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...     

基于深度学习的输电线路视觉检测方法研究进展

输电线路巡检是电网持续稳定供电的保障,其目的是对电力线、绝缘子、电力杆塔、防振锤等线路设备进行状态检测和故障诊断,同时观测电力线周围潜在隐患。深度学习的发展为输电线路巡检提供了有效手段,与传统目标检测方法相比,深度学习方法能更有效地实现航拍图像中电力设备的识别及缺陷检测。该文综述近十年来基于深度学习的输电线路视觉检测方法的研究进展。首先,概述适用于输电线路巡检的深度卷积神经网络,包括分类网络、检测网络、语义分割网络,考虑到开发的深度学习网络模型便于在移动设备上应用,另外阐述轻量化网络;然后,重点阐述基于深度卷积神经网络的输电线路巡检图像数据目标检测;随后介绍7个电力设备数据集以及性能评价指标;最后,指出基于深度学习的输电线路巡检图像数据视觉检测方法目前存在的问题,并对进一步的工作进行展望。     

基于深度学习的机器人电路板自主故障检测系统

机器人在生产制造以及使用过程中,由电路板问题导致机器人故障的情况屡见不鲜,因此印刷电路板的故障检测是保障机器人可靠性的关键.基于深度学习的电路板故障缺陷检测方法不仅能够有效克服人工目视检测和线上仪器检测的弊端,提高效率,同时能为生产节省很大的成本.随着深度学习在目标检测领域的不断发展,深度学习网络可以快速准确地从图像中...     

基于跨模态特征融合的RGB-D 显著性目标检测

RGB-D显著性目标检测因其有效性和易于捕捉深度线索而受到越来越多的关注。现有的工作通常侧重于通过各种 融合策略学习共享表示,少有方法明确考虑如何维持RGB 和深度的模态特征。提出了一种跨模态特征融合网络,该网络维 持RGB-D显著目标检测的RGB 和深度的模态,通过探索共享信息以及RGB 和深度模态的特性来提高显著检测性能。具体 来说,采用RGB 模态、深度模态网络和一个共享学习网络来生成RGB 和深度模态显著性预测图以及共享显著性预测图。提 出了一种跨模态特征融合模块,用于融合共享学习网络中的跨模态特征,然后将这些特征传播到下一层以整合跨层次信息。 此外,提出了一种多模态特征聚合模块,将每个单独解码器的模态特定特征整合到共享解码器中,这可以提供丰富的互补多 模态信息来提高显著性检测性能。最后,使用跳转连接来组合编码器和解码器层之间的分层特征。通过在4个基准数据集 上与7种先进方法进行的实验表明,方法优于其他最先进的方法。     

基于协同深度学习的二阶段绝缘子故障检测方法

针对现有绝缘子故障检测模型受航拍图像中复杂背景干扰导致准确率低的问题,提出一种基于协同深度学习的二阶段绝缘子故障检测方法.该方法将全卷积网络(FCN)与YOLOv3目标检测算法相协同,第一阶段,利用FCN算法对航拍图像预处理,设计跳跃结构融合浅层图像特征与深层语义特征,构建8倍上采样的绝缘子分割模型,结合图像像素逻辑运算,实现绝缘子目标的初步分割,避免背景区域对绝缘子故障检测的干扰.在此基础上,第二阶段构建YOLOv3模型进行绝缘子故障检测,以深度神经网络Darknet-53作为特征提取器,借鉴特征金字塔思想,在三个尺度的输出张量上对绝缘子故障进行标记和类别预测,保证模型对不同尺寸的绝缘子故障准确检测.利用K-means++聚类算法优化YOLOv3的锚点框参数(Anchor Boxes),进一步提升检测精度.实验结果表明,基于协同深度学习的二阶段方法能够有效克服复杂背景的干扰,在绝缘子故障检测中平均准确率(MAP)高达96.88％,较原始YOLOv3算法MAP值提升了4.65％.     

基于改进YOLOv4及SR-GAN的绝缘子缺陷辨识研究

为了精准地识别无人机巡检图形中的小目标绝缘子及缺陷,本文提出了一种基于改进的深度学习目标检测网络(YOLOv4)的输电线路绝缘子缺陷检测方法.首先,通过无人机航拍及数据增强获得足够的绝缘子图像,构造绝缘子数据集.其次,利用绝缘子图像数据集训练YOLOv4网络,在训练过程中采用多阶段迁移学习策略和余弦退火学习率衰减法提高网络的训练速度和整体性能.最后,在测试过程中,对存在小目标的图像采用超分辨率生成网络,生成高质量的图像后再进行测试,以提高识别小目标的能力.实验结果表明,与Faster R-CNN和YOLOv3相比,所提算法在平均分类精度和每帧检测速率方面均有较大提升,性能表现优异.     

