基于Faster R-CNN的钢板表面缺陷检测方法

对钢板表面常见缺陷和现有的基于深度学习的表面缺陷检测算法进行分析,选用Faster RCNN(region-based convolutional neural network)模型对钢板表面缺陷进行检测。由于Faster RCNN中的RoI Pooling池化操作产生的像素偏差和空间位置偏差会影响检测精度,选用在小缺陷细节特征上表现更好的RoI Align作为改进Faster R-CNN的特征池化模块。在PyTorch框架上对YOLOv3、Faster R-CNN和改进Faster R-CNN模型进行训练与测试,结果表明,改进Faster RCNN的平均检测精度为87.14%,相比YOLOv3和Faster R-CNN检测精度分别提高4.81%和2.07%,对于小缺陷的检测精度的提高更为显著。     

一种基于改进Faster RCNN的校园车辆检测方法

传统车辆检测的算法无法自适应地完成复杂场景变化下目标特征提取,导致算法检测速度慢、检测效果差和检测精度低。提出了一种改进的Faster RCNN的车辆检测方法。这种方法设计了2个网络:一个准确的车辆候选区域检测网络(PVRNet)及车辆属性学习网络(VALNet)。通过大量的汽车图片数据样本,学习获得一个具有泛化能力强、检测以及定位准确率高的检测模型,其次将测试汽车图片输入该检测模型,得到可能的结果。可以处理复杂的视觉任务,避免人为设计车辆目标的特征,减少人员主观因素影响。实验结果表明,提出的方法显著提高了校园车辆检测性能,检测结果平均精度较高。     

基于卷积神经网络语义检测的细粒度鸟类识别

细粒度识别的主要目的是在相同基本类别下对其繁多的子类别进行区分。不只局限于头和躯干的定位现状,提出了一种基于Faster RCNN联合语义提取和检测的分类方法。通过引入自上而下的方法来生成七个小语义部位,既大大减少了候选区域的个数,又提高了分类的效率。检测子网可以和区域候选生成网络(RPN)共享卷积特征,结果使得区域建议几乎不花时间,从而可以生成高质量并且具有局部特征的区域建议框,便于Fast RCNN的检测。相对于其他鸟类识别研究,实验中鸟类识别准确率达到了88.37%,提高了识别效率。说明联合语义的Faster RCNN网络适用于鸟类的细粒度识别。     

基于卷积神经网络的车辆和行人检测算法

针对传统的车辆和行人检测算法在提取特征时鲁棒性较差的问题,提出一种基于深度学习的车辆和行人检测算法。该算法利用更快速的区域卷积神经网络(Faster RCNN)开源框架和Squeezenet网络,通过在线负样本学习(OHEM)算法和可变的非极大值抑制(Soft-NMS)算法来改进算法的检测精度。首先采用Squeezenet网络框架对图片提取特征,然后通过区域提取网络算法(RPN)获取图片中待检测的区域,最后在检测阶段加入OHEM算法对疑难样本进行重新学习和Soft-NMS抑制重叠矩形框,从而得到目标的得分和边界框。结果表明,基于卷积神经网络的车辆和行人检测算法能够获得较好的检测效果。     

基于区域生成网络结构的多层特征融合目标检测算法

现有深度学习目标检测算法往往只利用了卷积神经网络(convolutional neural network,CNN)提取的深层特征进行判别,对浅层特征利用不足。为了利用浅层的细节信息来提高最终所提取的特征层信息的丰富性,提出了一种基于区域生成网络(region proposal network,RPN)结构的多层特征融合目标检测算法,该算法通过深度卷积网络获取不同层次的特征,并将浅层特征与深层次特征进行融合来获得更加丰富的提取特征,以提升检测模型的性能。以Image Net上的公开数据voc2007为实验对象,以Faster RCNN为基础的检测框架进行改进,最终改进后的平均精度均值(mean average precision,mAP)相比于Faster RCNN有所提升,表明研究结果提升了目标检测模型的准确度。     

