改进SSD算法及其在地铁安检中的应用

针对传统SSD算法在检测小目标时容易漏检且检测精度不高的问题,提出一种改进算法。对SSD算法中各尺度特征进行尺寸大小不变的卷积操作,将卷积前后对应的特征进行轻量级网络融合,从而生成新的金字塔特征层,并加入基于残差模块的检测单元避免增加网络模型容量和运算复杂度,同时增强对小尺度目标的检测能力。基于PASCAL-VOC2007小目标数据集的实验结果表明,与传统SSD、YOLOv3、Faster RCNN等算法相比,在PASCAL-VOC2007小目标数据集中,该算法的mAP指标较传统SSD算法提高8.5%,较Faster RCNN算法提高3.9%,较YOLOv3提高2%,FPS达到83 frame/s,其检测地铁安检图片的mAP达到77.8%。     

基于深度学习的实时车辆检测研究

针对城市交通复杂场景下车辆检测存在准确率低的问题,提出改进SSD(单发多箱探测器)目标检测算法。首先基于轻量化的PeleeNet(一种基于密集卷积网络的轻量化网络变体)网络结构改进SSD算法中VGG16(视觉几何群网络)特征提取网络,在保证提取丰富特征的前提下,有效地减少模型参数,提高模型的实时性;其次设计了多尺度特征融合模块和底层特征增强模块,提高特征的表达性能;最后根据数据集中目标的大小调整默认框的长宽比例,并在后三个特征层的每个单元上增加默认框。实验结果表明,改进后的目标检测算法的准确率mAP(平均精度)为79.83%,与原始SSD相比提高了2.25%,并验证了改进SSD算法的有效性。     

基于深度学习的遥感图像目标检测与识别

为解决目前的遥感图像目标检测算法存在的对小尺度目标检测精度低和检测速度慢等问题,提出了一种基于深度学习的遥感图像目标检测与识别算法。首先,构建一个含有不同尺度大小的遥感图像的数据集用于模型的训练和测试;其次,基于原始的多尺度单发射击（SSD）网络模型,融入了设计的浅层特征融合模块、浅层特征增强模块和深层特征增强模块;最后,在训练策略上引入聚焦分类损失函数,以解决训练过程中正负样本失衡的问题。在高分辨率遥感图像数据集上进行实验,结果表明所提算法的检测平均精度均值（mAP）达到77.95%,相较于SSD网络模型提高了3.99个百分点,同时检测速度为33.8 frame/s。此外,在拓展实验中,改进算法对高分辨率遥感图像中模糊目标的检测效果也优于原多尺度单发射击网络模型。实验结果说明,所提改进算法能够有效地提高遥感图像目标检测的精度。     

基于SSD模型的交通标志检测算法

针对交通标志图像中目标物较小,SSD(单次多框检测)模型对其检测精度不佳的问题,提出一种基于SSD模型改进的卷积网络算法.在原SSD特征层基础上加入低层特征图,并将低层邻近特征图进行融合,实现不同特征层的多元信息分类预测与位置回归.对SSD默认框的大小选取进行k-means聚类分析,调整原有默认框比例,加快模型收敛.通过不同数据集进行验证,实验结果表明,该算法表现出较好的检测效果,同时满足实时性的要求.     

基于改进MobileNet-SSD的受电弓燃弧检测方法

针对高铁列车运行时，受电弓与接触网接触不良而产生燃弧现象，实现燃弧检测高精度、高效率的问题，该文设计了一种基于MobileNet-SSD的燃弧检测模型。通过对受电弓数据集图片进行旋转、剪切、加噪等处理，提高模型的鲁棒性；针对SSD网络参数计算量大、模型复杂的问题，去掉MobileNet网络的池化层、全连接层和Softmax层，与SSD网络的多尺度特征映射层相连接。加入感受野增大模块，提高模型提取特征信息的能力，并通过BN算法对数据信息做归一化处理，降低样本间的差异性。将受电弓燃弧数据集输入改进后的模型做对比实验，结果显示，改进SSD算法检测速度最快可以达到46.19帧/s，均值平均精度相比原算法提升7.73%，该模型可以满足列车弓网燃弧检测需求，具有较高的应用价值。     

