基于SSD的小目标检测改进算法

目标检测算法因数据存在分辨率较低、噪声等干扰,不能有效利用特征图中目标的边缘纹理和语义信息,导致小目标检测效果较差。为此,本文提出一种基于SSD的小目标检测改进算法。首先,采用普通卷积和深度可分离卷积进行同步特征学习并融合,获得信息丰富的浅层特征。然后,在固有的5个尺度的特征层后添加通道和空间自适应权重分配网络,使得模型更关注通道和空间的重要特征信息。最后,将候选目标框进行非极大抑制筛选得到检测结果。通过将改进的方法与Faster RCNN、SSD等方法在VOC2007数据集上测试结果进行比较,该方法降低了小目标的误检率,提升了整体目标的精度,所提模型mAP达到了78.94%,比SSD网络提高了3.13%。     

基于Faster-RCNN的钢带缺陷检测方法

目前实际工业生产中的钢带缺陷检测任务存在数据难以收集、缺陷识别效果较差等问题,为此提出一种基于Faster-RCNN的钢带缺陷检测模型FRDNet。通过k-means聚类获得锚框参数,使生成框更符合目标缺陷类别比例,提高缺陷检测精度;同时利用模型迁移的方式微调网络结构,使钢带缺陷检测模型更快地适应目标缺陷任务。该方法有效解决了目标钢带表面缺陷数据较少的问题,增强了模型的泛化性。试验结果表明,该方法在GC10-DET钢带缺陷数据集上平均精确率均值mAP达67.6%,相较于原始模型提升了4.9%,检测速度为27.2FPS,满足检测任务的要求。