融合形变卷积和自注意力的素色布匹瑕疵检测

在布匹生产过程中,会产生不同种类的瑕疵,准确的瑕疵检测对于提高纺织工业的生产效率具有重要意义。然而,布匹瑕疵仍存在小目标、极端纵横比、数量不均衡等问题,导致布匹瑕疵检测识别率低、错检漏检频发。因此提出了融合形变卷积和自注意力的素色布匹检测方法。首先,提出了融合形变卷积的多尺度特征提取,缓解模型对不规则瑕疵特征提取能力不足的问题。其次,构建多通道注意力聚合网络,生成新的具有强语义和精确位置信息的瑕疵特征图,提高小目标瑕疵检测的准确率。最后,设计自适应边框生成器,指导生成更精确的瑕疵边界框,解决部分纵横比悬殊的瑕疵无法生成紧密包围框的问题。在标准数据集上的实验结果表明,提出的方法有效提升了布匹瑕疵检测的准确率和效率。     

基于FS-YOLOv3及多尺度特征融合的棉布瑕疵检测

为解决传统棉布生产工艺中瑕疵检测成本高、精度低、速度慢等问题,提出一种FS-YOLOv3(Four Scales YOLOv3)网络来自动检测棉布瑕疵.该网络结合K-Means++聚类算法,以交并比为距离度量获取较好尺寸的锚框,提高检测速度.设计了4个不同尺度的卷积特征图与深度残差网络中相应尺度的特征图进行融合,有效地...     

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%.     

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Resnet-50作为主干网络,嵌入可变形卷积来提高瑕疵特征的学习能力。通过设计多尺度模型来提高小瑕疵的检测,引入级联网络来提高瑕疵检测精度和定位准确度,构造优化的损失函数来降低样本不平衡影响。通过试验验证了该算法的有效性。结果表明,瑕疵检测效果准确率达94.97%,并能精准定位瑕疵位置,可满足工厂的实际需求。     

超分辨率对抗网络的电路板瑕疵检测

电路板瑕疵检测是图像检测领域一个具有挑战性的问题.针对电路板瑕疵只占整个图像区域的很小比例而导致难以检测的问题,提出超分辨率生成式对抗网络的电路板瑕疵小目标检测方法,电路板图像通过对抗网络提高分辨率后用深层网络的多尺度进行目标检测.首先,将电路板数据集图片通过超分辨率生成式对抗网络提高分辨率,放大至4倍尺寸;在Darknet-53网络中通过卷积、采样和融合提取不同尺度的特征图;使用先验框对特征图进行多尺度预测,输出瑕疵的边界框和分类.实验表明,超分辨率生成式对抗网络电路板瑕疵小目标检测方法的平均精确率可提高至99.38％.     

基于深度学习的铝型材瑕疵检测方法

铝型材表面由于生产工艺、机械振动等外在条件影响,会产生加工瑕疵,由于其瑕疵特有的纹理、尺寸、形状随机性、不规则性等因素,现有的一些金属表面瑕疵检测模型泛化能力差,无法在铝型材瑕疵检测上取得较好的检测效果.针对上述问题,提出一种改进Faster RCNN架构的铝型材表面瑕疵检测模型,通过改进原有卷积核计算模式,融合改进噪...     

基于卷积神经网络的入侵检测算法

作为深度学习的一种有效算法,深度卷积网络已成功应用在处理图像、视频和音频等领域.通过建立一卷积神经网络模型并应用于网络入侵检测,选取的卷积核与数据进行卷积操作提取特征的局部相关性从而提高特征提取的准确度.采集到的网络数据通过多层"卷积层-下采样层"的处理对网络中正常行为和异常行为的特征进行深度刻画,最后通过多层感知机进行正确分类.KDD 99数据集上的实验表明,文中提出的卷积神经网络模型与经典BP神经网络、SVM算法等相比,有效提高了入侵检测识别的分类准确性.      

基于级联卷积神经网络的人脸特征点识别算法实现

针对在有冗余图像信息干扰下进行人脸有效特征点提取时精度不高的问题,提出了基于级联卷积神经网络的人脸特征点检测算法.在该算法中:输入层读入规则化的原始图像,神经元提取图像的局部特征;池化层进行局部平均和降采样操作,对卷积结果降低维度;卷积层和池化层分布连接,迭代训练,输出特征点检测结果.该算法采用Python语言编程实现,在人脸数据集进行仿真实验,结果表明该算法对人脸特征点有较高的识别率.     

