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。     

结合异常检测的X射线安检图像识别方法

针对Faster R-CNN模型对X射线安检图像中危险品检测准确率低、误检率高的问题,提出了一种前置预分类头部的X射线安检图像检测网络(pre-classification Faster R-CNN,PC-Faster R-CNN)。该模型在骨干网络之后,区域建议网络(Region Proposal Networks, RPN)之前新增一个预分类模块先对X射线安检图像进行异常检测,提高模型对正常图像的识别能力;同时引入兴趣区域对齐(RoIAlign)模块,减小兴趣区域池化层(RoIPooling)引起的量化误差,进而提升Faster R-CNN的检测性能。新模型将浅层卷积层的低级边缘特征输入到预分类模块,使其学习正常图像的高级语义特征,从而改善整个模型的识别性能。实验结果表明,与原始的Faster R-CNN相比,本文模型对危险品的检测精度提升了9.03%,误检率降低了24.03%;同时预分类头部使得模型较大地提高了检测效率,比原始的Faster R-CNN提升了44.54%。     

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.     

基于深度学习算法的航拍巡检图像的绝缘子识别

针对绝缘子检测目标在航拍图像中尺寸变化剧烈的问题,提出一种改进Faster R-CNN的绝缘子检测算法.首先将FPN特征金字塔结构网络与Faster R-CNN算法进行结合,将不同尺度下的特征进行融合;然后,改进最大池化层,提升检测框的坐标精度;针对遮挡现象,采用Soft-NMS算法规避不同目标检测框因重叠而被误删的情况.经过对绝缘子航拍数据集的检测验证,对比原Faster R-CNN网络,本改进网络结构提高了平均准确率(MAP),且可以更有效地识别图像中更小比例的绝缘子目标.     

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.     

基于改进Faster R-CNN的手部位姿估计方法

基于视觉的手部位姿估计技术应用于诸多领域，具备着广泛的国际应用市场前景和巨大发展潜力。然而，手部自身存在检测目标过小、手指高自由度以及手部自遮挡等问题。通过对目前存在的难点分析，将手部位姿估计任务分为手部检测和手部关键点检测，提出基于改进的Faster R-CNN的手部位姿估计方法。首先提出基于改进的Faster R-CNN手部检测网络，将传统Faster R-CNN网络中的对ROI(regional of interest)的最大值池化，更改为ROI Align,并增加损失函数用于区分左右手。在此基础上增加了头网络分支用以训练输出MANO(hand model with articulated and non-rigid deformations)手部模型的姿态参数和形状参数，得到手部关键点三维坐标，最终得到手部的三维位姿估计结果。实验表明，手部检测结果中存在的自遮挡和尺度问题得到了解决，并且检测结果的准确性有所提高，本文手部检测算法准确率为85%,比传统Faster R-CNN算法提升13%。手部关键点提取算法在MSRA、ICVL、NYU三个数据集分别取得关键点坐标的均方误差值(k...     

基于改进Faster R-CNN的花色布瑕疵检测算法

针对布匹瑕疵自动化检测,基于传统的机器视觉方法依赖于人工设计特征,对具有复杂背景图案的花色布瑕疵特征提取难度非常大,因此提出一种基于改进Faster R-CNN(faster region with convolutional neural network)的花色布瑕疵检测算法.在Faster R-CNN的基础上使用R...     

基于区域卷积网络的行驶车辆检测算法

为解决多种天气与多种场景下主干道路行驶车辆检测存在的实时性、泛化能力差、漏检、定位不准确等问题,研究了基于TensorFlow深度学习框架的区域卷积神经网络(Faster R-CNN)算法,通过引入VGG16神经网络模型,优化ROI Pooling Layer,并采用联合训练方法,得到改进的算法模型。采用UA_CAR数据集进行模型训练,实现行驶中的车辆检测,测试结果与优化前Faster R-CNN比较,MAP提高了7.3个百分点,准确率提高了7.4个百分点,检测用时0.085 s,提高了对多种环境与场景的适应性。     

改进Faster R-CNN的小目标检测

Faster R-CNN是一种比较流行的目标检测方法,由于Faster R-CNN对小目标的识别率较低,对候选区域生成和分类阶段对象大小的变化对网络的性能影响进行了详细的研究。另外,还研究了特征图的分辨率对这些阶段的影响。对于小物体,anchor的选择是非常重要的,引入了一种改进的方案用于生成候选区域建议,提供了根据期望的定位精度来选择anchor的标准,并且使用了多尺度RPN(Region Proposal Network)和多尺度分类网络。用改进后的Faster R-CNN在Flicker数据集上进行了验证,证明它能够提高小目标检测的性能。     

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。     

基于深度学习的砂岩组分显微图像识别

识别砂岩中的石英、长石和岩屑对判断沉积环境具有重要意义,但传统的人工识别方法存在主观性强、对经验依赖程度高等问题。本文利用深度学习、卷积神经网络等技术构建了一种基于Faster R-CNN目标检测算法的砂岩显微组分图像识别方法,实现了正交偏光下对薄片图像中石英、长石、岩屑三种组分的智能识别,三种组分平均识别准确率为89.28%。为了验证模型的可靠性,实验对比了不同算法和特征提取网络,结果表明：Faster R-CNN目标检测算法的识别效果优于YOLO V3、YOLO V4、YOLO V5s,ResNet50特征提取网络的表现效果优于VGG16。采用ResNet50特征提取网络的Faster R-CNN目标检测模型优势显著,它可以更好满足岩石薄片的识别要求,为传统的人工方法提供智能化技术方案。     

