改进的Faster R-CNN海洋鱼类检测模型

为提高海洋鱼类检测的准确率,提出一种基于Faster R-CNN的海洋鱼类检测方法.首先,利用迁移学习方法训练Faster R-CNN网络,克服海洋鱼类样本集有限的限制;其次,增加颈部连接层,使用双向特征金字塔网络(BiFPN)进行特征融合,得到具有丰富位置信息和语义信息的融合特征图;再次,将卷积层输出的特征矩阵作外积相乘运算,提高对相似海洋鱼类的识别精度;最后,结合Mask R-CNN中的ROI Align方法对预测位置进行二次修正,使检测框更加准确.实验结果表明,在检测海洋鱼类数据集时,与原始的Faster R-CNN算法相比,改进后的Faster R-CNN检测模型的平均准确度均值提高了7.4%.     

基于SSD的多特征刑侦场景识别

将基于深度学习的SSD(Single Shot MultiBox Detector)目标检测方法应用于刑侦图像目标检测中。通过对目标进行多尺度特征提取,将小目标与大目标采用不同级别的特征图方式进行融合识别。实验测试结果表明,SSD方法明显地提高了小目标在刑侦图像中的检测率,且与Faster R-CNN相比发现,在置信阈度为0.5时,SSD的检测精度接近Faster R-CNN,mAP(Mean Average Precision)达到94.8%,检测速度远超Faster R-CNN,帧频FPS达到58Hz。实验结果说明SSD方法在刑侦图像目标识别上具有特别优势。     

基于改进Faster R-CNN的铝材板缺陷检测研究

针对Faster R-CNN算法对于铝材板缺陷中大小跨度大的缺陷以及缺陷定位不准确的问题,提出改进Faster R-CNN用于铝材板缺陷检测.首先将VGG16特征提取网络替换为ResNet-101融合特征金字塔FPN,以提升模型对尺寸大小跨度大的缺陷的检测能力;其次,针对一些宽高比相差悬殊的铝材板缺陷定位不准问题提出K-means++聚类算法,用聚类结果调整基础锚框宽高比,使得模型更好框住缺陷以及一定程度上提升模型检测准确度.改进Faster R-CNN模型相比于传统Faster R-CNN模型准确率由79.5%提升至92.93%.     

基于深度学习的水稻病虫害诊断方法研究

病虫害是影响水稻等农作物产量的重要制约性因素。为探索基于深度学习的水稻病虫害诊断方法,采用图片尺寸归一化、截取感兴趣区域、病理分割3种预处理方式分别与Faster R-CNN Inception v2、SSD MobileNet v1两种深度学习目标检测预训练模型结合,在TensorFlow深度学习平台下进行水稻病虫害识别模型的训练和诊断效果测试。实验结果表明,6种条件下水稻病虫害识别准确率分别为99.65%、90.74%、92.60%、82.23%、65.74%和20.41%,其中采用归一化尺寸和Faster R-CNN模型时水稻病虫害识别准确率最高,且具有较低的训练时长,较适宜用于水稻病虫害诊断。     

基于改进的Faster R-CNN的肺结节检测方法研究

研究使用相同的CT图像数据集,对几种常见的肺结节检测方法进行对比试验,最终选取了检测精度高的Faster R-CNN进行了实验.然而,即使是本领域内检测精度最高的Faster R-CNN方法在肺结节检测领域的效果也难以令人满意.原始的Faster R-CNN中的锚框尺寸大,在肺结节检测领域无法达到好的应用效果,为了提高结节检测的精度,在Faster R-CNN的基础上进行了改进,改进的内容主要包括：(1)更多层的特征提取使得检测精度提高,因此,在网络特征提取时采用ResNet替换掉原始网络中的VGG16网络,采用ResNet-101进行后续实验的改进.(2)引入了一种K-Means聚类算法分析anchor的尺寸,选择合适的k值后,重新设置锚框的大小.通过对锚框的尺寸的改进,数据与锚框大小的匹配度提高了,模型的整体性能有了提升.实验证明：所提出的方法具有较高的精度和效率.     

基于卷积神经网络的无人机遥感影像农村建筑物目标检测

将深度学习应用于遥感影像目标识别,提出基于卷积神经网络的无人机遥感影像农村建筑物的目标检测方法,用端到端的方式训练Faster R-CNN网络模型,并应用于农村建筑物的快速精确识别.该方法包括基于RPN网络的区域建议和基于Inception v2的卷积神经网络模型训练.为了训练和测试模型,通过无人机采集南疆地区的农村建筑物遥感影像,并人工标注建立了农村建筑物的数据集,在TensorFlow深度学习框架上通过对该数据集目标检测验证了模型.结果表明,基于改进的卷积神经网络目标检测方法对无人机遥感影像进行快速准确识别的总体精度超过90%,通过初始参数更新,模型收敛更快,对无人机遥感影像地物分类和目标识别具有一定的参考意义.     

