基于深度学习的旋转目标检测方法研究进展

在遥感和场景文本图像中,目标具有方向多样性和尺度变化较大等特点,使得常见目标检测方法在这两场景中检测效果不佳,针对此问题,诞生了许多专门设计的检测方法。将朝向角度信息融入候选区域生成网络或设计专门的方向角度预测网络,是目前有朝向目标检测研究的主流方法,其对遥感和场景文本图像检测具有重要意义。本文综述了旋转目标检测在遥感和场景文本两场景中的研究现状,根据有无锚框将当前基于深度学习的旋转目标检测方法分为基于锚框的一阶段方法、基于锚框的二阶段方法和无锚框方法三类方法进行归纳分析,并从优缺点、骨干网络和适用场景等方面进行了对比。最后,对旋转目标检测方法的发展前景和研究方向进行了展望。     

基于深度强化学习的两阶段显著性目标检测

为提高复杂场景下的显著性目标检测速度和精度,提出了一种基于深度强化学习的两阶段显著性目标检测方法.该算法由显著性区域定位网络(salient region localization network,SRLN)和显著性目标分割网络(salient object segmentation network,SOSN)组成,分...     

基于深度学习的目标检测算法在电力巡检上的应用综述

面向电力巡检的目标检测是指对无人机采集到的图像进行分析,检测电力线路中的部分缺陷,从而对线路及时检修,保证电力系统能正常工作。基于深度学习的目标检测算法能高效处理大量的图片数据,其处理结果能应用于电力目标的故障诊断等任务,且众多算法的检测精度和速度都优于传统人工设计的机器学习方法。本文对基于深度学习的目标检测算法在电力巡检上的应用进行了较为全面的综述,并对比分析各种算法的优缺点,总结电力巡检领域的发展现状,还讨论了目标检测算法的未来发展趋势以及应用在电力巡检领域所面临的挑战。     

基于深度学习的图像目标检测算法研究

目前,基于深度学习的目标检测和图像处理的应用范围非常广。在图像处理方面,加入了深度学习能够使一些算法即使在复杂的环境下也能有着不错的识别效果。基于深度学习的方法,通过增加神经网络的网络层数,能够有效的提取出待识别图像的相关特征。其中,逐层设置由浅至深的网络层数就能够提高目标检测的效果。YOLOv3是一种快速的目标检测算法,但其对部分小目标的在检测,识别上不太准确。创新性的通过在基础模型上的改进和增加anchor数量的方法来实现算法的优化。通过实验令该算法在VOC 07数据集上进行验证,实验结果表明与传统未改进的YOLOv3模型相比,在精度上提高了约1.4倍。经过理论阐述和实验成果证明,所提出的方法确实具备更高的执行效果和可靠性,大大提升了模型在数据集上的平均准确率,说明此改进具有有效性和可行性。     

基于深度学习的人群计数算法综述

人群计数在视频监控、公共安全、智能商业等许多领域都有广泛的应用,近年来,随着深度学习的不断发展,人群计数已经成为计算机视觉领域研究的热点之一。本文根据提取特征方式的不同,将人群计数分为两类一类是传统方法,另一类是基于深度学习的方法,对基于卷积神经网络的方法进行重点分析和介绍;进一步介绍了人群计数领域的基准数据集和其他代表性数据集,实验结果表明,在人群密集和尺度变化较大的场景,基于卷积神经网络的方法优于传统方法,在尺度变化较大、人群较复杂的场景中多列网络比单列网络计数更加准确,效果更好;最后讨论了算法的未来发展方向。     

深度学习的目标检测典型算法及其应用现状分析

目标检测是利用图像处理技术对输入图像中的兴趣目标进行分类和定位。深度学习凭借强大的表征和建模能力,使得目标检测的效率大大提升。首先回顾了传统目标检测方法的检测过程以及存在的问题;然后,分别从两阶段和单阶段两大方面,对基于深度学习的典型目标检测算法进行了比较,介绍了目标检测算法常用的性能评价指标和数据集。在此基础上,总结了当前目标检测算法的应用领域,分析了目标检测研究中需要进一步深入探究的问题,并对未来目标检测的发展趋势给出了相关建议。     

基于深度学习的高压隔离开关分合状态检测算法研究

高压隔离开关的正常工作是电力系统稳定运行的前提。为正确识别隔离开关的分合状态,提出一种轻量化改进型YOLOv5s目标检测算法。首先,针对隔离开关数据集,采用二次优化K-means++聚类算法重新获取锚框参数。然后,将模型中的损失函数由CIOU替换为具有更强收敛性能的EIOU,加快模型训练的收敛速度。最后,在模型主干特征提取网络的最后一层添加CBAM注意力模块,加强模型特征提取能力。在此基础上,采用通道稀疏化剪枝的方法对改进后的模型进行轻量化处理,减小模型体积和算力消耗。实验结果表明,改进后的模型识别平均精度均值到达97.4%,轻量化处理后的模型大小为3.92 MB,使得模型更加容易部署到移动端设备完成实时检测。     

基于AlexNet深度学习网络的串联故障电弧检测方法

在家用交流供配电系统中,接触松动等原因可能会导致故障电弧的发生,威胁用电系统的安全。线路发生串联故障电弧时的电流基本与正常运行时的电流大小一致,具有很强的隐蔽性。对此,首次提出用深度学习检测电流信号的方法来检测串联故障电弧,该方法只需将电流信号输入深度学习网络,由网络自主挖掘隐含在电流信号数据背后的特征,实现对串联故障电弧的识别。搭建实验平台,并用开关模拟发生正常电弧,分别采集电阻性负载、电感性负载和阻感性负载正常运行和发生串联故障电弧时的电流数据共7 200组。构建AlexNet卷积神经网络并做相应改进,用采集到的数据训练网络并测试,结果显示辨识平均准确率在85%以上,表明该方法能够较好的实现对串联故障电弧的检测。     

