基于改进SSD的骑行人员佩戴头盔检测

为了解决骑行人员佩戴头盔检测任务中目标小、密集、准确率差、检测速度慢、应用困难等问题,本文基于SSD网络提出了EfficientNetV2-SSD算法。针对原SSD网络参数多的问题,使用改进后的轻量级网络EfficientNetV2替换SSD中的特征提取网络,减少网络参数,提升网络检测速度;针对难检测的小目标,使用自上而下与自下而上的FPN金字塔结构,最大程度丰富所有预测特征层信息,提升小目标的检测准确率;针对头盔等被检测的目标特征,重新设计先验框尺寸与比例,提高了小目标检测的准确率,同时加快网络收敛速度,减小网络体积。实验结果表示,EfficientNetV2-SSD网络对佩戴头盔的检测平均精度均值相比SSD网络提高7.01%,网络体积减少75%,具有更好的实用性。     

基于 SSD目标检测的硬压板图像识别

为了减少变电站运维人员由于人为记录而导致硬压板状态误投退操作,本文提出了对传统SSD目标检测法进行改进,运用所改进的SSD网络模型对变电站中的硬压板图像进行识别,通过收集来的硬压板图片进行数据扩充、网络训练,得到能够识别硬压板状态的改进型SSD目标识别网络,最后通过验证集进行网路验证,结果证明了所提出的改进型SSD目标...     

一种改进SSD算法的输电线路目标检测方法

电力巡检在输电线路部件故障的排除中起着至关重要的作用.为了实现复杂背景下的输电线路电力小部件的目标检测,提出了一种改进SSD算法的小目标检测算法——PA-SSD.将反卷积融合单元融合到PANet算法中,以改进PANet结构,并以此为基础产生新的特征融合方式,融合不同尺度的特征图;将传统SSD算法中的特征图用新的特征图替换,形成新的特征金字塔模型.针对实际输电线路中的4种目标进行了测试,结果表明,PA-SSD算法与原始的SSD算法相比,其检测精度有了明显提高,检测速度也可以满足检测性能的要求.     

基于改进SSD模型的输电线路巡检图像金具检测方法

为了解决航拍图像金具智能检测问题,提出一种基于改进SSD模型的输电线路航拍巡检图像金具目标检测方法。对巡检图像进行多角度旋转并自适应裁剪扩充样本,以解决金具在图像中占比过小导致大量漏检问题,使用改进的IoU得到对目标尺度更敏感的默认框;进一步针对图像中金具目标密集问题,在模型中加入对密集目标检测有效的斥力损失,提高模型对密集遮挡金具的检测效果。在包含6934个训练目标框和1879个测试目标框的11类金具数据集中进行实验,使用文中方法的金具检测准确率达到了75.64%,相对于使用原始SSD模型检测准确率提升了4.73%,且检测框更贴合目标。     

基于OpenCV+SSD深度学习模型的变电站压板状态智能识别

目前,变电站保护硬压板信息管理处于完全依赖于人工巡检的状态.伴随着人工智能上升为国家战略,深度学习技术进一步发展,提出一种基于OpenCV+SSD深度学习模型的压板状态识别方法.在图像二值化并高斯滤波基础上,基于霍夫直线检测算法进行保护屏柜角点检测,并通过透视变换实现压板图像矫正,从而避免拍摄图像的角度变化对识别结果的...     

基于改进SSD算法的行人检测方法

随着计算机视觉的快速发展,行人检测技术越来越成为人们关注的热门话题之一.行人检测算法中SSD算法相对于其他行人检测算法更加稳定,针对SSD算法做行人检测时产生的检测精度低的问题,提出一种以ResNet残差网络作为SSD的前馈网络,提取行人特征,并通过特征值生成目标框的行人检测算法.将原始SSD算法与改进后的SSD算法分...     

