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。     

基于图像增强与改进Cascade R-CNN的钢轨表面缺陷检测

针对钢轨表面缺陷检测中,钢轨表面图像存在背景不均匀、缺陷尺度变化大且样本数据不足的问题,提出一种基于图像增强与改进Cascade R-CNN的钢轨表面缺陷检测方法.首先,采用改进Retinex算法处理钢轨表面图像,增强缺陷与背景的对比度.然后,采用改进Cascade R-CNN对钢轨表面缺陷进行检测,并应用交并比(Io...     

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...     

一种改进Faster R-CNN的太阳能电池片缺陷检测方法

针对传统太阳能电池片检测方法中检测时间过长,检测精度不高等缺点,提出了一种改进Faster R-CNN的太阳能电池片缺陷检测方法.以Faster R-CNN为框架,以ResNet50为网络主干,针对小目标缺陷,融入了基于FPN的多尺度检测网络,并应用了 GA-RPN结构,实现对太阳能电池片缺陷的检测.实验结果表明,较原...     

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。     

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%。     

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。     

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的保偏光纤偏振轴检测方法研究

针对基于端面成像的偏振轴检测方法光照鲁棒性不强、无法同时检测多根保偏光纤偏振轴的问题,提出一种基于Faster R-CNN的检测方法.训练Faster R-CNN神经网络模型,通过参数调优增强了应力区识别的鲁棒性,采用基于Zernike矩算法对应力区边缘点进行亚像素级定位以提高测量精度,分析了测量精度与误差的关系.仿真与实验表明,该方法的测量精度达到±0.1°,在增强光照鲁棒性的同时实现了对多根保偏光纤偏振轴的检测.     

基于改进快速区域卷积神经网络的视频SAR运动目标检测算法研究

针对传统视频SAR(ViSAR)运动目标检测方法存在的帧间配准难度大、快速运动目标阴影特征不明显、虚警概率高等问题,该文提出一种基于改进快速区域卷积神经网络(Faster R-CNN)的视频SAR运动目标检测方法。该方法结合Faster R-CNN深度学习算法,利用K-means聚类方法对anchor box的长宽及长宽比进行预处理,并采用特征金字塔网络(FPN)架构对视频SAR运动目标的“亮线”特征进行检测。与传统方法相比,该方法具有实现简单、检测概率高、虚警概率低等优势。最后,通过课题组研制的Mini-SAR系统获取的实测视频SAR数据验证了新方法的有效性。     

基于径向基神经网络的粒子群表面缺陷识别算法

金属部件表面缺陷识别问题是模式识别领域的研究热点,高效、可靠的表面缺陷识别方法能够有效提高生产效率、维护生产安全。针对这一问题,文中提出了一种利用径向基(RBF)神经网络和粒子群优化(PSO)算法相结合的表面缺陷识别算法。采用PSO算法确定和改进RBF神经网络的权值参数,同时对PSO算法中的惯性权重进行线性处理,有效消除了PSO算法中的最优解局部振荡现象。针对金属部件表面常见的几种缺陷对RBF-PSO表面缺陷识别算法进行网络训练,并进行相应的实际测试。文中提出的RBF-PSO表面识别算法识别准确率可达96%,相比于传统的神经网络算法具有明显的性能提升。     

基于改进卷积神经网络的交通标志识别方法

针对智能交通系统中小尺度交通标志识别率低的问题,文中提出一种改进卷积神经网络的交通标志识别方法。该方法通过在Faster R-CNN算法的低层特征图上增加优化的RPN网络,提升了小尺度交通标志的检测率。该方法还利用Max Pooling方法实了现图像的局部细节特征与全局语义特征充分融合。在TT-100K数据集上稍微实验结果表明新方法可以明显提高小尺度交通标志的识别率。     

