基于深度学习的遮挡情形下行人检测

行人检测作为目标检测领域的热点之一,在无人驾驶汽车辅助系统、智能监控系统以及服务型智能机器人等领域有着广泛的应用价值,主要是指对于视频或者图片中的行人目标进行类别判断以及定位的过程。随着技术发展,对行人检测技术的籍度要求也越来越高,对遮挡情况下的行人检测技术进行了研究,在复杂场景下还存在光照,天气等随机性较强的自然因素,这些自然因素和人为因素的结合给目前已有的行人检测算法带来了很大的挑战,因此介绍基于深度学习的遮挡情况处理方法,对遮挡下的行人检测技术在未来发展中亟待解决的问题提出展望。     

基于多阶段交叉信息融合的多光谱行人检测

针对多光谱行人检测中双模态特征融合不充分、特征融合质量低的问题,提出一种基于多阶段交叉信息融合的多光谱行人检测算法。算法首先通过双流骨干网络分别对可见光图像和红外图像进行特征提取;设计交叉信息融合模块并多阶段嵌入双流骨干网络中引导双模态特征融合,实现双模态特征信息的充分融合;引入条件卷积对融合后的特征信息进行动态处理,改善融合信息的质量,最终提升算法的检测性能。实验结果表明,算法的漏检率仅为1041%,较原算法降低了10%,显著提升了算法的检测性能。     

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。     

基于深度学习的马铃薯机械损伤检测方法应用研究

针对人工难以区分的的马铃薯机械损伤特征的问题,提出了一种基于深度学习的马铃薯机械损伤检测方法,主要研究内容如下：1）研究基于深度学习的模型caffe的神经网络CaffeNet、GoogLeNet、AlexNet的马铃薯机械损伤识别,准确率的对比;2）研究基于MATLAB的caffe模型函数封装,将马铃薯分类模型整合到用MATLAB做的界面壳中,生成应用程序。根据以上研究,使用AlexNet、CaffeNet、GoogLeNet 3个经典的物体识别卷积神经网络对108张马铃薯图片进行识别,识别的准确率都达到了100%,表明该方法具有识别准确率高、识别速度快的特点。     

基于深度学习的多模型融合图像智能检测方法研究

传统的Faster r-cnn定位算法中应用的是通过最近邻插值算法进行插值的RoiPooling,对于小缺陷的识别效果不佳,本文将其改进为使用双线性插值算法的RoiAlign,提高了轮胎异常检测的精确度。针对传统的轮胎缺陷样本检测面临特征提取困难的问题,本文通过将ResNet和DenseNet两个网络模型进行融合搭建起的RSDC-Net(resnet and densenet converged network)网络模型,提高了网络的泛化、感知能力,增强了特征提取能力,而且将该网络应用于深度学习的可解释性研究中,实现了深度学习的可视化。目前神经元分类的研究领域还有很大空缺,所以为了针对敏感区域图像结果进行潜层的神经元分类研究,本文设计出双卷积门限循环神经网络来作为网络模型来完成神经元的分类研究,该网络模型在四种模型对比实验中表现最佳。     

基于改进YOLOv5s的车辆行人检测

针对车辆行人检测中容易出现小目标错检、漏检的问题,提出了一种基于改进YOLOv5s的车辆行人检测算法,首先在不改变原有路径聚合网络(path aggregation network, PANet)的条件下,从头部网络引出第4个检测头,提高对小目标的检测能力,其次在主干网络中设计CF模块来代替原有的下采样模块,增强特征提取能力,然后将Neck网络中通道数减半的C3模块重新设计为S-C3,减少Neck部分的信息丢失问题,最后重新构建空间池化金字塔(spatial pyramid pooling-fast, SPPF)为D-SPP模块,为Neck部分保留更加细致的特征,提高对目标的检测精度。实验采用KITTI数据集,对数据集进行类别合并、删除等处理。实验结果表明,改进后的算法与原算法在KITTI上相比Person、Cyclist类分别提高4%和3.7%,平均精度均值(mAP)mAP@0.5提高2.3%。并且对小目标错检、漏检的问题有明显改善。     

