基于改进的Faster RCNN的手势识别

针对传统手势识别算法存在手势定位不精确,识别率不高,鲁棒性不强等问题,提出改进的Faster RCNN网络进行手势的精准定位和识别。Faster RCNN采用强语义信息、低分辨率的顶层特征图作为RPN网络的输入,导致对小目标识别率不高。改进的Faster RCNN结合FPN网络算法,将高层特征通过上采样不断与前层特征融合,构造不同尺度的特征金字塔模型作为RPN网络的输入,提升了Faster RCNN对手势的检测效果。     

基于Faster RCNN的燃气轮机滑油管红外监测与识别

燃气轮机滑油管状态红外监测是开展滑油管故障诊断的基础,开展燃气轮机滑油管红外监测与识别研究对及时掌握燃气轮机的工作状态有重要意义。本文依据在不同工况下实验采集得到的某型燃气轮机滑油管的红外热像图,采用Faster RCNN算法对得到的图像进行训练和识别,结果显示该算法能够精确识别燃气轮机的滑油管等不同部位。对比4种迁移网络的训练和测试结果,发现在有背景干扰情况下Resnet50迁移网络对滑油管部件的识精度不高,而在兼顾网络检测时间和目标识别精度的情况下Vgg16迁移网络最优。     

危险品实时检测定位的Faster RCNN算法研究

为了提升安检过程的检测效率以及检测精度,基于Faster-RCNN检测算法,结合VGG-16理论,构建了一种能够实时检测危险品的检测器,结合实际安检采集的影像数据样本,通过深度学习网络对图像数据进行训练,进行数据验证分析,结果表明该检测器具有较高的验证精度,检测算法的精度以及检测效率均高于传统的检测算法,能够较为精准的定位危险品,本文给出的方法为实际安检过程提供了理论支撑及借鉴。     

基于改进Faster RCNN的钢筋数量检测

本文提出一种钢筋计数算法模型,以Faster RCNN目标检测算法为基础,使用ResNet101和ROI Align分别替换原Faster RCNN中的特征提取网络VGG16与池化层ROI pooling,并引入FPN结构和CBAM注意力机制,组成改进后的钢筋检测模型。实验表明,改进后的方法比原算法模型的mAP提升了7.76%,可以有效地提高钢筋数量检测的准确性和精确度。     

基于改进Faster RCNN的少样本目标检测算法

当前大部分目标检测都依赖于大规模的标注数据集来保证其检测的正确率,而在实际场景中,大量数据的获取是十分困难的,且对数据的标注也需要花费大量人力物力。针对这一问题提出了一种基于Faster RCNN的少样本目标检测算法(CA-FSOD),在目标类别仅有少量标注样本的情况下,对目标样本进行检测。为了提高检测性能,首先提出了CBAM-Attention-RPN模块,减少无关候选框的数量;其次提出了全局-局部关系检测器模块,通过关联少量标注样本和待检测样本的特征,获取与目标类别更相关的候选区域;最后提出了基于余弦Softmax损失的分类器作为目标检测的分类分支,能有效地聚合同类别特征、降低类内方差、提高检测精度。为了验证所提算法,在MS COCO数据集上进行了训练和测试,实验结果表明,该方法的AP₅₀为21.9%,优于目前一些少样本目标检测算法。     

基于神经网络的水果识别系统设计

人工智能的时代给我们的日常生活带来了极大便利,水果作为生活中的必要品,每天食用适量的水果可以补充维生素C,对我们的身体健康十分有益,有关于对水果识别的研究就显得十分必要。在对水果进行识别时,通过针对不同水果的形状、大小、颜色、纹理等特征进行分析,根据训练BP神经网络达到对水果准确识别的目的。     

基于Faster RCNN网络的仓储托盘检测方法

为了解决传统仓储托盘检测方法泛化性差,检测精度低的问题.设计了一种基于Faster RCNN深度学习算法的仓储托盘检测模型,对算法模型进行了网络、数据增强处理以及特征提取方面的优化.自主拍摄仓储托盘图片并对其进行数据扩充,使用LableImage平台进行数据标注,在ResNet框架下进行网络训练,通过对比试验,改进后的...     

