架空输电线路无人机巡检视频中避雷器计数器目标检测

针对架空线路无人机智能巡检的应用,开发基于无人机巡检视频的避雷器计数器仪表智能识别系统,研究了利用深度学习对巡检视频中的避雷器计数器进行目标检测定位,以提取避雷器计数器的目标区域位置,用于下一步的读数识别。采用基于拉普拉斯算子方差的模糊检测算法对样本进行筛选,构建用于目标检测模型训练的避雷器计数器样本集;并分别采用更快的基于区域的卷积神经网络（faster region-based convolutional neural network,Faster R-CNN)、YOLOv3(you only look once version 3）目标检测、单步多框目标检测(single shot multibox detector,SSD)3种主流的目标检测模型对视频中的避雷器计数器进行检测定位。研究结果表明:Faster R-CNN对研究中构建的测试集的检测准确率可达到99.21%,远高于YOLOv3和SSD。     

基于超分辨率重建技术的遥感图像小目标检测

针对传统舰船遥感图像存在背景复杂和信息模糊等问题,提出一种基于超分辨率重建的舰船遥感图像小目标检测算法.该方法首先通过超分辨率重建技术对信息模糊的原始遥感图像进行清晰重建,防止重建图像过程中出现过大的固有特征损失和过于平滑的梯度变化.在此基础上建立Faster R-CNN网络,自动提取图像数据集目标特征,准确地实现舰船遥感图像中的小目标识别.实验结果表明,基于超分辨率重建的检测算法的综合效率达到65.5%,相比传统算法提高12.9%.由此证明,改进后的算法能够有效克服目标尺寸小和识别背景复杂所带来的检出率低和准确率差等问题.     

基于改进Faster R-CNN的铁路信号灯与停留车检测方法

在铁路编组站调车作业中,因调车头机车结构特点,司机难以时刻观察地面信号,常因主观误判导致调车头误闯信号灯挤坏道岔和冲撞停留车的事故发生。文章针对铁路信号灯与停留车目标大小悬殊的多尺度目标检测问题,改进Faster R-CNN目标检测算法,采用深浅层特征融合方法和多尺度训练策略,较好地兼顾了对二者的高质量检测。此外,文章采集车载铁路视频图像,标注信号灯和停留车,构建了较大型的目标检测数据集。实验结果表明,改进的Faster R-CNN在所构建数据集中,信号灯检测精确率达到96.6%,停留车检测精确率达到98.9%,检测速度约10帧/秒,能够满足铁路编组站低速调车作业应用场景的实时性要求。     

深度学习在输电线路无人机巡检中识别防振锤缺陷的应用

基于深度学习技术,对无人机巡检架空线路防振锤缺陷识别的应用开展了研究。针对巡检图像背景复杂,防振锤识别目标小、易出现漏检的特点,在更快的基于区域的卷积神经网络（faster region-based convolution neural network, Faster R-CNN）算法基础上,利用光学矫正和综合去噪对图像进行预处理,用深度残差网络（deep residual network, ResNet)提取特征图,增大、增多训练尺度对算法进行优化。通过Gabor滤波器和分析红绿蓝(red green blue, RGB)颜色通道特征分别对防振锤损坏和锈蚀缺陷进行识别。实验结果表明:该方法对防振锤缺陷有较好的识别效果,召回率达到92.56%,精确度达到98.24%,优于现有的其他目标检测方法。     

基于卷积神经网络的仓储物体检测算法研究

针对仓储环境中物体检测公开数据集匮乏的问题,通过摄像机采集真实仓储环境中包含货物、托盘和叉车的大量图像进行标注,创建了一个仓储物体数据集. 同时针对传统物体检测算法在仓储环境中检测准确率较低的问题,将基于卷积神经网络的DSOD应用于仓储环境中,通过在自己创建的仓储物体数据集上从零开始训练DSOD模型,实现了仓储物体的准确性检测. 该算法的mAP达到了93.81%,比Faster R-CNN、SSD分别提高了0.04%、1.44%; 并且模型大小仅有51.3 MB,比Faster R-CNN、SSD分别减小了184.5 MB、43.4 MB. 实验结果表明,该算法获得了较为满意的仓储物体检测效果,其在仓储物体检测领域具有一定的实用价值.     