改进Faster R-CNN的快件搬运机器人视觉定位策略

针对快件搬运机器人视觉导航定位精确度低的缺点,在其预设轨道上设计了一种含有4种不同颜色小矩形的导航图案,再利用改进的Faster R-CNN检测导航图案里的目标区域。然后,通过Hams角点检测算法提取目标区域的参考角点继而使用PnP算法计算出该机器人坐标和偏转角。改进的Faster RCNN是在Faster RCNN的模型基础上增加卷积层,之后在多层卷积层的feature map上生成候选框且用两个3×3卷积核分别进行卷积运算,直接进行分类和回归。最后,设计的仿真测试结果表明:两种算法检测图案中目标类别的正确率均为100%,但改进后算法的精确度提高了3%。     

基于改进Faster R-CNN的集装箱箱号定位算法

集装箱箱号自动识别系统在海运港口作业和陆运装卸作业中发挥着重要作用,其箱号定位的准确与否对后续的箱号识别来说至关重要。针对目前箱号定位技术无法满足现今箱号识别领域智能化和自动化的需求,基于深度学习在目标识别领域的优越性,提出了一种基于改进Faster R-CNN的集装箱箱号定位算法,先利用特征提取网络CNN进行箱号特征提取,再采用区域建议网络RPN提取箱号区域的候选区域建议,最后利用检测网络Fast R-CNN在候选区域基础上进行更精准的箱号区域定位,此外对数据集进行数据增强以提高网络模型的泛化能力和鲁棒性。实验结果证明,该算法可以有效实现箱号区域的定位,且定位正确率比直接应用原始Faster R-CNN算法提高了5.3%,检测速度为每幅240 ms,满足实际应用中的实时性要求。     

基于Faster R-CNN的玻璃瓶缺陷检测技术

自动化检测玻璃瓶缺陷技术的实现,能够减少人力物力的需求量,提高玻璃瓶缺陷检测结果的准确性以及可靠性.将深度学习网络应用到玻璃瓶缺陷检测技术上,分别使用VGG16和Resnet101作为缺陷检测模型中Faster R-CNN的特征提取网络,在不同的锚框的尺度下对缺陷检测效果进行分析.实验结果表明,Faster R-CNN...     

融合注意力机制的高效率网络车型识别

为了解决现有的车型识别算法对车型特征描述不充分的情况,提出融合注意力机制的高效率网络车型识别算法. 利用高效率网络中的复合缩放方式来平衡网络的深度、宽度和分辨率,将深度可分离卷积集成到基础特征提取模块中来提高模型准确率. 增加双通道的残差注意力机制来关注图片中的关键信息,获得含有更加丰富语义信息的特征图. 在网络的末端添加单独的softmax分类器,使用标签平滑正则化对损失函数进行处理,减小模型过拟合的问题. 在BIT-Vehicles数据集上进行实验,结果表明,提出方法的平均分类准确率为96.83%,较改进前的模型提高了1.11%,优于现有DCNN、Faster-CNN的改进算法,较Faster R-CNN提升了7.16%.     

深度学习在输电线路无人机巡检中识别防振锤缺陷的应用

基于深度学习技术,对无人机巡检架空线路防振锤缺陷识别的应用开展了研究。针对巡检图像背景复杂,防振锤识别目标小、易出现漏检的特点,在更快的基于区域的卷积神经网络（faster region-based convolution neural network, Faster R-CNN）算法基础上,利用光学矫正和综合去噪对图像进行预处理,用深度残差网络（deep residual network, ResNet)提取特征图,增大、增多训练尺度对算法进行优化。通过Gabor滤波器和分析红绿蓝(red green blue, RGB)颜色通道特征分别对防振锤损坏和锈蚀缺陷进行识别。实验结果表明:该方法对防振锤缺陷有较好的识别效果,召回率达到92.56%,精确度达到98.24%,优于现有的其他目标检测方法。     

改进的Faster R-CNN算法及其在电力作业安全穿戴检测中的应用

运维人员正确的安全穿戴是确保电力作业安全的重要措施,计算机视觉深度学习算法为电力作业安全穿戴监管提供了一种新的手段。Faster R-CNN(faster region-based convolutional neural network)是一种有效的目标检测方法,在其基础上进行改进,首先以轻量级卷积神经网络EfficientNetV2(efficient network version 2)作为Faster RCNN的骨干,均衡提升算法的检测精度与速度;然后,在RPN(region proposal network)前引入注意力机制CBAM(convolutional block attention module)进一步提升检测精度。结合实际电力作业安全穿戴检测场景对该方法进行测试实验,结果表明,相对目前以VGG-16(visual geometry group-16)、ResNet-50(residual network-50)为骨干的Faster R-CNN算法而言,改进Faster R-CNN算法的检测精度和速度均得到提高,其平均精度均值(mean average precis...     

基于深度学习监控场景下的多尺度目标检测算法研究

针对监控环境下的视频图像处理存在漏检这一问题,分析现有目标检测算法中普遍使用的深度学习方法—Faster R-CNN,在VGG16卷积神经网络基础上,对深度卷积神经网络进行改进,在第一层卷积层中加入空洞卷积核,扩展神经网络的宽度,使得目标检测模型具有尺度不变性.在深度学习平台PyTorch下对Cifar-10数据集进行了实验,实验结果显示,改进的目标检测算法具有较好的尺度不变性,在监控场景下更具优势.     