基于图像增广与迁移学习的输电线路金具 多目标实时检测方法

架空输电线路金具的状态评估工作对于线路的可靠运行至关重要,金具的检测是评估工作的重要一环。针对金具识别检测中数据集人工标注的工作量大,以及难以兼顾高精度和快速性问题,提出一种基于YOLOX网络改进的输电线路金具检测方法。将无人机拍摄的金具图像进行增广预处理丰富数据集,骨干网络采用在线Mosaic、Mixup增强方式,引入基于特征提取的迁移学习并采用余弦退火学习率进行两阶段模型训练。实验结果表明,改进后的方法对各类金具检测的平均精度均值提高了18.32%,与Faster R-CNN等5种主流检测模型相比,所提方法平均检测精度均值最高,且检测速度仅次于YOLOv3,能够更加快速、精准地识别各类金具,并在一定程度上减少人工标注的工作量。     

基于深度学习的天然气管道气体压力超声检测模式识别方法

针对天然气管道气体压力超声检测模式识别问题,提出了对原始信号进行预处理去除冗余信息,然后对信号进行变分模态分解(variational modal decomposition,VMD)提取最优本征模态函数(intrinsic model functin,IMF)对信号进行重构,接着对处理好的信号进行连续小波变换(con...     

基于深度学习的色环电阻检测与判读方法研究

色环电阻作为常用的电子元器件,其阻值主要通过色环颜色表示。色环颜色依靠人工判断,效率低且误检率高。传统基于图像处理的色环判断,鲁棒性不高、受光照等物理因素影响较大。基于此,提出了一种基于深度学习的色环检测及判读方法。首先利用提出的目标检测算法实现色环检测和电阻本体检测,其次利用提出的颜色关系匹配方法结合检测结果,判断色环与电阻本体的从属关系并进行色环排序。最后利用提出的阻值推断方法,结合色码表,完成色环电阻的实时检测与判读。实验结果显示,相较于其他检测算法,该算法在色环检测的准确度上有更好的表现,达到98.71%,且网络的参数量仅10.61M、计算量仅31.68GMAC。在测试集上随机抽取20张图片进行验证,阻值判读的准确率高达98.59%。     

基于关键点的遥感图像旋转目标检测

高分辨率的遥感图像与普通图像相比,遥感图像目标具有方向多样性和尺度变化较大等特点.针对遥感图像目标检测问题,提出一种R-CenterNet遥感图像目标检测算法.首先,对CenterNet网络重新设计,在网络结构中加入旋转因子为检测框提供角度信息;其次,增加网络深度,提高网络检测性能;最后,为聚合不同区域的信息,进一步提...     

基于深度学习的天然气钢制管道缺陷检测方法研究

在天然气钢质管道腐蚀缺陷超声检测中,常规模式识别采用人工提取回波信号的方法,存在主观性强、普适性低的问 题。 基于此,本文提出用一维卷积神经网络(one-dimensional convolutional neural network,1D-CNN)提取回波信号的特征结合随 机森林(random forest RF) 分类的方法。 首先根据实验获取的回波信号的噪声情况,用小波包变换(wavelet packet transform WPT)对信号进行去噪;并用变分模态分解( variational model decomposition VMD)对去噪后的信号进行分解和重构以获得平滑 的信号;最后将处理好的回波信号进行 1D-CNN 网络特征提取和随机森林分类。 实验结果表明,基于 VMD-1D-CNN-RF 的天然 气钢质管道缺陷检测方法针对人造缺陷的识别准确率为 85. 71%,针对天然气站场的管道缺陷识别准确率为 71. 05%,表明无需 专家识别也可初步判别管道状况。     

PCB缺陷检测深度学习算法的精度改进

本文以YOLOv5目标检测算法为基础算法,针对PCB缺陷检测进行了提高精度的改进。首先通过实验选取了合适的数据增强方法。针对PCB缺陷尺寸小的问题,在原有的3个检测头基础上增加了P2检测头。设计全新的PANet多特征融合结构,实现高效的双向跨尺度连接和加权特征层融合。针对PCB背景复杂的问题,引入了CBAM注意力模块以增强图像信息。引入了Transformer模块来增强算法,以提高捕捉不同位置的PCB缺陷信息的能力。最终通过这些改进,在检测速度FPS仅下降7.2的情况下,检测算法的mAP精度提高了11.3%。     

基于改进深度学习的刀闸状态识别方法研究

识别刀闸状态对于现代电力系统至关重要,传统的刀闸状态识别方法不能很好地解决多刀闸目标干扰问题。为了解决此问题,提出了一种基于改进深度学习的刀闸状态识别方法。首先采用空间加权的池化策略来改进传统的卷积神经网络(CNNs);其次利用改进CNNs在训练数据库上获得训练模型;然后通过训练模型来检测绝缘子和刀闸的潜在位置,并进一步利用非极大值抑制和直线拟合算法获得精确的绝缘子和刀闸位置;最后利用与绝缘子的连通性和刀闸区域的长宽比来识别多种刀闸的闭合或断开状态。实验结果表明此方法能够精确地定位绝缘子和刀闸的位置,显著提高刀闸状态识别的精度。     

基于深度学习的PCB缺陷检测研究

印刷电路板(PCB)是保障电子设备产品可靠性的关键因素.因此,对于PCB板的缺陷检测是一项基本和必要的工作.当前PCB缺陷检测方面已经取得了很大进步,但由于PCB板缺陷的多样性、复杂性以及微小性,传统检测方法仍然难以应对.针对PCB板复杂性和微小性问题,文中提出了一种基于深度学习的PCB微小缺陷检测网络,命名为UF-N...