領域發(fā)展。為了充分體現(xiàn)熱紅外數(shù)據(jù)的優(yōu)勢，可以同時在白天和黑夜拍攝到有用的數(shù)據(jù)。SODA一共包含超過2000張以上手工采集的數(shù)據(jù)和5000張算法合成的熱紅外數(shù)據(jù)，其中包含20個語義類別標簽，并且數(shù)據(jù)內(nèi)容來自于多視角、并且多場景拍攝。其中，由于標注語義分割數(shù)據(jù)的復雜性，本文為了節(jié)約成本，采用標注少量部分熱紅外數(shù)據(jù)，其他部分數(shù)據(jù)用圖像轉換算法將現(xiàn)有可見光語義分割數(shù)據(jù)集轉換成虛擬的熱紅外數(shù)據(jù)。最后，在本文提出的SODA數(shù)據(jù)集上，對比了多個方法。為了證明本文提出的基于邊緣條件引導的神經(jīng)卷積網(wǎng)絡的有效性。本文采用三種評價指標（平均交并比，像素準確度，運行時間）和十個最先進的語義分割算法進行綜合性比較。通過綜合分析，展現(xiàn)本文提出方法的有效性。據(jù)已了解的知識，這是第一個研究熱紅外語義分割問題的工作。本文的貢獻總結如下：本文針對熱紅外語義分割問題提出了一種基于邊緣條件卷積神經(jīng)網(wǎng)絡。基于邊緣條件卷積神經(jīng)網(wǎng)絡可以通過自適應方式將邊緣先驗嵌入網(wǎng)絡中使得分割結果更具魯棒性。

【參考文獻】：
期刊論文
[1]基于深度卷積神經(jīng)網(wǎng)絡的道路場景理解[J]. 吳宗勝,傅衛(wèi)平,韓改寧.  計算機工程與應用. 2017(22)
[2]圖像語義分割深度學習模型綜述[J]. 張新明,祝曉斌,蔡強,劉新亮,邵瑋,王磊.  高技術通訊. 2017(Z1)
[3]基于深度學習的無人車夜視圖像語義分割[J]. 高凱珺,孫韶媛,姚廣順,趙海濤.  應用光學. 2017(03)
[4]一種多尺度CNN的圖像語義分割算法[J]. 劉丹,劉學軍,王美珍.  遙感信息. 2017(01)
[5]基于內(nèi)容的圖像分割方法綜述[J]. 姜楓,顧慶,郝慧珍,李娜,郭延文,陳道蓄.  軟件學報. 2017(01)
[6]基于DCNN的圖像語義分割綜述[J]. 魏云超,趙耀.  北京交通大學學報. 2016(04)
[7]高階馬爾科夫隨機場及其在場景理解中的應用[J]. 余淼,胡占義.  自動化學報. 2015(07)
[8]基于高階CRF模型的圖像語義分割[J]. 毛凌,解梅.  計算機應用研究. 2013(11)

博士論文
[1]基于卷積神經(jīng)網(wǎng)絡的醫(yī)學圖像癌變識別研究[D]. 薛迪秀.中國科學技術大學 2017
[2]基于深度學習的紅外圖像語義分割技術研究[D]. 王晨.中國科學院大學(中國科學院上海技術物理研究所) 2017

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡的圖像語義分割[D]. 陳鴻翔.浙江大學 2016



本文編號：3585004