基于改进YOLOV3算法的斜拉桥拉索表面缺陷检测方法

针对人工检测斜拉桥拉索表面缺陷效率低、危险性高、鲁棒性差、检测效果主观性强等问题,提出改进YOLOV3算法进行斜拉桥拉索表面缺陷自动检测方法.首先,采用K-means聚类算法获取适合拉索表面缺陷特征的先验框尺寸;然后,削减主干特征提取网络中的残差块数量,提高网络检测效率,通过在特征金字塔内添加SPP结构,融合不同感受野...     

改进YOLOV3算法的视频目标检测

由于监控中的行人检测存在背景复杂,目标尺度和姿态多样性及人与周围物体互相遮挡的问题,造成YOLOV3对部分目标检测不准确,会产生误检、漏检或重复检测的情况。因此,在YOLOV3的网络基础上,利用残差结构思想,将浅层特征和深层特征进行上采样连接融合得到104×104尺度检测层,并将K-means算法聚类得到的边界框尺寸应用到各尺度网络层,增加网络对多尺度、多姿态目标的敏感度,提高检测效果。同时,利用预测框对周围其他目标的斥力损失更新YOLOV3损失函数,使预测框向正确的目标靠近,远离错误的目标,降低模型的误检率,以改善目标间互相遮挡而影响的检测效果。实验结果证明,在MOT16数据集上,相比YOLOV3算法,提出的网络模型具有更好的检测效果,证明了方法的有效性。     

基于改进YOLOv3的火灾检测与识别

现阶段火灾频发,需要自动进行火灾的检测与识别,虽然存在温度、烟雾传感器等火灾检测手段,但是检测实时性得不到保证.为了解决这一问题,提出了基于改进YOLOv3的火灾检测与识别的方法.首先构建一个多场景大规模火灾目标检测数据库,对火焰和烟雾区域进行类别和位置的标注,并针对YOLOv3小目标识别性能不足的问题进行了改进.结合深度网络的特征提取能力,将火灾检测与识别形式化为多分类识别和坐标回归问题,得到了不同场景下火焰和烟雾两种特征的检测识别模型.实验表明,本文提出的改进YOLOv3算法对不同拍摄角度、不同光照条件下的火焰和烟雾检测都能得到理想的效果,同时在检测速度上也满足了实时检测的需求.     

基于改进知识蒸馏的多天候车辆检测方法

为提高多天候下的车辆检测效果,本文提出一种基于改进知识蒸馏方法的卷积网络训练框架。该网络框架利用复杂CNN(Convolutional Neural Network)作为教师网络、轻量CNN作为学生网络,在不增加新训练数据集和略微增加轻量CNN参数量的同时提高轻量CNN多天候下车辆检测的效果。该知识蒸馏方法采用特殊的数据增强方法产生含有多天候特征的数据集,将不含天气特征的原始图片投入教师网络,将对应含有天气特征的增强图片投入学生网络训练。由于不含天气特征的图片能够提供更多的信息,相较于一般知识蒸馏方法,该种训练方式能使学生网络对教师网络的输出信息进行更有效的学习。最终,经过在天气数据增强后的BDD100k数据集上进行训练和多天候车辆检测的性能测试,在本文知识蒸馏卷积网络框架下训练的学生网络模型目标检测的能力和在多天候环境下检测精度的稳定性得到了提高;在DAWN多天候数据集上进行多个网络的泛化能力对比测试表明,本文改进的知识蒸馏卷积网络框架在平均查准率（Average precision,AP）和检测速度上均取得了一定的优势。     

基于YOLOV4的车辆检测系统

本文针对多场景下的道路检测算法系统识别类型偏少和识别数量不精准等问题,提出了一种基于YOLOv4算法的轻量级的目标检测方法,模型包含了大部分常见车辆类型。本文方法 MAP为90.0%。采用7:3的分配方法,数据集共2512张图片。拥有较高的车辆识别精度和视频流畅度,同时有效解决了大型道路交通场景下的车辆遮挡位置问题和小距离目标车辆检测时的问题,具有非常好的实际技术应用研究价值。     

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。     

基于机器视觉的汽车仪表盘指针检测

基于机器视觉构建汽车仪表自动检测系统已成为实现仪表生产测试的主要途径;基于图像空间到参数空间的收敛映射,提出了改进CM-Hough变换检测算法对汽车仪表盘的指针位置实施检测;首先,介绍了基于机器视觉对汽车仪表的符号及指针进行自动检测的系统组成;接着,针对经典Hough变换发散映射运算量大的缺点,提出了基于收敛映射CM-Hough变换进行指针检测的算法,给出了利用Hough变换的检测结果直接解算指针位置的方法;最后,将算法由软件编程实现,通过测试实验验证了算法的实时性和有效性,测试数据分析显示了指针位置误差小于1％.     