融合深度感知特征与核极限学习机的行人检测

行人检测在辅助驾驶和交通监测等方面有着广泛的应用,一直是计算机视觉领域中的研究热点和难点。传统特征提取方法对处在复杂环境中的行人难以有效地捕获具有区分度的特征信息。而目前流行的卷积神经网络因BP算法易陷入局部极小值,对泛化性能有所影响,且随着网络层的增加,一些显著特征信息逐层递减。针对上述问题,提出了融合深度感知特征与核极限学习机的行人检测算法。首先在CNN结构的基础上分两个阶段将前层特征与深层次特征融合后,送入后续层学习,构造一个DAGnet网络。随后采用实时性高,泛化能力强的核极限学习机对所得深度特征信息进行分类,并采用K-折交叉验证进行参数寻优;检测阶段,在DAGnet网络学习到的特征图上采用基于图论的显著性分析算法(GBVS),快速标注测试图像中行人的区域,然后在显著区域利用滑动窗口检测行人的精确位置。实验证明,所提算法在INRIA数据集和Caltech数据集的正检率均高于90%,在保证精度的情况下检测速度也得到明显提高。     

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TOF相机的俯视行人检测

在计算机视觉领域,行人检测是一项艰巨的任务。利用TOF（time-of-flight）相机提供的深度信息进行俯视行人的高精度检测。当TOF相机处于俯视角度时,作为人体的一部分,人的头部具有非常丰富的特征信息,并且能在很长的时间里不被遮挡。鉴于此,提出了一种头部检测与注水算法相结合的俯视行人检测方法。该方法首先利用混合高斯背景模型来寻找图像中的感兴趣区域;然后采用注水算法对候选头部区域进行过滤;最后,结合深度信息等先验条件来确定场景中行人的真实头部。为了验证算法的有效性,分别在两种实时采集的深度图像数据集上进行了实验,与其他算法相比,本文所提出的方法具有更好的性能,能够实现实时、准确的行人检测。     

四旋翼无人机俯拍视角下的行人检测与轨迹追踪

针对无人机拥有更宽广拍摄视角和更灵活拍摄姿态的优势,为了实现并定量地评估现有的目标检测算法在无人机俯拍视角下行人检测和轨迹追踪的应用,构建了一种四旋翼无人机俯拍视角下的行人检测与行人轨迹追踪算法。该算法采用YOLOv5作为目标检测模型,使用四旋翼无人机实时采集的视频数据作为分析测试数据。检测中首先训练YOLOv5,通过对检测结果的统计,对无人机拍摄时的水平距离、垂直高度、行人运动姿态等参量进行定量分析验证,并在该算法绘制锚框的基础上勾勒出行人运动的轨迹曲线,从而实现了视频画面中行人运动的路径追踪。对实际拍摄的视频数据进行行人检测与轨迹追踪的结果表明,该算法在实际应用时对无人机俯拍具有15~20 m的截止高度arctan3至arctan4的截止角度和约20 m的截止距离要求,但受行人运动姿态的影响较小。该算法与其他常规目标检测算法相比性能较优,能有望用于对拍摄视角要求更宽广和拍摄姿态要求更灵活的场合。因此,本文基于YOLOv5实现了无人机俯拍视角下的行人检测和运动路径追踪,并定量分析计算出该算法在行人检测时的截止高度和截止距离要求,这对于实际中应用该算法开展无人机侦测或救援工作有指导意义。     

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...     

深度学习目标检测算法在架空输电线路绝缘子缺陷检测中的应用研究综述

传统架空输电线路绝缘子缺陷检测一般通过人工巡检方式进行。架空输电线路的数量增长使巡检规模更加庞大、巡检环境更加复杂,放大了传统绝缘子缺陷检测方法人力成本高、检测效率低的不足。无人机(unmanned aerial vehicle, UAV)等新型巡线方式依靠深度学习目标检测算法识别架空输电线路绝缘子缺陷,能够有效应对人工巡检的不足,是绝缘子缺陷检测的发展趋势。鉴于此,围绕架空输电线路绝缘子缺陷检测场景,首先梳理常用的深度学习目标检测算法,比较不同算法的检测策略、检测精度与检测速度;然后结合云–边–端协同架构说明算法的改进需求与相应改进方法;最后针对现有绝缘子检测方面的不足,展望了输电线路绝缘子中多类型缺陷的识别问题,并在这一研究趋势下进一步探讨了模型边缘端轻量化与针对小样本数据下的算法研究价值。     

