基于边缘检测的快速纸张检测方法

结合普通纸笔交互方式对纸张检测的实时性和鲁棒性的要求，提出了一种基于边缘检测的快速纸张检测方法。在边缘检测阶段，提出了跨层特征融合的快速纸张边缘检测方法。在HED主干网上添加线性瓶颈逆残差块和融入高效通道注意力的B-ECA块，大幅度减少了参数量，增加了显著特征的权重;分阶段融合各阶段各层特征，保留了更多的边缘特征;对高阶段特征上采样，并与低阶段特征进行跨层特征融合，解决了边缘模糊的问题。在自建的MPDS数据集上进行训练和测试，相较于HED方法，提出的纸张边缘检测方法在ODS和OIS指标上分别提高了8.1%和6.6%，检测速度由22.08 fps提高到了39.02 fps。在纸张提取阶段，提出了基于纸张结构约束的纸张提取方法。依次对纸张边缘进行基于非极大值抑制的边缘细化、直线检测与筛选、结构约束的纸张顶点提取，最终提取出只包含纸张的图像。实验结果表明，在各种复杂桌面环境及遮挡情况下，提出的纸张提取方法均可以快速、准确地提取完整的纸张图像，可以为普通纸笔交互方法提供交互基础。     

基于YOLOv4的车辆与行人检测网络设计

针对YOLOv4网络模型参数量大，难以在资源有限的设备平台上运行的问题，提出一种对YOLOv4轻量化的车辆和行人检测网络。以MobileNetV1为主干网络，将PANet和YOLO Head结构中的标准卷积替换成深度可分离卷积，减少模型参数量；同时利用跨深度卷积结合不同膨胀率的空洞卷积构建特征增强模块，改善不同预测层对车辆和行人尺度变化的适应能力，提高网络的检测精度。实验结果表明，上述网络模型大小为45.28MB,检测速度为44FPS,相比YOLOv4模型大小减少81.44%,检测速度提升91.30%,在PASCAL VOC2007测试集上，检测精度达到86.32%,相比MobileNetV1-YOLOv4原网络提高1.29%的精确度，能够满足实时高效的检测要求。     

基于MobileNetV2和IFPN改进的SSD垃圾实时分类检测方法

针对垃圾分类检测任务中检测目标尺寸不一和小目标检测精度不高等问题,构建一种基于隐式特征金字塔网络（IFPN）和MobileNetV2的改进SSD模型的分类检测方法,对垃圾进行实时分类检测。首先,将改进后的MobileNetV2引入SSD,加入带有空洞卷积的空间金字塔池化模块（ASPP）,在降低网络模型计算复杂度的同时保证网络实时性和精确性;其次,采用IFPN从网络的深层到浅层逐级融合SSD,更精确地检测出小目标;最后,使用Focal Loss函数调节正负样本之间的权重。实验结果表明,在阈值为0.4时,所提方法比传统SSD平均精确率均值（mAP）提高了4.84个百分点,检测耗时减少了72.7%,能满足边缘计算设备对模型的各项要求。     

基于改进 YOLOv4 的嵌入式变电站仪表检测算法

随着机器人技术的快速发展,智能机器人广泛应用于变电站巡检,针对目前目标检测算法参数量过大且嵌入式设备性能有限,难以在嵌入式平台上实现实时检测的问题,提出了一种基于改进 YOLOv4 的嵌入式变电站仪表检测算法。以 YOLOv4 为基础,采用MobileNetV3 作为主干特征提取网络,在保证模型能够有效提取特征的情况下,降低运算量,提高检测速度;与此同时,将特征提取后的路径聚合网络(PANet)中的卷积运算替换成深度可分离卷积;采用迁移学习的训练策略克服模型训练困难问题;最后,利用TensorRT对改进后的模型进行重构和优化,实现快速和高效的部署推理。改进后的算法在嵌入式端 NVIDIA Jetson Nano上进行了测试,实验结果表明,在牺牲了较少精度的情况下,检测速度提高了 2 倍,达到 15 FPS,为边缘计算场景下的仪表实时检测提供了可能。     

基于YOLOv5改进的轻量化目标检测

针对移动端目标检测算法需要模型参数量与计算量更少、推理速度更快和检测效果更好以及目标检测算法对于小目标误检、漏检及特征提取能力不足等问题, 提出一种基于YOLOv5改进的轻量化目标检测算法. 该算法使用轻量级网络MobileNetV2作为目标检测算法的骨干网络降低模型的参数量与计算量, 通过使用深度可分离卷积结合大卷积核的思想降低网络的计算量与参数量, 并提升了小目标的检测精度. 使用GhostConv来替换部分普通卷积, 进一步降低参数量与计算量. 本文算法在VOC竞赛数据集, COCO竞赛数据集两份数据集上均进行了多次对比实验, 结果表明本文算法相比于其他模型参数量更小、计算量更小、推理速度更快以及检测精度更高.     

