基于改进Faster R-CNN的行人检测算法

针对行人检测中复杂环境,提出一种改进Faster R-CNN的行人检测算法,使用深度卷积网络从图片中提取适合检测目标的特征。基于Faster R-CNN算法,以Soft-NMS算法代替传统NMS算法,加强Faster R-CNN算法对重叠区域的识别能力。同时,算法通过"Hot Anchors"代替均匀采样的锚点避免大量额外计算,提高检测效率。最后,将21分类问题的Faster R-CNN框架,修改成适用于行人检测的2分类检测框架。实验结果表明:改进Faster R-CNN的行人检测算法在VOC 2007行人数据集,检测效率和准确率分别提升33%、2.6%。     

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...     

一种基于Faster R-CNN的车辆检测算法

针对传统的车辆检测算法无法自适应地完成在复杂场景变化下提取目标相应特征的现象,提出了一种基于深度学习的车辆检测算法,该算法结合了Faster R-CNN开源框架和Loc Net网络算法。首先,利用RPN算法获得图片中的候选区域,以减少检测过程中对每张图片的计算量;然后,进入Fast R-CNN网络,利用该深度网络中的卷积层和池化层,自适应地获得车辆目标的所有特征;最后,进入Loc Net网络,通过输入已经得到的图片候选区域,通过卷积层和池化层,不断计算候选区域边界的概率,达到不断优化候选区域边界,最后得到车辆目标的边界框。使用深度学习卷积神经网络,可以避免人工设计车辆目标特征适用性不广泛的缺点,提升车辆目标检测和定位的准确性。     

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Cascade R-CNN的织物瑕疵检测方法

制造业瑕疵检测问题是工业产品的关键环节,其中织物瑕疵检测尤为关键.针对织物图像尺寸大、局部瑕疵数量少、图像背景复杂等问题,设计了一种基于Cascade R-CNN融合尺度不变特征的织物瑕疵检测方法 .通过训练具有多个递增交并比（IoU）阈值的级联检测网络,解决了传统深度神经网络的过拟合和错配问题;针对工业生产上存在的待检测图片发生倾斜、偏转和迁移等问题,通过尺度不变特征变换（SIFT）算法对待检测织物图进行预处理,将其正确定位到模板图上对应位置后,再进行瑕疵检测;借鉴孪生学习的思路,通过扩充输入通道,同时输入并分析待检测的图像和模板,提高了瑕疵检测的精度.实验结果表明：该模型能够有效地完成瑕疵检测任务,可对7类织物瑕疵进行检测与分类,平均精度均值达87.5%.     

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。     

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 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Faster RCNN作为基础检测框架,使用金字塔特征网络(FPN)、多尺度训练、锚点框、聚类作为基础改进措施;其次,以改进后损失函数(DIoU)替换原算法中的smoothL1损失函数作为边界框定位回归的损失函数;最后,计算出在多种实验条件下的模型平均精度均值(mAP),对各种算法进行了对比。实验结果表明,原算法Faster RCNN的mAP为73.7%,改进后Faster RCNN的mAP为95.1%,相比原算法对印刷电路板瑕疵检测的mAP上升了21.4%,相比其他算法具有明显优势。     

基于GrabCut的免交互图像分割算法

针对GrabCut算法需要用户交互进行初始矩形框的设定而不能做到自动分割,且在前景图像较为复杂时分割效果不佳等问题,提出一种基于GrabCut的免交互图像分割算法。首先,训练Faster R-CNN网络,将待分割图像通过Faster R-CNN进行目标检测来得到前景目标所在区域矩形框;然后在k-means算法初始化高斯混合模型时加入位置信息,进行聚类以得到优化的初始高斯混合模型参数;最后对GrabCut算法分割结果中的边缘像素进行平滑后处理。试验结果表明,该算法无需用户交互即可完成分割且相比原始GrabCut算法具有更好的视觉效果和更高的分割正确率。     

改进Mask R-CNN的车辆检测算法

为提升在不同复杂场景下的车辆检测性能,提出一种基于改进Mask R-CNN的车辆检测算法。在算法的主干网络ResNet50中引入PSA极自注意力机制提升主干网络特征提取能力;在特征金字塔顶层网络中添加一个带有ECA注意力机制的分支与原分支进行特征融合,缓解顶层特征由于通道降维造成的信息损失。重新设计了卷积检测头使得边框回归更为准确。同时,使用余弦退火算法和Soft-NMS算法来优化训练过程和后处理结果。实验结果表明,改进的Mask R-CNN车辆检测算法相比原Mask R-CNN算法在复杂场景下具有更高的检测精度,在CNRPark-EXT测试集中平均精确度提高3.8%,在更具挑战性的MiniPark测试集中平均精确度提高7.9%。     

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。     

输电线路中销钉缺陷的自适应检测技术研究

针对复杂环境背景下小尺寸目标的检测难题,基于Faster R-CNN框架提出优化算法模型．首先,在特征提取模块的残差网络中叠加残差结构,增大感受野,提高特征提取能力;然后,在卷积计算中利用可变形卷积核替代传统卷积核,对空间形变较大的目标实现自适应特征提取;最后,通过平均定位召回精度损失(aLRP loss)平衡分类与回归任务,从而提高销钉缺陷的检测精度,并用最优定位召回精度(oLRP)度量检测结果．测试集上的实验结果显示：优化算法比基线算法的平均精度均值(mAP)提升了7.6%,比未引入定位排序算法的oLRP均值降低了7.1%.     

基于改进Faster R-CNN的钢材表面缺陷检测方法

针对传统Faster R-CNN(Region-Convolutional Neural Networks)检测钢材表面小目标性缺陷性能差的问题,提出了一种基于改进Faster R-CNN的钢材表面缺陷检测方法.首先引入导向锚点候选区域网络(GA-RPN:Guided Anchoring Region Proposal...     

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的车辆类型识别算法

提出一种基于改进Faster R-CNN(region-convolutional neural networks)的车辆识别算法,用于处理不同类别车辆的识别问题.为了解决部分外形相似类别的车辆之间的误检问题,该方法使用空洞卷积来提高感受野,结合空洞空间金字塔池化(atrous spatial pyramid pooling,简称ASPP)来增强多尺度信息的获取,以此来增强网络对外形相似车辆之间差异的敏感性,提升算法的准确率.实验结果表明,改进的Faster R-CNN模型mAP值达到93.45％,具有较高的精确度、较小的误检率和更好的鲁棒性.     

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 R-CNN(region-based convolutional neural network)模型对钢板表面缺陷进行检测.由于 Faster R-CNN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...