基于BP神经网络的玻璃缺陷识别技术研究

为了准确、快速地对玻璃质量进行分类,提出一种基于BP神经网络的玻璃缺陷识别方法。由于不变矩与灰度共生矩阵分别可以描述图像的形状与纹理,在分析了缺陷灰度图像特点的基础上,将图像的纹理特征和不变矩特征融合,综合提取出一个分类能力更强的特征向量,再使用一个拟牛顿改进算法的三层前向BP网络。作为分类器,对常见的玻璃缺陷进行了识别。通过实验对比该方法和传统的单一特征识别法,证明该方法不仅具有更高的识别率,并且实时性较好,为玻璃缺陷的自动识别提供了一种新的途径。     

基于SURF算法的产品表面缺陷检测研究

针对产品表面正确性的快速自动无损检测问题,提出了利用垂直投影法确定旋转步长来获取序列图像的方法,并将一种针对尺度旋转不变性（SIFT）改进的SURF算法应用到此方面,该算法通过计算积分图像和 Hessian 矩阵大大提高了特征点检测的速度,节省了图像匹配时所用的时间,并提高了算法的实时性。首先通过确定旋转步长来获取标准序列图库,其次通过SURF算法寻找最优匹配位置,最后通过相关度的计算来判别各区域是否有缺陷。实验表明,在对待检测图像和标准序列图像库中的5幅图像匹配时SURF算法比SIFT算法大约节省了2.6 s,显然,把SURF算法应用于序列图像中匹配可以大大节省缺陷检测时所用的时间。     

基于改进YOLOv3算法的带钢表面缺陷检测

针对热轧带钢表面缺陷检测中存在的检测速度慢、检测精度低等问题,提出了一种改进的YOLOv3算法模型.使用加权K-means聚类算法来优化确定先验框参数,提高先验框（priors anchor）与特征图层（feature map）的匹配度;同时,调整YOLOv3算法的网络结构,融合浅层特征与深层特征,形成新的大尺度检测图层,提高网络对带钢表面缺陷的检测精度.实验结果表明,改进后的YOLOv3算法在NEU-DET数据集上平均精度均值达到了80%,较原有的YOLOv3算法提高了11%;同时检测速度保持在50fps,优于目前其它深度学习带钢表面缺陷检测算法.     

基于小波包变换的表面肌电信号模式识别

采用小波包变换的方法对表面肌电信号sEMG进行了多尺度分解,并提取小波包分解系数的能量值构建特征矢量,采用四种方法设计多类最小二乘支持向量机（LS-SVM）分类器,对8种表面肌电信号进行了模式分类。实验结果表明,采用四种多类分类方法的LS-SVM分类器对8种表面肌电信号的平均识别率在90%以上,LS-SVM分类准确率明显优于传统的RBF神经网络分类器。     

基于PCA和BP神经网络的步态识别系统研究

步态识别是生物特征识别技术中的一个新兴领域,它根据人们走路的个体特点进行身份识别,具有非侵犯性、难以隐藏、对系统分辨率要求低、远距离识别等优点,已成为基于视觉的人体运动分析的研究热点。该文提出了基于主成分分析(PCA)的特征提取方法,有效地对高维步态轮廓特征进行降维,再利用BP神经网络进行特征分类识别。实验结果表明,算法达到了较高的识别率。     

基于热电耦合激励的TSV三维封装内部缺陷识别方法研究

由于硅通孔互连(Through Silicon Via,TSV)三维封装内部缺陷深藏于器件及封装内部,采用常规方法很难检测.然而TSV三维封装缺陷在热-电激励的情况下可表现出规则性的外在特征,因此可以通过识别这些外在特征达到对TSV三维封装内部缺陷进行检测的目的 .文章利用理论与有限元仿真相结合,对比了正常TSV与典型缺陷TSV的温度分布,发现了可供缺陷识别的显著差异.分析结果表明,在三种典型缺陷中,含缝隙TSV与正常TSV温度分布差异最小;其次为底部空洞TSV,差异最大的为填充缺失TSV.由此可知,通过检测热-电耦合激励下的TSV封装外部温度特征,可实现TSV三维封装互连结构内部缺陷诊断与定位.