基于姿势估计和特征融合的行人重识别算法

行人重识别在交通管理、寻找走失人口等范畴用途较广。现有算法难以处理人体姿势改变、遮挡和特征不对齐的问题,提出一种姿势引导和特征融合的行人重识别算法。所提出的算法包括3个分支,包括全局分支、基于姿势估计引导的全局分支、局部对齐分支。全局分支提取行人的全局特征,可以捕捉行人的粗粒度信息以及整体的上下文关系。基于姿势估计引导的全局分支利用姿势估计网络引导模型关注行人的全局可见区域,降低遮挡物对行人识别的干扰。局部对齐分支利用姿势估计算法构成对齐的局部特征,同时区分可见的局部区域,以降低遮挡以及姿势变化的影响。通过多分支结构,将局部特征和全局特征融合,以加强特征的多元化,增强模型的鲁棒性。最终,利用交叉熵和软边界三元损失进行模型训练。Market-1501和DukeMTMC-ReID数据集上的测试结果效验了所提算法的可行性,其间,DukeMTMC-ReID数据集的Rank-1、mAP各达成了91.2%、81.8%,具有较佳的实用性。     

深度学习及其在电机控制中的研究现状与展望

状态观测器、卡尔曼滤波器等传统观测器由于应用范围的局限性,自身结构的缺陷性,会使电机控制系统的设计变复杂,观测精度降低,观测范围受限等。深度学习具有非线性拟合能力和泛化能力好以及特征提取能力强等优点。以深度学习观测器为主线,阐述了其应用到电机控制系统中的优势,以四种典型网络为例介绍了深度学习的原理和结构,列举并重点分析了深度学习在电机控制中的应用,对未来深度学习在电机观测器控制中的发展方向进行了展望。     

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。     

基于深度学习的目标检测算法综述

传统的目标检测算法及策略已经难以满足目标检测中数据处理的效率、性能、速度和智能化等各个方面要求.深度学习通过对大脑认知能力的研究和模仿以实现对数据特征的分析处理,具有强大的视觉目标检测能力,成为了当前目标检测的主流算法.首先回顾了传统目标检测的发展以及存在的问题;其次介绍以R-CNN为代表的结合region proposal和卷积神经网络(CNN)分类的目标检测框架(R-CNN、SPP-NET、Fast R-CNN、Faster R-CNN);然后介绍以YOLO算法为代表的将目标检测转换为回归问题的目标检测框架(YOLO、SSD);最后对深度学习的目标检测算法存在的问题做出总结,以及未来的发展方向.     

深度学习理论及其在电机故障诊断中的研究现状与展望

电机已经被广泛应用到人们生产生活的各个领域中,电机的故障不但会对电机本身会造成损害,甚至会引发经济损失、人员伤亡等各种问题。因此,将及时且高效的故障诊断技术应用于电机有着重要意义。相比较传统故障诊断技术而言,深度学习因其更强大更复杂的数据表达能力,已被应用于电机故障诊断领域,并取得了一定的研究成果。因此,介绍了深度置信网络(DBN)、自编码网络(AE)、卷积神经网络(CNN)和循环神经网络(RNN)这四类经典的深度学习模型,并总结了这四类模型在电机故障诊断中的应用。最后对深度学习在电机故障诊断领域中所面临的问题和挑战进行了总结和展望。     

基于多任务对齐的密集行人检测算法研究

行人检测是深度学习目标检测领域的重要分支,但密集场景中存在严重遮挡问题,给行人检测带来巨大挑战。为了缓解该问题,在 CenterNet多任务学习模型上提出目标检测和姿态关键点检测任务对齐方法,改进后的模型为Center_tood。首先提出分离模块：该模块将原始特征分离得到更加关注各个任务的特征;在此基础上提出任务对齐方法：通过设计对齐度量来约束损失,使模型在梯度上更大程度地向着多任务对齐的方向优化,同时利用一致性约束,使模型学习到不同任务之间的共性信息,从而对齐不同任务的特征。实验部分采用CrowdPose数据集训练和测试。本算法的目标检测AP值为743%,提高了115%;人体姿态关键点AP值为558%,提高了96%。实验结果验证了提出的多任务学习算法在密集场景行人检测上的有效性。