改进的SSD行人检测算法

针对行人检测中检测速度慢,不能实现实时性检测的问题,提出一种改进的SSD(Single Shot MultiBox Detector)行人检测算法。改进网络通过调整基础网络中卷积层的数量,去除冗余的卷积层,降低模型复杂度,提高检测速度;不同尺度特征图进行预测之前加入残差块,进一步提取特征,提高准确率。提取PASCAL VOC数据集中的行人图像和INRIA数据集形成混合数据集进行训练,增加模型泛化性,实验证明本方法拥有较高的精度和较快的速度,具有良好的泛化性,满足实时性要求。     

基于改进HED网络的重叠葡萄果粒轮廓特征提取

针对复杂背景以及果粒重叠造成的葡萄果粒边界难以准确检测识别的问题，提出一种基于改进HED网络的图像边缘检测算法。算法改进HED神经网络模型，使网络中每个卷积层的输出均得到充分利用；引入骰子(Dice)系数改进原有加权交叉熵损失函数。利用非极大值抑制方式对生成的边缘预测图进行边缘细化处理。实验结果表明，改进后的模型在验证集下的ODS(Optimal Dataset Scale)和OIS(Optimal Image Scale)分别达到0.801和0.817。通过比较改进HED与Canny、HED、DeepEdge三种算法对不同光照条件下的检测结果，表明改进的HED在不同条件下Dice系数高于其他算法约0.01,准确度高于其他算法约0.04。该研究结果为葡萄表型特征提取和葡萄生长规律研究提供了参考。     

基于改进YOLOv4的工件表面缺陷检测方法

针对将深度学习用于工件检测环境中计算资源受限的问题,提出了一种基于改进YOLOv4的工件表面缺陷检测方法。首先,使用轻量化网络模型MobileNetV2替换YOLOv4原有的主干特征提取网络,并使用深度可分离卷积替换掉YOLOv4中使用的3×3标准卷积,大幅减小模型的参数规模,提升模型的检测速度;其次,提出一种图像预处理方法,在输入检测网络前定位并裁取出图像中工件的区域;最后,由于YOLOv4已有的Mosaic数据增强方法在自制VOC数据集上表现不佳,引入一种新的数据增强方法以防止训练过程产生过拟合现象。实验结果表明,该方法对工件缺陷的检测精度达到90.63%,检测速度为每秒34.56帧,相较于原始YOLOv4模型,模型规模减小82.1%,检测精度提升了2%,检测速度提升了150%;与SSD和Faster R-CNN等模型相比较,该模型在检测速度和检测精度上有着出色的综合表现,能够针对工件银面缺陷进行高效的检测。     

改进YOLOv5的轻量化口罩检测算法

为了提高现有口罩检测算法检测效率，降低算法参数量以及模型大小，提出了一种改进的轻量化口罩检测算法YOLOv5-MBF。用GELU激活函数替换MobileNetV3深层网络的hard-swish激活函数，优化了模型收敛效果，将改进的MobileNetV3网络替换YOLOv5s主干网络，降低计算量提高模型检测速度。增加BiFPN特征金字塔结构与不同特征层融合，提高了检测精度。在数据处理方面使用Mosaic和Mixup数据增强提高该模型的泛化性和鲁棒性。边框回归损失函数使用Focal-Loss EIoU，优化了模型训练收敛速度且提高了口罩和人脸边框定位精度。最后添加CBAM注意力机制使得模型更关注重要特征抑制不显著特征提高检测性能。实验结果表明，该算法在佩戴口罩目标和无佩戴口罩目标上的平均精度均值达到了89.5%，模型推理速度提升了43%，模型参数了减少了49%，模型大小降低了48%，满足口罩检测任务的实时性和检测精度要求。     