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。     

基于改进Faster RCNN的小尺度入侵目标识别及定位

为实现无人值守变电站视频监控系统对动态小尺寸入侵目标体的识别与定位,提出一种基于改进Faster RCNN的快速神经网络辨识方法.该方法通过构建深度卷积网络计算目标样本的强语义特征,并利用密集连接的传输通道融合位置信息,从而得到适应于小目标检测的基础骨干网络;然后利用锚框挑选出目标可能存在的区域,采用双线性插值法计算定...     

基于主动视觉的机械臂目标抓取系统设计

本文基于机器视觉的方法,设计了机械臂目标抓取系统,通过采用深度学习的思想,在Windows操作系统的实验环境下搭建TensorFlow学习框架,采用PASCAL VOC数据集作为AlexNet网络的输入图片,利用RCNN算法初步实现对目标物体的检测。     

基于改进深度学习的电表终端故障图像识别方法

针对常规运维模式越来越难以满足电表终端高效可靠运营需求的问题,文章提出了一种基于改进深度学习的电表终端故障图像识别方法。在分析现有基于深度学习电表故障识别方法的不足的基础上,介绍了改进深度学习识别方法的思路。进一步设计了改进深度学习识别方法,具体阐释了深度学习分类网络、电表终端检测网络、组态匹配三个主要技术环节。最后以一个算例,介绍了改进深度学习的电表终端故障图像识别方法的应用情况,证明了该方法的有效性。     

基于深度学习的并联机器人定位检测技术研究

针对机器视觉领域中并联机器人存在目标识别模糊,分类效率差以及反应速度过慢的问题,提出了一种基于深度学习的并联机器人定位检测技术。首先对目标识别物进行图像采集,改进图像数据集,将处理前后图像放入训练集提高网络效率,搭建YOLOX目标检测分类识别算法提高并联机器人检测精度;其次改进训练方式,通过预训练与实际训练提高可靠性,改进损失策略;然后建立并联机器人主体基坐标系与相机坐标系,结合手眼标定与相机标定方法,求得目标实际坐标与机器人基坐标系的转换关系;最后在并联机器人实验平台验证目标标定结果,对比主流深度学习算法YOLOv3、YOLOv4、Faster-RCNN得出的并联机构网络定位与实际定位的相对误差,结果表明YOLOX的定位精度误差为3.992-5.061mm之间,平均精确度达到了91%左右。该方法可为并联机器人结合深度学习实现检测定位提供一定参考价值。     

基于多尺度协作模型的电气设备红外图像超分辨率故障辨识方法

针对现有红外图像分辨率低、清晰度差,易影响基于红外图像的电气设备故障检测效果的缺点,提出一种基于多尺度协作模型的电气设备红外图像超分辨率故障辨识方法.该文构建了基于多尺度协作模型的电气设备红外图像超分辨率重建网络,该网络以生成对抗网络为基础,通过引入多尺度协作模型和双通道结构,改善了超分辨率重建网络对红外图像的适应性,并优化了图像特征提取效果.在实现红外图像超分辨率重建基础上,结合深度学习目标检测方法,建立电气设备红外图像超分辨率故障辨识模型.针对所提方法进行了实验验证,实验结果表明:经该文所提超分辨率重建网络后,红外图像质量可明显提升,峰值信噪比(PSNR)、结构相似性(SSIM)值可分别提高至27.26dB、0.8283;采用该文所提红外图像超分辨率故障辨识模型可显著提高故障辨识效果,mAP、mAR、mAC和mAIOU值平均相对提高了19.34％、19.14％、11.83％和25.03％.     

基于特征增强YOLOv4的无人机检测算法研究

现有基于深度学习的目标检测方法在面对空中消费级无人机时,存在鲁棒性差、准确率不足等问题。 对此,提出一种基 于特征增强的 YOLOv4 目标检测方法—FEM-YOLOv4。 首先,针对无人机低、小、慢等特点,改进骨干网络,降低下采样倍数,充 分利用包含细粒度信息的浅层特征;其次,加入特征增强模块(feature enhancement module),通过使用不同空洞率的多分支卷积 层结构,综合不同深度的语义信息和空间信息,增强小尺度无人机的细节语义特征;另外,利用多尺度融合的特征金字塔结构, 突出特征图包含的细节信息和语义信息,提升模型对无人机目标的预测能力;最后,采用 K-means++算法对无人机目标候选框 的尺寸进行聚类分析。 与 6 种目标检算法进行对比,实验结果表明,FEM-YOLOv4 算法的 mAP 和 Recall 分别达到 89. 48%、 97. 4%,优于其他算法,且平均检测速度为 0. 042 s。     

