基于Faster R-CNN的仓库视频监控目标检测方法研究

针对目前电力仓库视频监控图像中目标检测算法对小目标物体、部分遮挡及尺寸大小不一存在检测难度大、漏检、错检等问题,提出基于Faster R-CNN的仓库视频监控目标检测方法,实现电力仓库视频监控中目标分类与识别及仓库智能化监控,保护仓库安全。实验结果表明,该方法提高了目标识别的准确度(m AP),减少了目标物体识别时间。     

基于改进的Faster R-CNN目标人物检测

针对图像中人物的检测,为了能够更加精确地检测定位图像中的人物,在基于Faster R-CNN框架的基础上提出了一种改进其特征网络ResNet-101的方法来进行人物深层特征的提取。在实验阶段,通过配置GPU环境以调用GPU加速和并行处理器来提高训练速度,实验结果表明,模型迭代1 000次后,所提出的改进的特征网络模型相较于原始特征网络模型在准确度上提高了1.6%,平均检测精度提高了5.1%,说明改进的算法降低了人物的的漏检测率和误检测率,相对于原算法具有更好的准确度和识别精度。     

融合自适应注意力机制的Faster R-CNN目标检测算法

针对Faster R-CNN目标检测算法存在的定位和检测精度问题,设计了一种可嵌入Faster R-CNN目标检测算法并进行端到端训练的可移动的注意力（MA）模型。首先,为了获取更加精确的空间位置信息,MA采用两个自适应最大池化分别基于输入特征图的水平和竖直两个方向进行特征聚合,生成两个独立的方向感知特征图;其次,为了防止模型过拟合,使用Sigmoid激活函数增加网络非线性;最后,为了充分利用已经得到的空间位置信息,将具有非线性的两个特征图与输入特征图依次相乘以增强输入特征图的表征能力。实验结果表明：基于MA改进的Faster R-CNN目标检测算法有效地提升了网络对感兴趣目标的定位能力,并且平均检测精度也得到了明显的提升。     

采用改进Faster R-CNN的遥感图像目标检测方法

遥感图像目标检测能为军事和民用领域提供重要的可利用信息,成为近年来的研究热点。针对现有目标检测技术不能兼顾检测速度和精度的问题,本文对Faster R-CNN做了优化:将轻量化的深度可分离残差网络作为Faster R-CNN的基础网络,降低基础网络模型的参数数量;将基础网络中的多层卷积特征经局部响应归一化后进行融合,增强目标特征信息的完备性,改善小目标易漏检的问题;联合softmax损失函数和中心损失函数训练网络模型,增加类别之间的差异性,缩小类内变化,使网络模型能学习到更具差异性的目标特征。在VEDAI、NWPU VHR-10、DOTA三个数据集上对本文方法进行验证,与传统Faster R-CNN相比,本文方法的检测精度提高了约7.0%。      

Faster R-CNN模型在遥感图像飞机目标检测中的应用

针对遥感图像飞机目标检测问题,探讨了深度卷积神经网络模型Faster R-CNN在遥感图像中对飞机目标检测的应用。针对训练样本不足的问题,构建了Airplane-2018数据集,基于该数据集采用迁移学习的方式对Faster R-CNN模型进行训练,并在测试集上进行验证,在查全率达到95%的情况下,查准率可以达到85%。实验结果表明,Faster R-CNN模型在采用迁移学习方法训练后,在遥感图像飞机目标检测问题上具有可行性。     

基于Faster R-CNN的航拍图像中绝缘子识别

为了解决传统绝缘子识别方法存在适用性不强、识别效率低的问题,结合深度卷积神经网络思想,提出一种从电网巡检航拍图像中自动识别绝缘子的方法。应用Faster R-CNN框架,结合电网巡检航拍图像数据库,构建绝缘子识别系统,自动识别航拍图像中的绝缘子,并分析不同模型和参数对识别精确度的影响。实验结果表明,相比于传统航拍绝缘子识别方法,采用深度卷积神经网络对航拍绝缘子进行学习和识别,具有较高的识别准确率和效率,可以很好地识别各种类型的绝缘子,识别性能大幅度提高。     

基于Faster R-CNN的金属表面缺陷检测研究

目标检测是计算机视觉领域一个重点研究内容,Faster R-CNN作为目标检测新秀,被越来越多的应用于缺陷检测研究。本文基于Faster R-CNN的特征提取、RPN、RC三个核心部份做了实验设计,利用旋转和随机裁剪等方法构建金属表面有麻点和划痕瑕疵缺陷的数据集,并进行了模型训练及测试,麻点的检测结果为90.56%,划痕的检测结果为91.21%,整个模型的平均检测精度为90.78%,实验结果表明Faster R-CNN模型在金属表面缺陷检测中表现优异。     

基于Faster R-CNN的风机叶片缺陷图像多点检测系统设计

随着新能源风力发电生产规模逐渐扩大,对生产效益精细化的要求不断提升.针对现有电机叶片检查方式造成经济成本高、检查效率低、高空坠落安全隐患等问题,基于深度学习理论,提出了基于Faster R-CNN的胶衣脱落缺陷图像多点检测系统设计.通过对风机叶片的缺陷图片进行数据增广,丰富缺陷数据,以此来增加模型的泛化能力,同时引入G...     

基于改进Faster R-CNN的交通标志检测算法

针对大视野交通场景下背景复杂和交通标志目标较小的问题,提出一种改进Faster R-CNN检测网络的算法.首先采用深度残差网络ResNet50作为骨干网络,提取交通标志的特征;然后设计了在两个不同层级特征图上使用合理尺度滑动窗口的策略来生成目标建议区域,增强多尺度交通标志的检测能力;最后在残差块中引入注意力机制模块,强...     

基于改进的Faster R-CNN模型的异常鳞状上皮细胞检测

宫颈癌是目前世界上最常见的妇科恶性肿瘤,患者死亡率非常高.新柏氏液基细胞学检测(TCT)是宫颈癌筛查的基本方法,病理医生在显微镜下观察子宫颈脱落的鳞状上皮细胞,查看是否存在异常鳞状上皮细胞进行诊断.TCT对宫颈癌的检出率为100％,同时还可以发现部分癌前病变和微生物感染.目前国内的病理医生只有10000人左右,而且培养...     

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。     

基于改进Faster R-CNN的红外舰船目标检测算法

针对Faster R-CNN算法中对于红外舰船目标特征提取不充分、容易出现重复检测的问题,提出了一种基于改进Faster R-CNN的红外舰船目标检测算法.首先通过在主干网络VGG-16中依次引出三段卷积后的3个特征图,将其进行特征拼接形成多尺度特征图,得到具有更丰富语义信息的特征向量;其次基于数据集进行Anchor的...