基于Faster R-CNN算法的船舶识别检测

目前,检测卫星图像中船舶的常用方法如合成孔径雷达(synthetic-aperture radar,SAR)对多目标仍难以达到精确检测,而更快速的区域卷积神经网络(faster region-based convolutional neural network,Faster R-CNN)算法是一种深度学习算法,用于物体检测和分类时,可以实现高精度实时监测。文章应用Faster R-CNN算法对卫星图像中的船舶进行识别和检测,并与传统尺度不变特征转换(scale-invariant feature transform,SIFT)算法、快速区域卷积神经网络(fast region-based convolutional neural network,Fast R-CNN)算法进行对比。研究结果表明,Faster R-CNN算法比传统SIFT算法和Fast R-CNN算法有更好的收敛速度和识别精度,该算法在船舶识别方面具有较大潜力。     

基于改进Faster R-CNN的水面漂浮物识别与定位

为了解决智能无人船水面漂浮物识别和定位精度不高的问题,提出了一种基于Faster R-CNN(Faster Regions with Convolutional Neural Network)的改进识别与定位算法(CA-Faster R-CNN).该方法采用Faster R-CNN算法对水面漂浮物进行初次识别和定位,对...     

改进的Faster R-CNN文本检测算法

复杂自然场景中准确提取和检测文本信息是文本识别的基础和前提,它受到文本尺寸、摆放角度甚至是姿态的影响.针对传统算法中滑动窗口都是固定大小,一些自然场景图像中的文本检测难,图像边界呈现冗余,运算量增大,运算时间长等问题,通过改进滑动窗口区域生成网络(Region Proposal Network,RPN)策略,提出一种改进的RPN(Improved RPN)网络模型,运用共享的目标检测和回归检测算法提取其中的网络结构,最终得到一种改进的Faster R-CNN文本检测算法.在数据集中分别选取对比度高、对比度低和任意对比度进行不同算法的文本检测结果对比,实验结果表明,本文算法具有较好的检测效果.     

基于改进Faster R-CNN的农田残膜识别方法

为了实现农田残膜的精准捡拾,提高残膜回收机的回收率.将改进Faster R-CNN卷积神经网络运用到农田残膜的识别检测中,提出了一种农田残膜的识别方法.以11MS-1850残膜回收机工作后遗留在农田表面的残膜为研究对象,分别在晴天、阴天不同时间段采集图像共计1648幅.通过更改图像亮度、旋转等方式扩充数据集,最终得到4950幅残膜样本图像,按照7:2:1划分为训练集(3465幅)、验证集(990幅)、测试集(495幅);采用双阈值算法替代传统的单阈值算法,降低了阈值对模型性能的影响;通过对比试验,选取具有残差网络结构的ResNet50作为主干特征提取网络,准确率可达88.84％,召回率为87.70％,总体精度为88.27％;为了使检测模型对小目标更加灵敏,根据数据集中残膜尺寸大小,在原有锚点基础上增加322和642的尺度参数,准确率、召回率、总体精度分别提升了1.29％、0.67％、0.97％,单幅检测时间为284.13 ms,基本满足了识别残膜的要求.可为残膜回收机加装补收装置提供参考,为研制人工智能残膜回收机提供理论基础.     

基于迁移学习Faster R-CNN模型田间红提葡萄果穗的识别

葡萄种植过程中大部分工作由人工完成,其劳动强度较大且生产效率低,为实现田间作业的自动化需要准确识别田间葡萄果穗,本文采用Faster R-CNN模型实现田间红提葡萄果穗的识别.首先根据田间环境采用不同设备采集葡萄果穗图像,包括不同光照强度下不同成熟度的葡萄果穗图像,通过数据扩增的方法将样本数量扩大4倍并制作数据集,再分...     