基于改进YOLOv3-Tiny的毫米波图像目标检测

毫米波是一种不具有电离辐射的电磁波,其能够穿透绝缘衣物布料和对人体无害的特性使得毫米波在人体安检领域有着巨大的发展前景。将深度学习方法运用至毫米波图像目标检测领域,提出一种基于改进YOLOv3-Tiny的毫米波图像目标检测方法。首先,在特征提取网络中增加卷积层提升网络深度,并增加至3个不同尺度的预测层加强对毫米波图像目标的检测能力;然后,在FPN特征金字塔(feature pyramid network)中引入CBAM注意力机制(convolutional block attention module),使网络更关注毫米波图像中待测目标的特征,忽略背景噪声冗余的特征。结果表明：改进后的网络平均准确率可达93.4%,单帧检测速度为15ms,模型参数仅为38.7M,为毫米波安检系统高精度、小型化的研究提供了参考价值。     

基于时空一致性约束视频目标车辆的检测与跟踪算法研究

复杂场景中的目标感知是深度学习在计算机视觉中最重要的研究领域之一,而复杂交通场景中的车辆检测与跟踪是当今众多学者研究的热点问题。在视频目标检测过程中由于运动物体的时间维度特征信息利用不充分,导致在长序列之间的时间特征极其容易被忽略,本文提出一种时空一致性的视频车辆的检测跟踪算法。该算法由双分支网络结构组成：分支一是由基于空间相关性的Transformer网络模块组成,该分支网络主要用于判断前后帧的相关性、感知相邻帧之间的一致性,预测目标车辆时空一致性的关联度;另一网络分支是由基于交叉特征金字塔融合的网络模块组成,该模块主要是提取检测对象的局部信息结合浅层的空间边缘信息和深层的语义特征信息,提取对象空间位置的特征信息。该网络结构将Transformer机制和交叉特征金字塔模块相结合,利用Transformer对长序列之间时间关联性敏感和特征金字塔网络模块对边缘信息敏感的特性,对视频帧对象进行检测和跟踪,确保相邻帧的长程相关性以及边缘和深层的特征信息深度融合。实验结果表明,本文设计的双分支网络结构在视频目标跟踪和检测中取得更好精度和更快的收敛速度;同时在显著性视频目标检测中,实验表明算法的...     

基于ARM平台目标检测的轻量化方法

为了解决基于深度学习的目标检测算法庞大的计算量和内存占用，导致在ARM平台的边端设备上部署难度大的问题。本文提出一种基于ARM平台目标检测的轻量化方法，首次将网络中的批标准化层缩放因子和卷积层卷积核参数同时添加约束，稀疏训练后将其作为通道重要性判断的两个准则，将不重要的通道双准则剪枝；针对剪枝效果较差的层结合CBAM注意力设计轻量化结构替换；再对结构替换后的模型重新训练得到最终模型。在单目标检测和多目标检测场景，分别对改进的YOLOv5n和YOLOv5s实验，结果表明该方法在ARM设备上均优于常规轻量化方法。在人物检测场景中，对YOLOv5n优化后的模型大小仅有0.68 MB，在ARM设备上单核CPU部署时检测速度达到45 fps,完全满足实时性要求，大幅度降低边端设备部署难度和硬件成本。     

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I-OHEM的输电线路防外破目标检测方法研究

在电力系统中,及时有效地识别并排除高压输电线路外破风险隐患对保障电力系统的安全运维具有非常重要的作用。基于深度学习的目标检测技术能够有效识别输电线路安全区域内的工程机械和导线异物等可疑危险目标,降低输电线路的外破风险。针对外破隐患识别问题,基于工业界广泛应用的目标检测算法模型YOLOv3来进行输电线路防外破目标检测,提出了一种改进版的在线困难样本挖掘(I-OHEM)算法,对YOLOv3网络结构进行了改进和优化。结果表明,改进后的算法在保证实时性的要求下,提高了目标检测的准确度。     

基于深度学习与多频电磁阵列检测的金属板材表面和内部缺陷识别方法

针对传统电磁检测技术对金属内部缺陷检测能力不足问题,提出一种基于深度学习与电磁检测的金属板材表面和内部缺陷识别方法.实验建立了不同深度、位置、数量的9类表面与内部典型气隙缺陷模型,验证了多频检测可行性,考虑阵列传感器激励电压与感应电压关系,引入保持平衡性的数据采集方法扩充数据集并预处理;构建DNN与CNN深度学习网络对...     

基于DenseNet的红外图像热斑状态分类研究

光伏热斑故障对光伏组件的运行会产生严重影响,为从图像数据中进行有效的热斑检测,提出一种基于密集连接网络(DenseNet)的深度学习方法.利用数据增强、改进模型结构和迁移学习的方法,在红外光伏故障图形数据集上训练优化,并针对构建的样本数据集具有分布不平衡性的特点,选择采用Focal损失函数缓解样本的非均衡.实验结果表明...