基于改进Faster R-CNN的隐形眼镜表面缺陷检测算法

针对传统图像处理算法在检测隐形眼镜表面缺陷时存在精度低、耗时长、算法鲁棒性差、漏检多等问题,提出一种基于改进Faster R-CNN的隐形眼镜表面缺陷检测算法。首先,对比了3种特征提取网络的性能,选取ResNet50作为骨干网络;然后,引入特征金字塔网络（FPN）,通过融合多层次的特征信息,提高Faster R-CNN的多尺度检测能力;最后,基于构建的隐形眼镜表面缺陷数据集,使用K-means++算法改进锚框的尺度和数量。实验结果表明：改进后的Faster RCNN算法在测试集上的平均精度均值（mAP）达到了86.95%,相比于改进前的Faster R-CNN算法,提高了9.45个百分点,可以有效地检测出气泡、车削亮点、划痕、模具亮点等多种隐形眼镜典型缺陷。     

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的钢轨表面缺陷识别研究

外界因素常会干扰钢轨表面缺陷检测仪器,导致其精度和效率降低。文中研究了一种基于Faster R-CNN网络检测钢轨表面缺陷的方法。该方法将预处理后的图像进行反转,利用Radon变换实现钢轨图像的投影。投影曲线中,利用钢轨长度为定值且灰度值小于图像平均值的特性,完成对钢轨表面区域的提取。然后通过区域建议网络提取候选区域,并与Fast R-CNN网络的区域建议对比分析,完成Faster R-CNN网络对钢轨的表面缺陷检测。试验数据表明,裂缝、疤痕、磨损和划伤4种缺陷的识别精度分别为92.17%、91.85%、93.45%和93.27%,证明使用该方法能够高效而又准确地识别钢轨的表面缺陷。     

基于改进的Faster R-CNN图像目标检测方法研究

随着科技的不断发展,图像充斥在人类生活的任何角落,因此如何提取出图像中包含的信息,完成对图像目标的检测是当前研究的热点问题。针对一阶段目标检测算法可能会对目标图像产生漏检的情况,本文使用MobileNet V2和ResNet50网络对传统的Faster R-CNN的主干特征提取网络进行改进。在公开数据集上的实验结果表明,基于MobileNet V2特征提取的Faster R-CNN网络占用的计算资源和存储资源最少,基于ResNet50特征提取的Faster R-CNN网络的检测效果最优。此外,两种改进的Faster R-CNN网络均能有效克服一阶段目标检测算法中的漏检问题。     

一种改进的Faster R-CNN对小尺度车辆检测研究

针对传统Faster R-CNN算法对小尺度车辆检测效果不佳的问题,提出一种改进型网络进行车辆检测的方法。首先,通过改进经典全卷积网络和区域建议网络的结构,增强低层特征与高层特征之间的信息传递;其次,增加更小尺度的锚,从而改善Faster R-CNN对小目标的检测能力;最后,增加锚选择策略,通过平衡锚数量的差异,缓解区域建议网络生成的正负锚数量不平衡问题。文中实验分别在VOC2007、Kitti、真实数据集上对所提方法和传统Faster R-CNN算法进行比较,检测准确率分别提高了9%,8.1%,8.9%。     

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%。      

基于改进Faster R-CNN的复杂背景红外车辆检测算法北大核心CSCD

红外背景下的车辆检测具有重要的应用意义,为了解决在复杂背景下红外视频的车辆检测时视野中的车辆目标像素差距过大以及目标重叠的问题,提出一种改进的Faster R-CNN网络模型。针对视野内车辆目标重叠率较高的问题,设计了一种改进的soft-NMS(Non-Maximum Suppression)方法对RPN(Region Proposal Network)内的NMS方法进行优化。针对视野内目标像素差距过大问题,设计了三种不同尺度感受野并行检测,权重共享的特征提取结构Tri-VGG网络,并设计出一种避免网络出现过拟合的训练策略,优化后的网络检测平均精确度(AP,Average Presion)达到85.32%,相较于仅采用soft-NMS的Faster R-CNN提高了3.01%,相较于传统的Faster R-CNN提高了5.86%。     

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...     

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。     

基于深度学习的可见光舰船目标检测与识别

目标检测技术是计算机视觉中的重要任务,舰船的目标检测是保证海面安全不可或缺的技术,提出了一种改进Faster R-CNN的可见光舰船图像目标检测方法。针对Faster R-CNN网络舰船目标检测时出现的尺度较为单一及ROI池化造成的精度损失问题,通过引入特征金字塔模块实现多尺度特征融合,并将ROI池化的下采样策略优化为ROI对齐方法,以此提升目标检测精度。实验表明,在可见光舰船数据集上取得了较好的效果,优化后网络模型使用VGGNet-16作为主干网络精度提升了5%,使用ResNet-101作为主干网络精度提升了5.4%,比YOLOv3精度最高提升了6.6%。