基于改进SSD算法的物流物品检测

针对物流物品分拣任务中,物流物品摆放环境复杂,传统检测方法的检测准确度不高、检测速度慢等问题,设计了一种改进SSD的物流物品检测算法。首先,将原SSD算法的骨干网络设置为MobileNetV2,后端网络采用倒残差网络结构,其次,将骨干网络浅层特征层和后端网络深层特征层使用特征融合模块,最后引入注意力机制并使用更小尺寸的先验框,在保持网络计算量的同时提升对特征图关键信息的提取能力,并增强对小目标的物品检测能力。实验结果表明：改进后的算法与SSD、Faster RCNN、YOLOv5等算法进行比较,在PASCALVOC 2007+2012数据集上,该算法相较于原SSD算法平均准确率mAP提升了4.33%,每秒帧率FPS达到53.95 frame/s,同时在要求的物流物品数据集上进行验证,结果表明该模型在堆叠、密集排布、小目标等的分拣环境下,在保证检测的实时性的同时仍可能保证较高的检测准确度。     

基于环境上下文和语义特征融合的小目标检测算法

针对现阶段目标检测领域中小目标由于特征信息匮乏而难以检测的问题,提出了一种基于SSD(Single Shot multibox Detector)算法的改进小目标检测算法（CS-SSD）。首先,以特征金字塔中不同大小的感受野表达出的不同特征信息为基础,在SSD算法的主干框架上增加了环境上下文特征融合模块以及自顶向下的语义特征融合模块,为小目标提供环境上下文和语义特征信息;然后,在SSD算法的检测层上增加基于残差结构的检测头,从而充分利用融合后的特征以提高检测精度;最后,使用一种受人类学习方式启发的分阶段网络训练算法来缓解小目标与中大型目标在网络训练中损失不平衡问题。在VOC07+12数据集上进行实验,CS-SSD算法的平均检测精度（mAP）达到了82.00%,相较于SSD算法提升了2.08个百分点;同时小目标平均检测精度相较于SSD算法提升了7.87个百分点。实验结果表明,CS-SSD算法能充分融合网络中的环境上下文和语义特征信息以达到提高小目标检测精度的效果。     

基于改进SSD算法的电厂设备油液渗漏检测

为能实现对电厂充油设备和管道的油液渗漏现象快速、准确的检测与识别,通过引入高分辨率网络实现高分辨率特征提取,改进特征融合模块以融合高分辨率特征信息强化特征表达,提出了一种基于改进SSD的油液渗漏图像检测算法。此外,针对油液渗漏现象构建一个电厂设备的油液渗漏数据集并提出了一种随机种子遮挡的数据图像增广策略。经实验测试表明,算法在检测效果上提升明显,相比于基于SSD算法的的漏油检测模型的准确率和召回率分别提高了3.1%和3.7%,满足了工程实际需求,具有较高的实用性。     

基于深度学习的遥感图像目标检测与识别

为解决目前的遥感图像目标检测算法存在的对小尺度目标检测精度低和检测速度慢等问题，提出了一种基于深度学习的遥感图像目标检测与识别算法。首先，构建一个含有不同尺度大小的遥感图像的数据集用于模型的训练和测试；其次，基于原始的多尺度单发射击（SSD）网络模型，融入了设计的浅层特征融合模块、浅层特征增强模块和深层特征增强模块；最后，在训练策略上引入聚焦分类损失函数，以解决训练过程中正负样本失衡的问题。在高分辨率遥感图像数据集上进行实验，结果表明所提算法的检测平均精度均值（mAP）达到77.95%，相较于SSD网络模型提高了3.99个百分点，同时检测速度为33.8 frame/s。此外，在拓展实验中，改进算法对高分辨率遥感图像中模糊目标的检测效果也优于原多尺度单发射击网络模型。实验结果说明，所提改进算法能够有效地提高遥感图像目标检测的精度。     

基于改进SSD的食物浪费行为识别方法

为更准确地识别现实生活中复杂环境下的食品浪费行为,提出一种改进单激发多盒检测器(SSD)算法,增强算法在检测遮挡对象时的鲁棒性。将SSD基础网络替换成Resnet,增强特征提取能力。以实际应用中数据集真实框大小为依据,重新设计SSD检测时默认框的生成比例。通过添加SE模块,使模型在训练过程中增强重要通道信息。利用双向融合特征金字塔网络(BiFPN)对不同检测层中的特征进行融合。实验结果表明,改进后的SSD目标检测算法在自制的浪费行为数据集中检测精度达到88.49%,相比原始SSD提高了5.09%。     