基于Faster R-CNN的多尺度高压塔鸟巢检测

为了解决复杂图像背景条件下高压塔上鸟巢检测的问题,提出一种基于Faster R-CNN的多尺度高压塔鸟巢检测方法.在特征提取方面,通过改进基于卷积神经网络的ResNet-50特征提取网络分别完成图像中高压塔和鸟巢的特征提取;在建议区域提取方面,提出在两种不同深度的卷积特征图上采用合理尺度的不同大小滑动窗口方式完成建议区域的提取,增强了对鸟巢的检测能力;在目标检测方面,提出在高分辨卷积特征图上进行上采样操作,并额外增加SENet特征增强模块,有效提高了目标检测效果.最后利用同时检测出的高压塔区域条件剔除了此区域之外的鸟巢检测结果,进一步提升了最终的鸟巢检测精度.该方法在2 000幅无人机实际巡检航拍的含有鸟巢的图像数据集上进行了测试.实验结果表明:本文方法的平均检测精度达到了84.55%.对比已有的基于HOG+SVM的检测方法和基于经典的Faster R-CNN ResNet-50检测方法,本文所提出的方法平均检测精度分别提高了43.5%和15.2%,并加快了检测速度.该方法为无人机电力智能巡检提供了一种新的解决办法.     

基于Faster R-CNN的海域监管预警方法

针对传统实地调查取证、人工对比遥感影像等高成本、低效率的海域监管方式无法满足当前监管需求的问题,利用星遥感影像和深度学习算法提出了一种针对大范围的、快速动态的用海综合管控手段.依托海量影像及多源海洋基础数据,在研究多规融合分析的基础上,基于Faster R-CNN(Regions with Convolutional ...     

基于低空无人机影像和改进Faster R-CNN的棉田杂草识别方法

为实现杂草精准防控、快速识别棉田杂草,本文基于低空无人机技术拍摄棉田苗期影像,以幼苗和杂草为研究对象,提出了一种改进Faster R-CNN的棉田杂草识别方法。改进1:特征提取网络采用融合FPN的ResNet50代替VGG16来训练模型,并对比VGG16、ResNet50和MobileNetv2的分类效果;改进2:针对Faster R-CNN模型设计适合小目标的锚尺度,其中对应的anchor尺度为{8×8,16×16,32×32},比例为{1∶2,1∶1,2∶1};改进3:训练过程在通过特征提取阶段后,采用双线性插值操作,避免两次量化对物体识别产生的影响;改进4:添加2个Dropout层,分别在特征提取网络之后的2个全连接层上,避免模型产生过拟合现象,增加了网络的鲁棒性。研究表明：融合FPN的ResNet50训练的的平均精确率比VGG16提高了3.82%,与ResNet50和MobileNetv2相比分别高出5.05%和18.38%,说明Faster R-CNN使用融合FPN的ResNet50具有最佳的性能,改进的Faster R-CNN模型对单张图像平均识别时间为0.289 s,平均...     

基于改进的Faster R-CNN的息肉目标检测和分类方法

为了解决结肠镜下腺瘤性息肉和增生性息肉不易分型的问题,提出一种基于改进的Faster R-CNN的目标检测及息肉分类模型.在数据预处理阶段,对原有的2 426张息肉图像(1 582张腺瘤性息肉图像,844张增生性息肉图像)通过2种方式进行图像增强,并且通过改进的特征提取、边界框回归以及非极大值抑制的网络,用602张图像(386张腺瘤性图像,216张增生性息肉图像)进行测试.通过实验证明,在交并比(IoU)取0.5时,获得了86.8%的平均精度均值,相较于改进之前提升了2.3%.实验结果验证了该模型的潜在临床应用价值.     

基于Faster R-CNN的车牌识别算法

针对传统车牌检测方法定位不准确、检测结果易受环境影响的问题,提出一种基于Faster R-CNN和Inception ResNet_v2的车牌检测算法:通过迁移学习的方式实现精确的车牌定位,用像素点统计法处理车牌图像,实现单个字符的有效提取;mLeNet5卷积神经网络模型用于对单字符进行识别.结果表明,算法对有遮挡及角度倾斜的车牌字符能实现高效、高精确度的识别.     

基于改进Faster R-CNN的自然场景文字检测算法

自然场景中的文字受光照、污迹、文字较小等方面的影响,其检测难度较大,且传统的检测方法效果不好。在研究目标检测方法Faster RCNN的基础上,提出一种针对自然场景文字的改进方法。改进的模型由卷积神经网络特征提取模块,嵌套LSTM(nested long short-term memory,NLSTM)模块和区域候选网络(region proposal network,RPN)模块3部分组成,改进点主要是卷积神经网络特征提取模块增加了不同卷积层的空间特征融合,能够提取多层次的特征;增加嵌套LSTM模块能够学习长序列文本的序列特征,便于检测不定长度的文本序列;RPN模块通过设置宽为8像素,高度不定的锚点(anchor),可以提取一系列可能存在的目标建议框,其对小目标文字效果较好?。在实验部分,通过对标准数据集(ICDAR 2013,Multilingual)的实验结果对比表明,所提出的改进算法在准确率和效率方面明显优于改进前的算法。通过实列测试,改进的模型对小目标文字检测效果也有所提升。     

