针对建筑固废在线识别中因相似特征导致的RGB识别准确率不高的问题,搭建双相机采集实验台,同步采集彩色图像和深度图像,提出一种基于彩色图像和深度图像的多模态融合与深度特征增强网络(DFENet).DFENet能够有效融合固废的彩色图像特征...针对建筑固废在线识别中因相似特征导致的RGB识别准确率不高的问题,搭建双相机采集实验台,同步采集彩色图像和深度图像,提出一种基于彩色图像和深度图像的多模态融合与深度特征增强网络(DFENet).DFENet能够有效融合固废的彩色图像特征和深度图像特征。通过设计深度特征加强融合模块PFPD平衡并加强深度特征,显著提升了网络的识别精度。实验结果表明:与RGB+FPN(特征金字塔网络)方式相比,PFPD方式在IoU=0.50上的识别精度从92.4%提高至94.7%,在IoU=0.75上的识别精度从90.8%提升至92.8%;与实例分割网络(Mask R CNN)相比,DFEnet识别精度从86.4%提高至89.2%;提出的方法有效地提高了固体废弃物识别的目标检测和实例分割模型识别精度。展开更多
文摘针对建筑固废在线识别中因相似特征导致的RGB识别准确率不高的问题,搭建双相机采集实验台,同步采集彩色图像和深度图像,提出一种基于彩色图像和深度图像的多模态融合与深度特征增强网络(DFENet).DFENet能够有效融合固废的彩色图像特征和深度图像特征。通过设计深度特征加强融合模块PFPD平衡并加强深度特征,显著提升了网络的识别精度。实验结果表明:与RGB+FPN(特征金字塔网络)方式相比,PFPD方式在IoU=0.50上的识别精度从92.4%提高至94.7%,在IoU=0.75上的识别精度从90.8%提升至92.8%;与实例分割网络(Mask R CNN)相比,DFEnet识别精度从86.4%提高至89.2%;提出的方法有效地提高了固体废弃物识别的目标检测和实例分割模型识别精度。