基于Faster区域卷积神经网络的目标检测

针对Faster区域卷积神经网络目标检测算法,提出了一种自适应候选区域建议网络.在训练过程中根据当前损失反馈调节候选区域数目,使候选区域在一定范围内动态变化,进而节省开销,并记录下表现最好的候选区域数目;在测试时用记录的候选区域数目进行测试.针对Softmax函数对候选区域进行分类时需要人为选取置信度阈值带来的时间成本和小目标检测准确率下降问题,提出了一种自适应置信度阈值选取算法.实验结果表明,相比传统算法,本算法的检测速度提升了25％,平均检测精度提高了1.9个百分点.     

基于YOLO神经网络的垃圾检测与分类

针对人工分拣垃圾效率低、任务重和环境恶劣等问题,文中提出了基于YOLO的目标检测方法来实现垃圾检测与分类。通过制作特定数据集,使用K-means聚类算法以及Mish激活函数对模型进行调整。根据卷积神经网络的特性,通过在YOLO模型的每个检测头前嵌入CBAM注意力模块,结合PANet增强特征集成能力来提升小目标检测的精度。实验结果表明,文中提出的垃圾检测与分类方法能够准确快速地识别垃圾。相较于YOLOv4,文中所提模型在垃圾数据集上的map值提升了2.81%,其中Cans的识别精度可达94.56%,PlasticBottle的精度提升了6.36%。     

基于机器视觉和深度学习的建筑垃圾智能识别研究

针对当前建筑垃圾分选中存在的分选效率不高、自动化程度较低等问题,提出了一种基于机器视觉和深度学习的建筑垃圾智能分选系统并对检测识别过程进行了详细研究。该系统采用背景建模法对建筑垃圾进行检测定位,可以有效避免运输皮带抖动、磨损和光照变化等情况,提高检测精度和定位速度。此外该系统基于ResNet卷积神经网络模型对建筑垃圾进行分类识别,并通过迁移学习方法对建筑垃圾分类模型的训练效率进行了优化,将模型的分类准确率提高到了99.47%,有助于更好地实现建筑垃圾的智能化分选。     

基于Faster R-CNN的旋转机械红外检测与识别

旋转机械是机械设备的核心部件,一旦发生故障会造成不可估量的损失,因此旋转机械的实时监测诊断显得尤为必要。无人值守的红外智能监测诊断将是故障诊断新的发展方向,要实现红外智能监测诊断首先要准确识别旋转机械部件。本文利用红外热像仪监测旋转机械的运行状态,获得了电动机、联轴器、轴承座、齿轮箱等设备的红外热图;采用Faster R-CNN算法对测量得到的旋转机械红外图像进行了学习训练和目标识别,结果表明该算法能够准确识别旋转机械部件;研究了单角度和旋转角度红外监测的识别效果,发现在相同角度下使用红外灰度图像进行训练的检测效果比使用红外伪彩色图像训练的检测效果更佳;对比了4种预训练网络对于红外目标识别的影响,采用Resnet50预训练网络的平均检测精度为0.9345,识别精度更高。     

垃圾短信的智能识别和实时处理

本文提出了短信语义和号码特征相结合的垃圾信息智能识别方法.在分类器的设计上,采用了BP神经网络与支撑矢量机(SVM)的分类集成技术,使得分类识别效果明显.垃圾短信的学习样本识别正确率达99.86%,测试样本识别正确率达到97.4%.由于本文方法提取的特征构成了稀疏矩阵,因此大大缩短了,机器学习时间,使得系统具有实时学习和实时提高分类能力的功能.     

一种基于改进Faster RCNN的通信网光交箱防尘帽智能检测方法

光交箱防尘帽的检测对于通信网络的正常运行具有重要作用。提出了一种基于改进Faster RCNN(Region Convolutional Neural Network)的通信网光交箱防尘帽智能检测方法。首先,对输入图片进行去噪等预处理,通过残差网络(Residual Netwok, ResNet)进行特征提取,并通过区域生成网络(Region Proposal Network, RPN)初步识别出候选区域,然后经过RolAlign进行池化处理,最后经过特征金字塔网络(Feature Pyramid Network, FPN)对光交箱防尘帽进行二次识别。将该方法应用到光交箱防尘帽缺失的智能检测中,取得了很好的效果。