改进深度可分离卷积的SSD车型识别

针对现有车辆识别方法对于车型实时识别能力不足的问题,提出一种改进的深度可分离卷积的SSD(single shot multibox detector)算法用于车型识别研究.首先,利用深度可分离卷积网络进行特征提取,并引入反残差模块来解决因通道数少、特征压缩导致的准确率下降问题.其次,以车辆的刚体特性为依据,重新设计区域候选框,减少模型参数运算量.最后,在BIT-Vehicle数据集上进行消融实验来对比不同网络模型性能差异.结果表明:改进的深度可分离卷积的SSD车型识别方法有更好的车型识别效果,可以达到96.12％的识别精度,检测速度提高至0.078 s/帧.     

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Mask R-CNN的高密度砂岩颗粒的分割识别

针对高密度颗粒密度大,数量多,形态不一,且颜色相近的情况,通过传统方法对砂岩颗粒分割难度存在检测不准和漏检的不足。想要在少量样本中获取更好的效果,变得更加困难。基于上述问题本文提出一种基于改进Mask R-CNN的DGC-Mask R-CNN检测模型,针对少量样本、高密度砂岩颗粒的分割与识别。研究中首先收集了128张超高分辨率的图片,每张图片有近200个砂岩颗粒实例,共26200个实例对象。为了使模型拥有更好的泛化能力,防止少量样本下的过拟合,使用Albu进行图像增强。用自监督预训练模型Barlow Twins来对砂岩颗粒的特征进行初步提取。在DGC-Mask R-CNN中,构建ResNet50模型作为骨干特征提取网络,在ResNet50的BottleNeck的C3,C4,C5特征卷积层中改进传统卷积方式,使用可变形卷积神经网络DCN,并添加GCB注意力机制。在上采样器的多个级联上采样模块中,结合改进的上采样算法CARAFE。实验结果表明,改进后的DGC-Mask R-CNN,使得检测与分割识别的平均精度 达到88.9%和88.8%,与传统的Mask R-CNN、Cascade-Mask R-CNN、Mask Scoring R-CNN、HybridTaskCascade相比检测精度更高。在均值平均精度 方面,与其它模型相比提升较为明显。将模型分割后得到的结果,进行砂岩颗粒的统计以及长短轴的计算,可实现对该部分砂岩颗粒的溯源,计算地壳运动导致的砂岩迁移的距离,进而评估地下油藏。     

改进AdaBoost算法的条码识别

针对传统激光条码读写器受读取距离和条码形变等因素影响较大的缺点,提出一种基于决策树和AdaBoost算法融合的图像条码识别方法,采用5维特征提取法,结合条码图像特点,对条码图像进行标定.研究结果表明:本方法可以实现对视距内任意角度和距离条码的准确识别,并能有效识别脏污条码.该研究成果极大的方便了条码读取,可应用于物流系统检查、分拣货物等.     

改进特征的车牌识别算法

由于光照不均、倾斜、模糊、字符笔画粗细不均匀、切分位置偏差因素,现有车牌识别算法的最终字符识别正确率较低。对现有几种BP字符识别算法所选取的输入特征进行改进和融合,作为BP神经网络的输入,以提高识别的准确度。通过对大量样本仿真实验,证明新特征很好地保留了字符的纹理信息,提高了BP网络对畸异字符的适应性,同时提高了综合识别率,有较高的实用价值。     

基于改进ReliefF算法的哑铃动作识别

为了实现哑铃动作分类识别的目标,在哑铃上加装惯性传感器模块,通过采集哑铃锻炼过程中的运动信号,经信号标准化、滤波、基于初始静态量周期分割预处理后,提取侧平举、前平举、反握弯举、锤式弯举、弯举5种哑铃动作的特征向量,使用改进的ReliefF特征选择算法,选择最优特征向量,采用基于平衡决策树的支持向量机对不同的哑铃动作进行分类识别。通过在实验室自主研发的哑铃动作识别系统上进行测试,结果表明：系统能够在单个哑铃动作周期内对哑铃动作进行识别,且识别率可达90%以上,为提供更加个性化的哑铃动作指导奠定基础