基于级联卷积神经网络的番茄果实目标检测

为了使采摘机器人在收获番茄时更加精准地识别目标果实,采用改进后的Cascade RCNN网络对温室内的番茄果实进行目标检测.将Cascade RCNN网络中的非极大值抑制算法替换为Soft-NMS(soft non-maximum suppression)算法,采用适合番茄形状的锚框,增强网络对重叠果实的识别能力,与原Cascade RCNN网络相比,目标识别的准确率提高了近2％,在识别番茄果实的同时,该网络对番茄的成熟度进行了简单分类.为进一步验证网络性能,将改进网络与经典的Faster RCNN网络和YOLOv3网络进行对比.实验结果表明,改进网络能够准确地识别出番茄果实,并对成熟番茄与未成熟番茄做出区分.该方法可为温室内番茄果实的采摘提供技术支持.     

基于改进Faster RCNN的印刷电路板瑕疵检测算法

PCB印刷电路板上元器件较多且距离较小,电路走线颜色较为相近.传统检测方法基于机器视觉检测,其算法存在检测速度慢、误检率较多、能够检测出的瑕疵种类较少等问题.基于此,提出了一种基于改进Faster RCNN的印刷电路板瑕疵检测算法.该算法可以同时检测出漏孔、缺口、断路、短路、毛刺、余铜6种印刷电路板上的瑕疵.首先,采用...     

基于深度卷积神经网络技术的棉花顶芽探测技术

建立一种改进深度学习模型,用于农业自动化检测和识别棉花顶芽,以提高棉花劳作工作效率。通过把深度网络模型ResNet-101融入到基于深度学习(Deep Learning, DL)机制的感兴趣区域的目标检测算法Faster RCNN中,得到统一的多结构层次的改进深度学习模型。对比实验验证结果表明,相较于传统Faster RCNN模型,该模型在棉花顶芽探测和识别性能上有较大的提升。本研究提出的改进深度学习模型取得了比较好的平均精度,为棉花顶芽的探测和识别提出新的解决方案,为农业生产智能化提供新的思路。     

基于Faster RCNN算法的输电线路防震锤识别研究

针对输电线路人工检测金具成本大、效率低及后期分析样本时寻找缺陷困难等问题,提出了 一种基于深度学习的输电线路金具识别方法.首先,通过无人机巡检获取一定数量的样本,通过将已标记处理的样本与相对应xml坐标文件进行联合扩充的方法,获得角度丰富化、数量多样化和部分噪声化的数据集;然后,采用Faster RCNN卷积神经网络算法对高重叠防震锤区块进行迭代合并,构建防震锤识别模型;最后,利用所提出的识别方法,对吉林省某电网公司无人机实际线路巡检得到的可见光影像数据集进行训练及测试.经过对模型的测试定位,实验结果表明,在复杂背景下所提出的基于Faster RCNN的输电线路智能识别算法,在该区域对于防震锤的检测精度达到94％以上.该识别方法为进一步对其他类型输电线路金具的检测提供了新的思路参考.     

基于改进Faster R-CNN的路面灌封裂缝检测方法

路面灌封裂缝对路面使用寿命的影响较为突出,为了解决目前灌封裂缝检测技术匮乏的问题,文中提出了一种基于改进Faster R-CNN的路面灌封裂缝检测方法。首先,建立灌封裂缝图像集,对采集到的图像进行增广处理,构建路面灌封裂缝标注样本数据集,并将图像集按6∶2∶2的比例划分为训练集、验证集和测试集;接着,采用Faster R-CNN模型对灌封裂缝进行检测,针对Faster R-CNN检测灌封裂缝存在漏检、定位效果不够理想的问题,文中分别将VGG16、ZFNet和Resnet50网络的特征提取层与Faster R-CNN模型进行结合,结果表明,VGG16和Faster R-CNN结合的模型检测精度最高,达到0. 9031;然后,通过增加灌封裂缝候选框宽高比的方法继续改进模型,检测精度达到0. 907 3,且原先被漏检的目标能被检测出来;最后,对改进Faster R-CNN与YOLOv2模型的检测精度及定位效果进行对比,结果表明,文中提出的改进Faster RCNN能够明显提高对灌封裂缝的检测准确率和定位精度。     