改进的R-SSD全景视频图像车辆检测算法

针对SSD算法在检测全景视频图像车辆目标时存在准确率低、漏检率高的问题,构建了一种改进的SSD网络,命名为R-SSD,并提出了一种基于R-SSD的全景视频图像中车辆目标检测算法。在原SSD网络之前增加了一个RPN*网络,目的在于过滤负样本先验框并粗略调整先验框的位置和大小,为后续回归提供好的初始条件。在原SSD和RPN*网络之间构建了传输转换模块,实现两个网络间的特征融合,并增加低层特征信息,从而提高目标的检测效果。在同时兼顾了RPN*网络和SSD*网络损失函数的基础上提出了新的损失函数,应用了二分类和多分类的方法,使回归操作更加精确。将采集的全景视频图像数据分为训练集和测试集,通过对比实验,表明提出的R-SSD算法检测精度可达90.78%,明显优于SSD算法,可较好地解决全景目标车辆检测中误检率较高、漏检率较高等问题。     

基于隔级交叉特征融合的输电线螺栓缺销检测

目的 螺栓销钉是输电线路中至关重要的连接部件,螺栓的销钉缺失会导致输电线路中关键部件解体,甚至造成大规模停电事故。螺栓缺销检测属于小目标检测问题,由于其尺寸较小且背景复杂,现有的目标检测算法针对螺栓缺销的检测效果较差。为了提升输电线路中螺栓缺销的检测效果,本文以SSD(single shot multibox detector)算法为基础,提出了基于隔级交叉自适应特征融合的输电线路螺栓缺销检测方法。方法 在建立了螺栓缺销故障检测数据集后,首先在SSD网络中加入隔级交叉特征金字塔结构,增强特征图的视觉信息和语义信息;其次,引入自适应特征融合机制进行特征图二次融合,不同尺度的特征图以自适应学习到的权重进行加权特征融合,有效提升螺栓缺销的检测效果;最后,对原始的SSD网络中的先验框尺寸进行调整,使其大小和长宽比更加适合螺栓目标。结果 实验结果表明,本文方法在正常螺栓类的检测精度达到87.93%,螺栓缺销类的检测精度达到89.15%。与原始的SSD网络相比,检测精度分别提升了2.71%和3.99%。结论 本文方法针对螺栓缺销故障的检测精度较高,较原始SSD网络的检测精度有明显提升,与其他方法相...     

基于空洞卷积与特征增强的单阶段目标检测算法

基于卷积神经网络目标检测算法的浅层特征图包含丰富的细节信息,但缺乏语义信息,而深层特征图则相反。为充分利用浅层和深层特征图特征,解决多尺度目标检测问题,提出一种新的单阶段目标检测算法（AFE-SSD）。以SSD算法为基础,分别对该算法中相邻的2个特征图进行特征融合,从而丰富浅层特征层的语义信息。通过对并行空洞卷积机制进行改进,构建多尺度特征提取模块,将融合后的特征图通入多尺度特征提取模块的方式丰富其多尺度信息,同时提升主干网络的特征提取能力。在PASCAL VOC2007测试集上的实验结果表明,AFE-SSD算法的mAP为79.8%,检测速度为58.8 frame/s,与SSD、DSSD算法相比,mAP分别提升了2.4和1.2个百分点,验证了所提特征融合方式及多尺度提取模块的有效性。     

多尺度卷积特征融合的SSD手势识别算法

为了提高对中小占比手势识别的准确性与稳定性,提出了一种多尺度卷积特征融合的SSD(single shot multibox detector)手势识别方法。该方法突出表现在两大方面,其一,在原始的SSD算法的多尺度卷积检测方法基础上,引入了不同卷积层的特征融合思想,经过空洞卷积下采样操作与反卷积上采样操作,实现网络结构中的浅层视觉卷积层与深层语义卷积层的融合,代替原有的卷积层用于手势识别,以提高模型对中小目标手势的识别精度;其二,为了解决正负样本不均衡导致分类性能差的问题,提出一种改进的损失函数,以提升模型对目标手势的分类能力。在手势识别公开的数据集上的实验结果表明,与SSD和Faster R-CNN等识别方法相比,能够在保持较高的手势检测精度的同时,又具有较好的鲁棒性与检测速度。     