基于改进YOLOV4网络的绝缘子缺陷检测

针对现有目标检测方法绝缘子缺陷检测速度慢、精度低等问题,改进YOLOV4网络提高绝缘子缺陷检测性能。对比主干特征提取网络不同输出层添加空间注意力模块(CBAM)缺陷检测结果确定注意力机制引入方法;采用K-means聚类算法确定适合绝缘子特征的锚框尺寸;加强特征提取网络采用CSPlayer并利用深度可分离卷积代替普通卷积,减少模型参数,提高检测速度;同时,加强特征提取网络中添加金字塔池化模块(SPP),融合多重感受野缺陷特征,改善检测精度;增大类别损失比重,提高分类精度;采用柔性非极大值抑制代替普通非极大值抑制,避免小目标缺陷重叠引起漏检。实验结果表明,改进YOLOV4网络的平均精度mAP和检测时间分别为92.26%和19.82ms,满足绝缘子缺陷检测精度和速度要求。     

基于改进Mask RCNN算法的遥感建筑物检测

为解决部分遥感建筑物因为自身形状的不规则,导致传统矩形识别框算法对该类检测目标分割效果差,难以精确定位的问题,提出一种改进的Mask RCNN检测算法。改进Mask RCNN的主干网络FPN网络,简化特征融合过程,有效避免语义信息丢失;改进Mask RCNN的RPN网络,针对识别框的重复计算,提升其运算效率,提高检出率;调节mask掩膜参数,提高分割效果。实验结果表明,改进Mask RCNN目标检测算法的检测精度和召回率达到了99.80%和97.88%,较原算法分别提高了1.54%和1.65%,有效优化了遥感领域不规则建筑物的检测问题。     

Fusing multiple image transformations and a thermal sensor with kinect to improve person detection ability

This paper proposes a novel approach to combine data from multiple low-cost sensors to detect people in a mobile robot. Robust detection of people is a key capability required for robots working in environments with people. Several works have shown the benefits of fusing data from complementary sensors. The Kinect sensor provides a rich data set at a significantly low cost, however, it has some limitations for its use on a mobile platform, mainly that people detection algorithms rely on images captured by a static camera. To cope with these limitations, this work is based on the fusion of Kinect and a thermical sensor (thermopile) mounted on top of a mobile platform. We propose the implementation of an evolutionary selection of sequences of image transformation to detect people through supervised classifiers. Experimental results carried out with a mobile platform in a manufacturing shop floor show that the percentage of wrong classified using only Kinect is drastically reduced with the classification algorithms and with the combination of the three information sources. Extra experiments are presented as well to show the benefits of the image transformation sequence idea here presented.     

基于数据挖掘的入侵检测研究

网络入侵检测系统已经成为网络安全架构的一部分.但是当前的NIDS（network intrusion detection system）在未知攻击的检测上都存在虚警率过高的问题.首先对在线和离线系统的优缺点做了对比,重点介绍了分类器的集成学习和多检测器关联以及数据挖掘方法中的一些实用技术,然后介绍现存的系统和评价数据集,最后总结了入侵检测领域的工作并给出了这个领域的发展方向.     

3D目标检测进展综述

目标检测算法应用广泛,一直是计算机视觉领域备受关注的研究热点.近年来,随着深度学习的发展,3D图像的目标检测研究取得了巨大的突破.与2D目标检测相比,3D目标检测结合了深度信息,能够提供目标的位置、方向和大小等空间场景信息,在自动驾驶和机器人领域发展迅速.文中首先对基于深度学习的2D目标检测算法进行概述;其次根据图像、...     

基于语义支持的Deep Web数据抽取

在分析Deep Web查询实现机制的基础上,给出了在语义本体的支持下,通过机器学习来实现自动填充查询接口,以实现自动数据抽取的算法:构造二维表,表的列为通过Deep Web查询接口页面提取到的各个控件,通过为各控件赋值的方式来为表中添加相应的元组,根据返回结果的情况,即数据抽取成功或抽取失败,作为指导进行分类学习,最终依照学习的结果来自动构造请求字符串完成数据的抽取。实验表明算法具有较好的效果。     

通风机械仪表盘在复杂背景环境中视觉故障检测与定位研究

通风机械仪表盘往往处于复杂的背景环境中,阴影或部分遮挡会在图像中引入不一致的颜色、亮度和纹理变化,使得故障区域与周围环境的对比度下降,导致人工方法难以正确定位故障区域。针对这些问题,设计一种通风机械仪表盘视觉故障检测与定位方法。首先,使用Kinect相机提取通风机械仪表图像,并进行直方图均衡化来调节图像的亮度和色调,增强故障轮廓与背景的局部对比度。然后,利用改进像素相关性分割算法分割图像特征,将图像中的仪表盘区域从复杂背景中提取出来。利用深度学习领域的深度卷积网络,对分割后的仪表盘图像进行故障轮廓检测。最后,计算定位目标(故障轮廓)的质心坐标,将质心位置作为目标点,映射到构建的投影成像空间坐标系中实现对仪表盘显示故障区域的高精度定位。实验结果显示:应用该方法后,故障区域与周围环境的对比度区分显著增强,具有较高的检测和定位精度。     

基于RetinaNet的场景文字检测算法

针对场景文字区域尺度变化较大,具有较大的长宽比,且具有任意方向性等问题,提出一种基于神经网络的场景文字检测模型.基于直接回归方法设计,无需预先设置锚框,在多次层次构建特征,且在多个分支之间共享卷积核.实验阶段在多个数据集上验证了模型的有效性,相较于现有方法,该模型计算资源消耗更小,推理速度更快,整体性能更好.     

基于正交小波变换的多尺度边缘提取

基于正交二进小波,设计了一个滤波器对图象进行多尺度滤波,得到不同尺度的小波变换。在每种尺度下分别提取图象边缘,而后综合形成图象真正的边缘。该方法不仅能有效地抑制噪声,得到单象素宽、精确的边缘信息,而且能依据边缘的奇异度区分不同的边缘