一种改进的单步多框目标检测算法

针对单步多框目标检测算法(SSD)中存在的误检、漏检以及检测精度不够高等问题,提出了一种改进的SSD目标检测算法。该算法通过空洞卷积替换conv4₃卷积层及之前的两次标准卷积,扩大感受野,使用反卷积对不同尺度的特征图进行融合,使融合形成的特征图具有丰富的上下文信息,最后为特征图添加注意力模型,有效提取感兴趣区域的特征。仿真实验结果表明,改进算法在VOC2007数据集上较原算法检测精度提升0.9%,检测结果更加准确,一定程度上改善了误检、漏检等问题,同时仍满足实时性的要求。     

基于轻量化卷积神经网络的毛巾织物瑕疵检测方法

针对毛巾织物瑕疵检测中存在的小目标瑕疵漏检率高、形变尺度大的瑕疵检测精度低以及模型检测效率不理想等问题,提出一种基于YOLOv4网络的轻量化毛巾织物瑕疵检测方法。采用轻量级网络Ghost Net重构主干特征提取网络,以降低模型运算量,提升检测速度;在深层特征提取网络中引入结合空洞卷积和SoftP ool的DS-CBAM模块,扩大感受野的同时保证特征图分辨率并提高模型对毛巾织物瑕疵特征的提取能力;根据各类毛巾织物瑕疵正负样本不平衡的数据特点,引入难易样本聚焦参数和正负样本平衡参数对损失函数进行优化,降低样本失衡对检测性能的影响;采用改进度量距离的K-means算法自适应生成适合毛巾织物瑕疵尺寸的先验框,提高先验框和毛巾织物瑕疵目标的匹配度。研究结果表明:改进后的模型在毛巾织物瑕疵数据集上的检测精度要优于原YOLOv4和其他主流检测算法,综合类别平均精度达到92.14%,检测速度达到49.98帧/s,分别比原模型提高了5.31%、22.83%,有效平衡了检测精度和检测速度之间的关系。     

基于改进RFBNet算法的遥感图像目标检测

针对遥感图像中的小目标存在信息少、易受背景干扰、特征表达较弱等缺陷, 导致目前通用目标检测算法在对这类小目标进行检测时效果不理想的问题, 为提高对遥感图像中小目标的检测能力, 提出一种基于RFBNet的改进算法. 该算法以RFBNet为框架, 首先利用自校正卷积取代特征提取网络中的常规卷积, 以扩展感受野丰富输出, 进而强化对弱特征的提取能力; 然后设计多尺度特征融合模块, 丰富浅层特征图的抽象信息; 最后设计稠密预测模块, 提前在较浅层整合上下文信息, 使最后阶段的每层输出都含有丰富且联系紧密的多尺度特征信息. 将该算法在数据集UCAS_AOD和NWPU VHR-10上进行实验, 平均检测精度分别达83.4%和94.8%. 实验结果表明, 该算法有效提高了遥感图像中目标检测的精度, 且针对遥感图像中的小尺度目标检测问题改善明显.     

改进型SSD网络的织物瑕疵检测算法

针对传统纺织生产中瑕疵检测精度低、速度慢和模型太大影响部署等问题,提出一种基于改进型SSD(single shot multiBox detector)网络的织物瑕疵检测算法。将RepVGG网络融合SE(squeeze-and-excitation)模块,提出SE-RepVGG网络作为SSD的主干网络;在增强网络特征提取能力的同时,采用结构重参数化方法大幅减少网络的参数量和计算量,以改善实时检测性能;利用深度可分离卷积代替传统卷积,设计DCS(deconvoution-and-squeeze)模块构建SSD的辅助网络,以进一步降低网络计算量;利用K-means聚类算法调整先验框比例,以提升检测精度。实验结果表明,相比原始SSD网络,算法在检测精度上mAP提高34.47%,达到96.96%,网络参数量减少13.01 MB,检测速度为47 F·s^-1,满足工业实时检测需求。     

基于卷积神经网络的小目标交通标志检测算法

PVANet(performance vs accuracy network)卷积神经网络用于小目标检测的检测能力较弱.针对这一瓶颈问题,采用对PVANet网络的浅层特征提取层、深层特征提取层和HyperNet层(多层特征信息融合层)进行改进的措施,提出了一种适用于小目标物体检测的改进PVANet卷积神经网络模型,并在TT100K(Tsinghua-Tencent 100K)数据集上进行了交通标志检测算法验证实验.结果表明,所构建的卷积神经网络具有优秀的小目标物体检测能力,相应的交通标志检测算法可以实现较高的准确率.     