架空输电线路无人机巡检视频中避雷器计数器目标检测

针对架空线路无人机智能巡检的应用,开发基于无人机巡检视频的避雷器计数器仪表智能识别系统,研究了利用深度学习对巡检视频中的避雷器计数器进行目标检测定位,以提取避雷器计数器的目标区域位置,用于下一步的读数识别。采用基于拉普拉斯算子方差的模糊检测算法对样本进行筛选,构建用于目标检测模型训练的避雷器计数器样本集;并分别采用更快的基于区域的卷积神经网络（faster region-based convolutional neural network,Faster R-CNN)、YOLOv3(you only look once version 3）目标检测、单步多框目标检测(single shot multibox detector,SSD)3种主流的目标检测模型对视频中的避雷器计数器进行检测定位。研究结果表明:Faster R-CNN对研究中构建的测试集的检测准确率可达到99.21%,远高于YOLOv3和SSD。     

基于深度学习的藏文现代印刷物版面检测技术研究

针对藏文现代图书版面中的文本行分布不均匀、现代藏文字体差异较大的问题,提出了一种基于Faster R-CNN的版面文本行检测算法. 通过在整理标注的数据集上训练,用ResNet-50网络提取出藏文现代图书版面特征信息. 为了有效提高模型的泛化能力,在COCO数据集下的网络模型中进行迁移学习. 实验结果表明,该方法可对藏文现代印刷物的版面实现文本行的定位,检测准确率为83%,召回率为95%,明显提高了版面检测的精确度.     

改进的Faster R-CNN网络预测尺度参数

为了研究基于深度学习的多任务分类和回归问题,本文改进了Faster RCNN网络,提出了同时实现分类和回归分支的深层神经网络.以Faster R-CNN算法为基础,通过增加网络分支的方式,将分类和回归网络并入同一个网络,实现端对端的目标识别、定位和参数测量多个任务并行处理.使用整体交替训练的方式优化网络参数.基于智慧农...     

Faster R-CNN模型改进及机翼标记检测应用

对更快区域神经网络(Faster Region Convolutional Neural Network,Faster R-CNN)模型加以改进,并应用于机翼关键标记点位置检测.采用残差网络ResNet-101代替Faster R-CNN模型中的视觉几何组(Visual Geometry Group,VGG)16网络,...     

井下行人检测的改进Cascade R-CNN算法

针对井下照明情况复杂、光线不均匀、背景复杂、行人特征不明显导致基于计算机图形识别的井下行人检测效果不佳这一问题,提出一种基于改进Cascade R-CNN的井下行人检测方法,以Cascade R-CNN为基础,引入Soft-NMS替换传统NMS,充分利用Cascade R-CNN的多阶段检测模型提高检测效果。实验表明:基于改进Cascade R-CNN的井下行人检测方法可有效针对井下特殊复杂情况,在井下行人数据集上获得了91.4%的检测准确率,并使用COCO检测评价矩阵评估模型对改进Cascade R-CNN算法进行了验证,相较于传统Cascade R-CNN算法平均精准度(AP)提升约2%。     

基于伪样本正则化Faster R-CNN的交通标志检测

针对交通标志检测算法往往仅能对特定类标志检测或基于深度学习方法因训练样本少而造成"过拟合"高风险等问题,本文提出了一种基于伪样本正则化Faster R-CNN深度学习的标志检测算法。该算法首先通过训练数据集提供的标志和无标注的背景样本,提出了一种伪样本正则化策略。然后,通过深度学习模型中区域建议生成网络获取建议区域。最后,利用交替训练策略、共享CNN策略和联合训练策略、RPN网络和Fast R-CNN目标检测网络交替训练和联合训练,最终获取Faster R-CNN交通标志检测模型,实现了各类标志的检测,并有效降低了"过拟合"风险。实验结果验证了本文算法的有效性。     

基于Faster R-CNN的食品图像检索和分类

面向食品领域的图像检索和分类等方面的研究成为多媒体分析和应用领域越来越受关注的研究课题之一.当前的主要研究方法基于全图提取视觉特征,但由于食品图像背景噪音的存在使得提取的视觉特征不够鲁棒,进而影响食品图像检索和分类的性能.为此,本文提出了一种基于Faster R-CNN网络的食品图像检索和分类方法.首先通过Faster R-CNN检测图像中的候选食品区域,然后通过卷积神经网络(CNN)方法提取候选区域的视觉特征,避免了噪音的干扰使得提取的视觉特征更具有判别力.此外,选取来自视觉基因库中标注好的食品图像集微调Faster R-CNN网络,以保证Faster R-CNN食品区域检测的准确度.在包括233类菜品和49 168张食品图像的Dish-233数据集上进行实验.全面的实验评估表明:基于Faster R-CNN食品区域检测的视觉特征提取方法可以有效地提高食品图像检索和分类的性能.