基于改进Faster RCNN的目标检测算法

针对Faster RCNN算法在对小目标、发生形变的目标以及重叠度大的目标检测存在的问题,做了相应的改进.将具有更深层次且表达能力更强的ResNeXt网络代替了Faster RCNN中用于提取图像特征的VGG-16网络.将ResNeXt常规的"后激活"基本单元结构更改为"预激活"的形式,反向传播过程中,信息可以在整个网络中"直接"传播,使得网络的性能达到最优.引入可变形卷积,解决产生空间形变的图像识别任务.对比实验结果表明,本文设计的网络模型在对发生旋转以及局部遮挡等状况的目标表现出良好的检测效果和较高的准确性.     

基于改进的更快的卷积神经网络特征区域的淡水鱼鱼鳃切口点定位

为了提高鱼产品加工过程中鱼鳃切口点定位的准确度,采用改进的更快的卷积神经网络特征区域(faster convolution-al neural network feature region,Faster RCNN)对淡水鱼的鱼鳃部位进行检测和定位.首先,为了增强主干网络VGG16的特征提取能力,加入批归一化(batch normalization,BN)层对其进行结构优化,提高了网络识别的准确率.其次,当物体处于预设的交叉阈值范围时,非最大值抑制(non-maximum suppression,NMS)算法存在目标漏检的问题.采用Soft-NMS算法替代NMS算法,增强了目标检测的性能.通过在淡水鱼数据集进行的实验结果表明,改进的Faster RCNN网络对鱼鳃切口定位准确率达到了96％,较未改进网络提高了6％,为后续生产线中鱼鳃的精准切割奠定了基础.     

卷积神经网络在ADAS中的应用

针对原有卷积神经网络(Convolutional Neural Networks,CNN)算法耗时长,即时性差的缺点提出了一种应用在高级驾驶辅助系统(Advanced Driving Assistant System,ADAS)领域的网络,较诸原有的网络,其达到了较快的运行速度,适用于ADAS这样对FPS要求高的领域。同时使用YOLO算法得到目标在图像中的位置,从而得以实施避障、跟车、变道等后续操作。与Faster R-CNN和ResNet50结合的网络相比每秒帧数(Frames Per Second,FPS)提升89.36%。结果表明,该方法解决了原有网络检测耗时的缺点,具有一定的泛化能力。     

移动场景下基于深度学习的图像辅助毫米波波束预测方案

针对移动环境下毫米波大规模MIMO通信系统下行链路的快速波束预测问题,提出了一种基于深度学习的图像辅助波束预测方案.该方案将基站采集的RGB图像上传至MEC服务器,通过Faster RCNN目标检测模型与DNN神经网络结合,预测通信环境中用户图像与毫米波下行链路波束向量的高维非线性关系.仿真结果表明：该方案预测下行链路波束向量的可达速率接近理论最优,在模型复杂度和高天线数低信噪比情况下的性能等方面均优于基线算法.     