基于改进SSD的航天发动机试验报警方法

航天发动机是导弹和火箭的推进装置,其可靠性直接影响航天器的性能。发动机试验是航天发动机的研发、应用过程中不可或缺的一环,其中发动机试验影像是判断发动机性能的重要数据。针对发动机点火故障影像中出现火星等异常情况的突发性和隐蔽性,提出一种基于改进单发多框检测(SSD)的航天发动机试验预警方法。该方法在SSD目标检测算法的基础上,使用算法性能更强的深度残差网络替代原有基础网络,以提高目标检测的精度。同时,针对SSD目标检测算法对小尺度样本的漏检特性,提出基于先验尺度调整的改进措施,提高算法在此种应用环境下的小尺度样本的检测精度。实验表明,该算法适用于航天发动机试验预警应用,且在准确性和实时性上表现良好。     

改进型SSD道路行人目标检测算法

针对道路目标检测中行人目标检测效果不佳的问题,提出了一种改进型SSD行人目标检测算法。首先,采用具有噪声的基于密度的聚类方法(DBSCAN)结合K-means算法选取适当规格的Anchor Box,使用DBSCAN剔除样本干扰点后利用K-means确定聚类中心,根据重叠度选择适当规格的Anchor Box;然后,对SSD算法的各个特征图进行尺度不变的卷积操作构建语义信息增强的特征图,并将原始特征图与增强特征图按照Concat方式特征融合,生成SSD算法的改进特征金字塔网络;最后,充分考虑正负样本不均衡的情况,选择Focal Loss函数,并结合Locatization Loss函数修正损失函数。实验结果表明,改进型SSD算法可以提高道路行人目标检测的精度和速度,并且在客观评价上取得了良好的效果。该算法在KITTI测试集上的行人目标检测平均精度为91.17%,检测速率为41.93 fps。     

基于改进SSD的交通标志检测算法

为了解决真实交通场景下交通标志因目标较小而导致检测精度低的问题,提出了一种改进SSD的交通标志检测算法。首先使用更深层次的ResNest网络替换原始SSD算法的主干网络VGG16来增强弱目标特征的强表征能力,然后在SSD的额外添加层使用RFB模块来增加小目标的感受野。其次使用Bi-FPN加权双向特征金字塔网络有效结合深层与浅层的特征信息,改善小目标的检测性能。最后使用K-means++聚类算法调整默认窗口的大小,有效避免因原始默认窗口太大但交通标志较小而无法匹配的问题,以改善检测效率。实验结果表明,本文提出的模型在中国交通标志数据集(CCTSDB)上获得了95.33%的mAP,与原始SSD模型相比,本文所构建的模型能更好的适应自然背景下的交通标志检测。     

基于改进的YOLOv4输电线路小目标检测

传统的目标检测方法在检测输电线路小目标时,往往存在检测效果不佳,容错率低等问题,针对这种情况,提出一种基于改进的YOLOv4的输电线路小目标检测算法.为了提高输电线路小目标的检测效率,采用一种简化版的YOLOv4算法,减少特征层的使用,从而降低网络计算量.针对输电线路小目标这一特定应用,利用K-means++算法重新进...     

一种基于图像融合的测井电成像动态图像生成方法

针对测井电成像仪器采集的地层电导率数据在动态图像生成过程中,相邻窗口之间的过渡区域出现明显台阶的问题,设计了基于拉普拉斯金字塔的图像融合方法,在台阶处上下灰度图像生成和逆向扩展等预处理步骤的基础上,采用OpenMP并行架构,并行地执行整个井段上多个台阶处上下扩展后的图像混合。在不同地质类型的四口井电成像数据上的实验结果为动态图像的台阶现象得到了有效消除,图像过渡更加自然,且运算速度较串行计算提升了约4倍。结果表明,相比于基于网格变形的二维图像渐变方法,所提方法更加简单、高效,具有更大的推广应用价值,为电成像数据的后期解释处理提供了保障,使电成像测井仪器更好地服务于油田的勘探开发。     