基于YOLO2的地铁进站客流人脸检测方法

由于光照变化、乘客拥挤和站外噪声干扰大等问题,现今地铁进站客流人脸检测技术精度较低。为提高人脸检测精度,本文在YOLO2轻量级目标检测算法Tiny YOLO2原有网络结构基础上,首先利用不同数目的1×1卷积层对特征图进行压缩,然后将特征图尺寸重新调整到统一大小进行级联,得到高维特征图。缩减网络最后几层卷积核数量,用1×1卷积层替换原始网络的3×3卷积层,得到更深而且更窄的人脸检测网络。改进后的网络先后在Wider Face数据集和地铁进站客流数据集上进行训练,得到最终的人脸检测模型。加载训练好的人脸检测模型对随机选取的300幅站外乘客图片进行测试。测试结果表明：本文算法相比Tiny YOLO2原始人脸检测算法,召回率提高4.2%,单幅图片检测速度提高6.5%。同时在广泛使用的人脸检测算法评测数据集FDDB上进行测试,在误检数目为200的情况下,人脸检测准确率相比Tiny YOLO2平均提高5%,比SSD检测算法提高2%,而且本文算法能够在检测速度和精度之间取得较好的平衡,有较好的泛化性。     

边缘环境中目标检测算法的应用研究

为了满足对安防图像数据安全准确高效的处理需求,在低延迟、高可靠性的边缘计算环境中设计了一种实时性目标检测框架,按层次分为终端网络层、边缘服务器层与云层。在终端网络层采用BING（Binarized Normed Gradients）算法区分图像的目标区域与背景区域,对不同区域采取选择性压缩以减少数据传输量。在边缘服务器层,针对安防图像中小目标易漏检的问题提出了基于SSD（Single Shot Multibox Detector）的改进算法2FSSD,将SSD主干网络中具有高语义信息的深层特征与低层特征进行融合,形成新的特征提取层进行目标检测。实验表明,2FSSD算法在VOC数据集中检测精度可达79.5%,检测速度为27.3 frame/s。因此该研究方法可以在保证检测准确度的同时满足安防图像处理的实时性要求。     

基于轻量级卷积神经网络的实时缺陷检测方法研究

应用机器视觉实现磁片表面缺陷的自动检测可以提高生产效率、降低生产成本。深度卷积神经网络具有高精度的分类性能,尤其在图像识别方面有显著的优点。但是目前提出的深度神经网络模型,由于参数量和计算量的巨大,在工业生产流水线上不能满足实时检测的需求。针对这个问题,基于深度可分离卷积和通道混洗,提出了一种轻量级高效低延时的卷积神经网络架构MagnetNets。为了评估MagnetNets网络模型的性能,将MagnetNets网络模型与MobileNets、ShuffleNet、Xception、MobileNetV2在公开数据集ImageNet中做了对比实验。然后将MagnetNets网络模型应用在磁片缺陷检测系统中进行缺陷检测。实验结果表明,提出的网络架构显著地减少参数数量,具有良好的性能。同时在磁片缺陷检测系统中减少了延时,提高检测速度,缺陷检测识别率达到了97.3%。     

基于轻量化YOLOv3的遥感军事目标检测算法

在导弹智能突防的过程中,从海量的遥感图像数据中检测敌方反导阵地具有极大的应用价值。由于弹载部署环境算力有限,设计了一种兼顾轻量化,检测精确率以及检测速度的遥感目标检测算法。制作了典型遥感军事目标数据集,通过K-means算法对数据集聚类分析。利用MobileNetV2网络代替YOLOv3算法的主干网络,保证网络的轻量化和检测速度。提出了适用于遥感目标特性的轻量化高效通道协同注意力模块和目标旋转不变性检测模块,将其嵌入检测算法中,在网络轻量化的基础上提升检测精确率。实验结果表明,提出算法的精确率达到97.8%,提升了6.8个百分点,召回率达到95.7%,提升了3.9个百分点,平均检测精度达到95.2%,提升了4.4个百分点,检测速度达到了每秒34.19张图,而网络大小仅为17.5?MB。结果表明该算法能满足导弹智能突防的综合要求。     

一种轻量化中文指路标志的文本识别算法

针对中文交通指路标志中多方向、多角度的文本提取与识别困难的问题,提出了一种融合了卷积神经网络与传统机器学习方法的轻量化中文交通指路标志文本提取与识别算法。首先,对YOLOv5l目标检测网络进行轻量改进,提出了YOLOv5t网络用以提取指路标志牌中的文本区域;然后,结合投影直方图法与多项式拟合法的M-split算法,对提取到的文本区域进行字符分割;最后,使用MobileNetV3轻量化网络对文本进行识别。提出的算法在自制数据集TS-Detect上进行近景文本识别,精度达到了901%,检测速度达到了40 fps,且权重文件大小仅有24.45 MB。实验结果表明,提出的算法具有轻量化、高精度的特性,能够完成复杂拍摄条件下的实时中文指路标志文本提取与识别任务。     