基于改进Faster R-CNN的无人机视频车辆自动检测

为了从广域视角准确提取道路交通信息,提出了一种用于无人机视频车辆自动识别的改进Faster R-CNN模型.该模型以基于ZF网络的Faster R-CNN为原型,优化调整学习策略、训练图像尺寸、学习率等模型参数,调整RPN网络卷积核并引入SoftNMS算法,增加1～3个特征提取卷积层和激活层.基于无人机交通视频构建了训练图像集,对现有Faster R-CNN模型及改进模型进行训练和测试.结果显示,与采用Step学习策略的模型相比,采用学习策略Inv的模型车辆识别平均准确率提高了0.4%～9.4%.引入SoftNMS算法的模型比引入前的模型平均准确率提高了0.1%～7.9%.提出的改进模型平均准确率为94.6%,较基于ZF的Faster R-CNN模型、基于VGGM的Faster R-CNN模型和基于VGG16的Faster R-CNN模型分别提高了13.1%、13.1%和4.1%,且训练时间减少约3%,对多种场景的视频车辆检测具有较好的适用性.     

一种用于石油化工厂环境下的仪表自动检测方法

针对石油化工厂中人工抄表导致的低效、高误差和成本高等弊端,以及仪表图像拍摄条件场景复杂等问题,提出了一种基于改进Faster RCNN模型的工业数字表检测方法.首先,在特征提取网络阶段对卷积层低层和高层的网络特征进行融合,提高模型对细粒度细节和小目标的敏感度;其次,结合SENet网络结构,使模型关注不同通道的重要程度,...     

基于改进Mask RCNN的工程车辆分割算法

针对输电通道下施工车辆与输电线之间距离难以计算、工程车辆检测精度较低等问题,提出一种改进Mask RCNN的工程车辆分割算法.首先将特征提取网络中的卷积替换为动态卷积,使网络训练时可以根据输入图像及时调整卷积核的大小,有效提高模型性能;然后在网络中添加NAM注意力机制,提高网络对工程车辆的关注度;最后修改特征融合网络为ssFPN,防止特征融合时信息丢失,加强语义融合,提高模型检测精度.对比试验结果表明,与改进前基于ResNet50的Mask RCNN算法相比,改进后算法提高了对工程车辆的检测精度,mAP提高了4.1%,后续处理得到的车辆轮廓精确,证明了改进后算法的有效性.     

基于卷积神经网络的目标识别及姿态检测

基于深度学习方法,运用Faster R-CNN目标检测架构和ZFNet卷积神经网络,针对微装配系统目标的特点对网络进行训练,在此基础上设计了一个网络对识别目标进行姿态检测.实验结果表明:采用深度学习方法可以有效地对部分遮挡的目标进行识别并检测其姿态,相比于传统方法,该方法对环境适应性更强且速度更快,具有实际应用价值.     

基于改进Faster R-CNN算法的车辆检测

基于区域的网络Faster R-CNN算法在图像的目标检测领域取得了巨大突破.相比较于传统的目标检测方法R-CNN和Fast R-CNN,Faster R-CNN提出了一种候选区域网络(RPN)有效的提升了检测候选框的生成速度.本文通过分析提出的RPN网络的实现方法,引用了K-Means++聚类算法,来对训练数据集中的目标框大小进行聚类分析,替代原本算法中的9个区域框.通过实验对比分析,通过改进的方法提高了车辆检测的精度.     

基于激光传感器的车辆超高检测系统研究

基于激光传感器,设计了一种车辆超高检测系统.该系统运用发射传感器阵列和接收传感器阵列形成激光光幕,通过判断传感器是否被遮挡,可以精确地检测车辆具体超高高度.针对日光、强光干扰现象,在硬件电路设计方面,采用光调制与光解调处理方法.光调制与解调方法使激光信号变成离散信号,可有效解决自然光中连续光信号的干扰现象.软件设计方面采用FreescaleMC9S12DG128单片机对发射信号进行控制,对接收信号进行处理,程序简单易行,执行效率高.该超高检测系统采用激光传感器,抗干扰能力强,测量精度高,能够实现车辆高度动态测量,检测时车辆速度可达30km/h,测量精度高、检测效率快,并且可以测量镂空物体高度.在实际检测实验中,该检测系统检测精度可达5cm,检测范围4～6m.该系统可以广泛应用于城市道路和高速公路车辆超高检测站,以减少大货车卡桥、撞桥事故的发生.