基于可变形卷积改进SSD算法的目标检测方法

为了提高传统SSD算法对小目标检测的准确率,提出一种改进的SSD目标检测算法:采用基于可变形卷积的ResNet50作为SSD算法的特征提取网络,提高对目标的处理能力;设计特征金字塔(FPN)来融合不同层的特征图,丰富浅层特征图的语义信息;在特征融合时引入通道注意机制,提取相应的通道权重,增加重要信息的比例,提高检测效果。最后采用PASCAL-VOC2007开源数据集进行仿真实验,并与传统SSD目标检测算法进行对比,准确率得到显著提高,验证了该算法对小目标检测的有效性。     

基于改进EfficientDet的药丸检测算法

针对药剂师在药丸分拣过程中因疲劳而出错的问题,本文提出了一种基于改进EfficientDet的药丸检测算法。首先,引入Mosaic数据增强技术来提高采样数据的复杂度;然后,对主干网络EfficientNet进行改进优化,嵌入了CBMA模块的特征融合层,通过增强学习特征提高对药丸关键特征的提取能力;最后,对BiFPN特征融合部分增加了下层到上层的跨级数据流,通过充分利用多级数据,提高了不同层次的多尺度特征融合效率。实验表明,改进后的EfficientDet算法在测试中mAP值达到99.84%,相比较原始EfficientDet算法提高了0.65%,同时也比YOLOv3,YOLOv4和YOLOv4-Tiny等性能较好的目标检测网络具有更高的准确率和更好的实际应用性。     

引入视觉机制的SSD网络在摩托车头盔佩戴检测中的应用

近年来摩托车驾驶的安全问题越来越受到关注,摩托车手头盔的佩戴对自身的安全十分重要.针对于摩托车手是否佩戴头盔的检测问题,为提高检测网络的准确率和鲁棒性,对主流的一步检测网络SSD-Net引入类似视觉机制的模块,对网络的特征图在通道和空间上进行了权重的重新选择.并增加了类似人类视觉偏心率机制的RFB模块.通过使用Mosa...     

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.     

基于SSD的多因素融合的驾驶疲劳检测研究

为了降低因疲劳驾驶而导致的事故发生率,提出一种利用卷积神经网络与人脸特征点、疲劳判定指标相融合的方法,共同构建疲劳驾驶检测模型。首先利用SSD（Single Shot MultiBox Detector）网络定位驾驶员的眼睛与嘴巴区域,VGG16 网络学习这两个区域所包含的疲劳特征;同时再结合人脸68特征点、眼睛纵横比（Eye Aspect Ratio, EAR）和嘴巴纵横比（Mouth Aspect Ratio, MAR）共同判定驾驶疲劳状态。最后,在相同测试集下分别计算SSD算法和Faster-RCNN算法的平均精度均值mAP;在YawDD数据集上应用此模型;并通过模拟驾车环境来验证此模型的可行性。实验结果表明,SSD算法要优于Faster-RCNN算法,并且此模型在YawDD数据集上的检测准确率约达97.2%,摄像头也能对驾驶员的状态进行实时检测。此模型对疲劳状态的检测十分有效,可在一定程度上降低因疲劳驾驶而导致的事故发生率。     

结合数据增强和改进YOLOv4的水下目标检测算法

针对水下低质量成像、水下目标形态大小各异、以及水下目标重叠或遮挡导致水下目标检测精度低的问题,提出一种结合数据增强和改进YOLOv4(you look only once)的水下目标检测算法,在YOLOv4的主干特征提取网络CSPDarknet53中添加卷积块注意力机制(convolutional block attention module, CBAM),以提高网络模型特征提取能力;在路径聚合网络(path aggregation network, PANet)中添加同层跳接和跨层跳接结构,以增强网络模型多尺度特征融合能力;通过数据增强方法PredMix(prediction-mix)模拟水下生物重叠、遮挡等显示不完全的情形,以增强网络模型鲁棒性。实验结果表明,结合数据增强和改进YOLOv4的水下目标检测算法在URPC2018(underwater robot picking control 2018)数据集上的检测精度提升到了78.39%,比YOLOv4高出7.03%,充分证明所提算法的有效性。