Holistically-Nested Edge Detection

We develop a new edge detection algorithm that addresses two important issues in this long-standing vision problem: (1) holistic image training and prediction; and (2) multi-scale and multi-level feature learning. Our proposed method, holistically-nested edge detection (HED), performs image-to-image prediction by means of a deep learning model that leverages fully convolutional neural networks and deeply-supervised nets. HED automatically learns rich hierarchical representations (guided by deep supervision on side responses) that are important in order to resolve the challenging ambiguity in edge and object boundary detection. We significantly advance the state-of-the-art on the BSDS500 dataset (ODS F-score of 0.790) and the NYU Depth dataset (ODS F-score of 0.746), and do so with an improved speed (0.4 s per image) that is orders of magnitude faster than some CNN-based edge detection algorithms developed before HED. We also observe encouraging results on other boundary detection benchmark datasets such as Multicue and PASCAL-Context.     

基于优化 YOLOv5s 的跌倒人物目标检测方法

针对目标检测模型在人物跌倒时易漏检、鲁棒性和泛化能力差等问题,提出一种基于改进 YOLOv5s 的跌倒人物目标检测方法 YOLOv5s-FPD。首先,对 Le2i 跌倒数据集使用多种方式扩充后用于模型 训练,增强模型鲁棒性和泛化能力;其次,使用 MobileNetV3 作为主干网络来进行特征提取,协调并平衡模型 的轻量化和准确性关系;然后,利用 BiFPN 改善模型多尺度特征融合能力,提高了融合速度和效率,并使用 CBAM 轻量级注意力机制实现注意力对通道和空间的双重关注,增强了注意力机制对模型准确性地提升效果; 最后,引入 Focal Loss 损失评价从而更注重挖掘困难样本特征,改善正负样本失衡的问题。实验结果表明,在 Le2i 跌倒数据集上 YOLOv5s-FPD 模型比原 YOLOv5s 模型,在精确度、F1 分数、检测速度分别提高了 2.91%, 0.03 和 8.7 FPS,验证了该方法的有效性。     

基于GPN径向基神经网络的边缘检测方法

在基于神经网络的边缘检测模型中,大部分模型的检测效率不高,检测效果也有待提升.本文受人眼视觉系统特性的启发,提出了一种新的基于GPN （Gaussian Positive-Negative）径向基神经网络的边缘检测方法.首先,本文构造了一种新型的基于GPN径向基神经网络,将图像中经高斯滤波预处理后的每个像素点作为GPN径向基神经网络的中心点,并将其输入神经网络;然后,在每层之间使用卷积神经网络的部分特性进行处理,经过扩展层和隐层计算后输出结果;最后根据输出结果利用轮廓跟踪的方法将边缘提取出来.本文在检测效果以及效率这2个方面进行了相应的数值实验.针对合成图像以及部分灰度不均匀图像,相较于脉冲耦合神经网络模型、遗传神经网络模型以及卷积神经网络模型,本文模型在效率上得到了提升,且边缘的连通性更好.实验结果表明,本文提出的基于GPN径向基神经网络的边缘检测方法是一种新的、有效的边缘检测方法,比传统的神经网络边缘检测方法效率更高,且在检测效果上也有所提升.     

CPU环境下快速精确的人脸检测方法

近年来人脸检测在使用深度学习方法的情况下,取得了显著的突破.然而人脸检测在CPU上实时运行并且保持很高的精度依然是一个很大的挑战.本文提出一种轻量的卷积网络模型,可以加快卷积神经网络提取特征的速度;对相邻卷积层进行特征融合,在融合后的多个卷积层检测人脸;为了使每一层的anchor密度相同,对anchor做了稠密化处理;修改了人脸检测分类损失函数,使其更关注比较难分类的样本.在公开数据集FDDB的实验表明,在本文提出的神经网络模型下准确率达到了95.9%,并且可以在CPU上实时检测.     

视觉协同的违规驾驶行为分析方法

本文针对危险驾驶识别中主流行为检测算法可靠性差的问题,提出了一种快速、可靠的视觉协同分析方法。对手机、水杯、香烟等敏感物体进行目标检测,提出的LW(low weight)-Yolov4(You only look once v4)通过去除CSPDarknet53(cross stage partial Darknet53)卷积层中不重要的要素通道提升了检测速度,并L₁正则化产生稀疏权值矩阵,添加到BN(batch normalization)层的梯度中,实现优化网络模型的目的;提出姿态检测算法对驾驶员指关节关键点进行检测,经过仿射逆变换得到原始帧中的坐标;通过视觉协同分析对比敏感物品的检测框位置与驾驶员手部坐标是否重合,判定驾驶员是否出现违规驾驶行为及类别。实验结果表明,该方法在识别精度与检测速度方面均优于主流的算法,能够满足实时性和可靠性的检测要求。