基于多尺度联合权重分配的目标检测算法

针对SSD(single shot multibox detector)算法在复杂交通场景下对交通标志小目标识别效果不佳的问题,提出一种基于多尺度特征互补和重点特征信息挖掘（multi-scale feature complementary fusion and key feature information mining SSD,MK-SSD）的目标检测改进算法。利用跨阶段局部网络设计多尺度特征互补模块,同时构建多路径特征融合网络,有效提升浅层网络对小目标的特征提取能力。设计联合权重分配模块,将感知域与重点信息挖掘相结合,更高效地利用重点特征信息并抑制对非重点信息的关注度。利用轻量化残差块对预测网络进行改进,提升目标检测能力。经实验分析,改进后的算法在自制交通标志数据集上平均准确率达到89.64%,在保证实时性的同时,相较于YOLO系列和SSD系列算法拥有更高的检测精度,能检测出大部分SSD网络漏检的小目标。     

基于SSD的轻量级车辆检测网络改进

针对嵌入式摄像设备在执行目标检测任务过程中,对于移动中车辆的检测耗时较长无法及时反馈检测结果的问题,提出了一种基于残差连接和注意力机制的轻量级卷积网络来对SSD（single shot multibox detector）目标检测模型进行改进。采用h-swish和h-sigmoid激活函数分别替换残差块中的ReLU激活函数和通道注意力模块中的sigmoid激活函数,降低训练和推理所需计算量。根据实际应用中特定角度下车辆外形的特征为依据,重新设计SSD目标检测方法的默认框生成比例,并结合输入图像大小及特征图感受野来减少特征融合层及默认框匹配运算量。实验表明改进后的SSD检测模型在BIT-Vehicle Dataset上的平均精度均值（mean average precision,mAP）达到了94.87%,相较于经典SSD目标检测模型的mAP提升了0.83个百分点,在搭载了Intel NCS2的Raspbery PI 3+上平均处理速度达到了16?frame/s。     

基于改进SSD算法对奶牛的个体识别

为了实现养殖场环境下无接触、高精度的奶牛个体有效识别,针对SSD（single shot multibox detector）算法识别准确率不高的问题,提出一种基于浅层特征模块的改进SSD（shallow feature module SSD,SFM-SSD）算法。将原始SSD算法的主干网络由VGG16替换为MobileNetV2,以降低网络的运算量,改善检测的实时性;针对SSD网络结构的浅层特征图设计浅层特征模块,扩大浅层特征图的感受视野,提高浅层特征图对目标物体的特征提取能力;利用[K]均值聚类算法重构区域候选框,提高算法的检测精度。实验结果表明：在奶牛个体识别任务中,SFM-SSD算法的平均准确率比原始的SSD算法提升3.13个百分点。同时检测的实时性也得到改善。     

列车闸瓦钎及闸瓦故障图像检测算法研究

列车闸瓦钎及闸瓦状态正常与否对于货运列车安全运行极其重要,为此提出了一种改进的 SSD 目标检测算法,对货运列车闸瓦钎及闸瓦的缺失进行检测。首先将深度可分离卷积模块引入 ResNet50 网络模 型,使其参数数量减少约 50%,以提高检测效率。其次,将改进后的 ResNet50 网络模型替换 SSD 中的 VGG16 网络,以改善 SSD 网络模型的特征提取能力。然后利用高、低层特征融合的方法,将网络中 Conv5_3 和 Conv7_2 分别与 Conv4_6 和 Conv6_2 进行特征融合,提高检测精度。最后通过自建的货运列车制动部件缺失数据集对 网络进行训练获取比较准确的网络权重。实验结果表明,改进后的 SSD 算法在闸瓦钎丢失检测中准确率达到 96.85%,召回率达到 89.50%;在闸瓦丢失检测中准确率达到 97.01%,召回率达到 97.01%,可以满足列车闸瓦 钎及闸瓦缺失检测需求。