基于Faster R-CNN的食品图像检索和分类

面向食品领域的图像检索和分类等方面的研究成为多媒体分析和应用领域越来越受关注的研究课题之一.当前的主要研究方法基于全图提取视觉特征,但由于食品图像背景噪音的存在使得提取的视觉特征不够鲁棒,进而影响食品图像检索和分类的性能.为此,本文提出了一种基于Faster R-CNN网络的食品图像检索和分类方法.首先通过Faster R-CNN检测图像中的候选食品区域,然后通过卷积神经网络(CNN)方法提取候选区域的视觉特征,避免了噪音的干扰使得提取的视觉特征更具有判别力.此外,选取来自视觉基因库中标注好的食品图像集微调Faster R-CNN网络,以保证Faster R-CNN食品区域检测的准确度.在包括233类菜品和49 168张食品图像的Dish-233数据集上进行实验.全面的实验评估表明:基于Faster R-CNN食品区域检测的视觉特征提取方法可以有效地提高食品图像检索和分类的性能.     

改进的Faster R-CNN海洋鱼类检测模型

为提高海洋鱼类检测的准确率,提出一种基于Faster R-CNN的海洋鱼类检测方法.首先,利用迁移学习方法训练Faster R-CNN网络,克服海洋鱼类样本集有限的限制;其次,增加颈部连接层,使用双向特征金字塔网络(BiFPN)进行特征融合,得到具有丰富位置信息和语义信息的融合特征图;再次,将卷积层输出的特征矩阵作外积相乘运算,提高对相似海洋鱼类的识别精度;最后,结合Mask R-CNN中的ROI Align方法对预测位置进行二次修正,使检测框更加准确.实验结果表明,在检测海洋鱼类数据集时,与原始的Faster R-CNN算法相比,改进后的Faster R-CNN检测模型的平均准确度均值提高了7.4%.     

改进Faster R-CNN模型的汽车喷油器阀座瑕疵检测算法

为完成喷油器阀座常见的瑕疵识别,对深度检测模型进行研究,提出基于Faster R-CNN模型的喷油器阀座瑕疵识别改进方法 .首先,对常规生产下的喷油器阀座瑕疵图像进行采集、处理,构造出相关数据集;其次,在Faster R-CNN模型上对候选框和特征网络进行改进,获得比原有模型更高的精确度.实验结果表明:改进的Faster R-CNN模型在喷油器阀座瑕疵识别中精确度得到加强,识别精确度可达71.79%,相比原有模型精确度提升了近3.9%.说明该深度学习方法能够有效实现喷油器阀座瑕疵的识别,为后续自动一体化检测研究提供了基础.     

基于改进的Faster R-CNN的肺结节检测方法研究

研究使用相同的CT图像数据集,对几种常见的肺结节检测方法进行对比试验,最终选取了检测精度高的Faster R-CNN进行了实验.然而,即使是本领域内检测精度最高的Faster R-CNN方法在肺结节检测领域的效果也难以令人满意.原始的Faster R-CNN中的锚框尺寸大,在肺结节检测领域无法达到好的应用效果,为了提高结节检测的精度,在Faster R-CNN的基础上进行了改进,改进的内容主要包括：(1)更多层的特征提取使得检测精度提高,因此,在网络特征提取时采用ResNet替换掉原始网络中的VGG16网络,采用ResNet-101进行后续实验的改进.(2)引入了一种K-Means聚类算法分析anchor的尺寸,选择合适的k值后,重新设置锚框的大小.通过对锚框的尺寸的改进,数据与锚框大小的匹配度提高了,模型的整体性能有了提升.实验证明：所提出的方法具有较高的精度和效率.     

基于深度学习的水稻病虫害诊断方法研究

病虫害是影响水稻等农作物产量的重要制约性因素。为探索基于深度学习的水稻病虫害诊断方法,采用图片尺寸归一化、截取感兴趣区域、病理分割3种预处理方式分别与Faster R-CNN Inception v2、SSD MobileNet v1两种深度学习目标检测预训练模型结合,在TensorFlow深度学习平台下进行水稻病虫害识别模型的训练和诊断效果测试。实验结果表明,6种条件下水稻病虫害识别准确率分别为99.65%、90.74%、92.60%、82.23%、65.74%和20.41%,其中采用归一化尺寸和Faster R-CNN模型时水稻病虫害识别准确率最高,且具有较低的训练时长,较适宜用于水稻病虫害诊断。