基于空洞卷积和特征融合的单阶段目标检测算法

针对SSD多尺度目标检测过程中存在的目标漏检和错检问题,提出了一种融入多维空洞卷积和多尺度特征融合的目标检测算法。在卷积神经网络输出的多尺度特征中,浅层具有更多的细节信息,深层具有更多的语义信息,根据这一特点,对浅层网络采用了3种多维空洞卷积的浅层特征增强模块,获得具有语义信息的特征图,将增强后的特征图进行下采样,融合不同层的特征;同时在深层网络引入通道注意力模块,对通道进行权重分配,抑制无用信息,提高目标的检测性能。研究结果表明：该算法在PASCAL VOC数据集上检测精度为79.7%,比SSD算法提高了2.4%;在KITTI数据集上检测精度为68.5%,比SSD算法提高了5.1%,检测速度达到了实时性的要求,有效地改善了目标的漏检和错检。     

基于多尺度复合卷积和图像分割融合的车道线检测算法

在车道线检测任务中，由于车道线的特点和获取更大范围感受野的需求，空洞卷积被广泛使用.然而，为了获取大范围信息，空洞卷积会造成卷积点附近信息的丢失.针对以上问题，提出了一种基于多尺度复合卷积和图像分割融合的车道线检测算法.首先将不同尺寸的空洞卷积、全卷积和标准卷积结合以弥补空洞卷积造成的信息丢失；然后通过语义分割和实例分割融合的图像分割融合模块来增强实例分割网络对全局特征的关注；最后，设计一个加权交叉熵损失函数对网络进行训练和优化.实验结果表明，算法在CULane数据集中的整体F1measure取得74.9%，整体性能优于比较算法，在多种挑战性环境中均有所提升.     

基于扩张卷积特征自适应融合的复杂驾驶场景目标检测

针对复杂驾驶场景下的目标检测问题,提出一种基于扩张卷积特征自适应融合的目标检测算法.采用单阶段目标检测网络RetinaNet作为基本框架,其包含卷积特征提取、多尺度特征融合以及目标分类与回归子网.为提高网络对多尺度特征的提取能力,设计了基于不同扩张率组合的残差卷积分支模块,以获取不同感受野下的目标特征图;然后,将不同尺度下的特征通过网络自适应学习的参数融合后输出,用于后续的目标预测;最后在大规模且多样化的复杂驾驶场景数据集BDD100K上进行实验.结果 表明,利用扩张残差卷积分支模块与特征自适应融合算法能够分别将网络的平均精度均值由0.330提升至0.338与0.344,并在采用扩张卷积特征自适应融合的情况下达到了0.349.所提算法能够有效提升目标检测算法在复杂驾驶场景下的检测性能.     

基于改进YOLOv4颈部优化网络的安全帽佩戴检测方法

针对安全帽佩戴检测时易受复杂背景干扰，解决YOLOv4网络检测速度慢、内存消耗大、计算复杂度高、对硬件性能要求较高等问题，引入改进YOLOv4算法优化安全帽佩戴检测方法。引入MobileNet网络轻量化YOLOv4、跨越模块特征融合，实现高层语义特征和低层语义特征有效融合。针对图像中小目标分辨率低，信息特征少，多尺度并存，导致在连续卷积过程中易丢失特征信息等问题，采用改进特征金字塔FPN和注意力机制等颈部优化策略聚焦目标信息，弱化安全帽检测时背景信息的干扰。仿真结果表明，基于改进的YOLOv4颈部优化网络安全帽佩戴检测算法在CPU平台下的检测速度为34.28 FPS，是基础YOLOv4网络的16倍，检测精度提升了4.21%，检测速度与检测精度达到平衡。     

基于多级特征融合的视频火焰检测方法

火焰前期一般多为小目标,但一般的火焰检测方法对于小目标的检测能力较差.为检测早期火焰,提高火灾预防能力,提出了一种融合多级特征的视频火焰检测方法,针对下采样分辨率变小导致丢失目标的问题,引入了反卷积模块,并融合深层具有较强语义信息的特征和浅层具有较强细节信息的特征,从而有效提高了火焰的检测率.所提算法在Bilkent大...     

基于多级深度特征与随机游走的显著性检测

为了解决图像显著性检测中传统方法特征学习不全面、复杂场景下显著区域凸出不明显的问题,提出了一种基于多级深度特征和随机游走的显著性检测算法。首先,利用全卷积神经网络,结合深层和浅层卷积特征信息对图像进行多级卷积深度特征提取;然后,对图像进行超像素分割,将提取的深度卷积特征分配给相应的超像素,构建特征矩阵;最后,通过正则化随机游走排序模型生成最终的显著图。在ECSSD和DUT-OMRON数据库上的实验结果表明,与6种具有代表性的显著性检测算法相比,文中算法的准确性和F值具有一定的优势。     

动态卷积的3D点云目标检测算法

针对不规则且稀疏的点的提取特征问题,提出一种以动态卷积作为特征提取的3D点云目标检测算法.首先,以一种新型的动态卷积的方式自适应学习点的位置特征,分类出前景点与背景点,同时对提取出的前景点逐一做回归框;然后,用非极大值抑制选出分数值最好的回归框.其次,进行粒度的细化,得到修正规范的3D回归框,完成3D物体的目标检测.最后,在KITTI数据集上验证算法的有效性.结果表明：文中所提算法在汽车类、行人类、自行车类数据集上的3D点云目标检测精度更高.