Defect Detection Algorithm of Patterned Fabrics Based on Convolutional Neural Network

The background pattern of patterned fabrics is complex, which has a great interference in the extraction of defect features. Traditional machine vision algorithms rely on artificially designed features, which are greatly affected by background patterns and are difficult to effectively extract flaw features. Therefore, a convolutional neural network(CNN) with automatic feature extraction is proposed. On the basis of the two-stage detection model Faster R-CNN, Resnet-50 is used as the backbone network, and the problem of flaws with extreme aspect ratio is solved by improving the initialization algorithm of the prior frame aspect ratio, and the improved multi-scale model is designed to improve detection of small defects. The cascade R-CNN is introduced to improve the accuracy of defect detection, and the online hard example mining(OHEM) algorithm is used to strengthen the learning of hard samples to reduce the interference of complex backgrounds on the defect detection of patterned fabrics, and construct the focal loss as a loss function to reduce the impact of sample imbalance. In order to verify the effectiveness of the improved algorithm, a defect detection comparison experiment was set up. The experimental results show that the accuracy of the defect detection algorithm of patterned fabrics in this paper can reach 95.7%, and it can accurately locate the defect location and meet the actual needs of the factory.     

粗细粒度超像素行人目标分割算法

针对车载视觉行人目标分割由于复杂场景对行人目标的分割结果产生干扰而出现信息冗余以及错误分割的问题,提出一种粗细粒度超像素行人目标分割算法。该算法以Mask R-CNN作为粗粒度一次分割,将所得结果经Slic超像素细粒度二次分割,融合两次输出结果来提高现有图像目标的分割精度,为行人目标识别和跟踪提供有益先验感知信息。经仿真验证,该算法能够对复杂背景情况下的图像进行有效分割,MS COCO标准公开集测试结果与原有Mask R-CNN检测算法相比,mAP提高0.71%,为图像识别和计算机视觉系统完成精准的预处理,具有较强的工程应用价值。     

基于深度学习的高分辨率图像的智能检测

针对高分辨率图像下目标所占面积小,检测效果较低、实时性较差的问题.提出了一种基于LDCF-ResNet50的深度学习模型检测方法.以行人检测为例说明此方法的有效性.首先基于局部无关通道特征的预测提议区域,对行人潜在区域粗检测.然后,设计候选区域合并和扩展方法,将合并后的区域用于后面的ResNet-50神经网络.其次,设计了一个合适的ResNet-50网络,用于精确检测该区域.最后将ResNet-50网络的检测结果映射到原始图像中,输出检测结果.为了验证本文所提方法的有效性,在清华-戴姆勒数据库平台上对高分辨率图像进行实验验证.实验结果表明,所提出方法能够有效地检测行人.与主流的算法(包括Faster R-CNN,YOLOv3和SSD)相比,本文方法对行人检测的平均精度分别提高了4.07％、17.79％和31.45％.     

基于自适应池化的行人检测方法

基于卷积神经网络的行人检测器普遍采用图像识别网络,通常会引起多池化层导致小目标行人特征信息丢失、单一池化方法导致行人局部重要特征信息削弱甚至丢失等,针对以上问题,基于最大值池化和平均值池化方法,提出了一种自适应池化方法,结合通用目标检测器Faster R-CNN,形成了有效的行人检测器,达到增强行人局部重要特征信息、保留小目标行人有效特征信息的目的。对多个公开的行人数据集进行大量实验,结果表明,与传统的卷积神经网络行人检测器相比,所提方法将行人检测漏检率降低了2%～3%,验证了方法的有效性。新方法改进了卷积神经网络结构,在无人驾驶领域具有一定的参考价值。     

基于快速区域卷积神经网络识别变形仪表图像的二次矫正方法

为解决工业中摄像头在俯视、仰视等角度拍摄仪表时导致表盘变形影响读数的问题,提出一种基于Faster R-CNN识别变形仪表图像的二次矫正方法。利用ResNeXt50作为Faster R-CNN的主干网络,结合特征金字塔FPN(Feature Pyramid Network)生成特征层,并融合SENet(Squeeze and Excitation Networks)模块将仪表特征更为突出,便于定位仪表区域并裁减,再由Harris角点检测找到表盘的四个顶点;利用二次矫正方法对变形仪表还原成正视角度仪表;最后计算示数。实验结果表明：该方法使得mAP值由基本模型的75.51%提升至94.45%,且仪表在变形情况下,仍能得到比较好的读数结果,误差率为0.83%。     

基于改进Cascade R-CNN的两阶段销钉缺陷检测模型

无人机在输电线路巡检过程中会拍摄大量图片,自动识别无人机拍摄图片中存在的部件缺陷是无人机巡检的重要环节.其中销钉的缺陷由于目标较小且需要依赖上下文信息才能正确判断,识别难度较大.针对上述问题,提出了一种两阶段的销钉缺陷检测模型.首先使用Faster R-CNN (regin convolutional neural networks)模型提取出原始图像中的连接部位,再对提取出的每个连接部位进行缺陷识别.缺陷识别模型使用改进的Cascade R-CNN,该模型使用层级残差卷积模块代替骨干网络中的3×3卷积并使用路径聚合特征金字塔(PAFPN)代替原始网络中的特征金字塔结构,能够有效提取图片中的多尺度特征和上下文信息.最后将级联检测器的最后一级替换为double-head检测器,减少模型误报.实验结果表明,模型对销钉缺失及销钉脱出两类缺陷的平均识别精度能够达到81.2％,与原始的Cascade R-CNN相比提升了7.8％.