基于交通视频和深度学习的车辆检测和跟踪1

车辆目标检测和跟踪是智能交通的关键技术,目前已有的车辆检测和跟踪算法种类繁多但是性能各异,难以同时满足交通视频监控中的实时性和高精度要求.该文采集多段交通监控视频,标注多种类型的车辆目标.在此数据集上从多种维度考查多种基于深度学习的车辆检测算法和多种流行的跟踪算法在交通视频上的表现,其中SSD算法满足实时性要求且mAP达0.878.并提出基于SSD和MEDIANFLOW的车流量实时检测方法.经实验证明,该方法在保证实时性情况下车流量的检测准确率达到94.5％.     

浅谈历史课堂培养学生学习能力的探究

教师在课堂上要让学生有充足的时间去阅读教材、思考问题,在把握教材的基本结构和发展脉络的同时,还能将教材的基本知识结构转化为学生自己的认知结构和学习能力,理解历史发展的逻辑联系,做到联系实际,谈古论今,发挥历史的明理、鉴今、育人的作用。     

基于改进YOLOv3的火焰检测

针对基于深度学习的目标检测算法YOLOv3在火焰检测时对疑似火焰物体误检率高、小火焰漏检率高的问题,提出了一种基于改进YOLOv3算法的火焰检测算法。首先构建包含多种复杂场景的火焰数据集;其次采用k-means++聚类算法初始化候选框,降低原始候选框与标记不符导致的误检率;然后基于YOLOv3算法改进多尺度特征融合结构,在特征融合过程中提出同尺度特征密集相连结构和空间金字塔卷积运算,降低因浅层位置特征信息融合不足导致的漏检率。实验结果表明,所提方法的检测准确率、召回率和F_1值分别达到了100%、97.64%和98.81%,能有效解决复杂场景下对疑似火焰物体误检率高、小火焰漏检率高的问题。     

TLD技术在城市智能轨道交通中的应用

视觉跟踪技术已广泛应用于城市轨道交通的智能视频监控中,传统的视觉跟踪技术无法克服由于环境复杂所致的困难。由英国大学学生提出的TLD技术能够解决这些问题。TLD技术是一种集跟踪、学习和检测于一体的自适应跟踪技术。它采用在线学习、实时更新的机制,保证即使在目标外观发生改变的情况下,也能够被持续跟踪。TLD技术有着优秀的性能,如定位精确、抗光线干扰、抗遮挡及自适应性等,能够解决城市智能轨道交通中的实际问题。     

深度学习在解决光线影响人脸识别活体检测算法中的应用

机器学习领域,深度学习是一个新的范畴,它的动机原理建立在模拟人的大脑后进行主观学习,是一种神经网络。在计算机的研究领域中,视觉领域起到了举足轻重的作用,而人脸识别又是视觉领域中的热点,它在应用领域也相当广泛。本文主要是探讨深度学习在解决光线影响人脸识别活体检测算法中的应用。     

深度学习在建造过程中的研究与应用

目前,建造过程存在建造模的粗犷、建造生产效率低下、信息技术应用少、流动慢等问题,亟需转型,而随着深度学习技术的发展和推广,两者相互结合,深度学习技术为建造过程带来了全新变革,建造过程为深度学习提供了广阔应用。深度学习技术研究初步应用于建造过程的各个阶段,针对行业中的各种问题进行智能化解决,旨在打造自动化、智能化的智能建造全过程。从生产运输、工程施工、竣工验收、损伤监测四个方面对深度学习技术在建造过程的研究与应用进行了论述。     

基于视觉注意机制深度强化学习的行人检测方法

结合视觉注意机制,并用深度强化学习训练视点选择模型,模拟人类视觉搜索局部关键部位,提出了新的行人检测方法,通过视点选择模型生成聚焦图像,不断地叠加搜索关键区域,由检测网络对关键区域进行行人判别,并通过信息熵度量检测结果的可信度,作为奖赏通过深度强化学习优化视点选择模型。视点选择模型和检测网络协同迭代训练,使该方法具有很强的局部关键区域选择和判别能力,减少了形变和遮挡的影响。与经典的基于部位的行人检测方法在公开的行人检测数据集进行对比实验,结果表明,所提出的行人检测方法可以有效地提高行人检测精度。     

YOLO算法在目标姿态检测中的应用

本文提出了一种在较少规模数据集的情况下对目标的位置和姿态进行判断的方法。在训练之前对数据集增添随机的扰动因子来增加数据集的鲁棒性,从而降低过拟合的风险。在训练的过程中,通过对损失函数进行设置,使得模型具有判断物体方向的功能。实验结果表明,改造过后的YOLO算法对物体的姿态具有较好的识别能力。     

基于深度学习的外物入侵检测方法

本文提出了基于深度学习的外物入侵检测方法。首先,利用单目摄像头收集录像视频,其次,人工把视频转换成一帧一帧的图像,分为无外物入侵和有外物入侵两种,并标注。最后,将数据集放入构建的卷积神经网络模型中训练学习。在数据集充足的情况下,通过大量实验表明:基于卷积神经网络的外物入侵检测方法的准确率能够达到99%,相对于原始的帧差法和光流法。有了很大的提升。     

基于SSD的苹果叶片病害检测方法

本文使用深度学习目标检测SSD算法对三种常见的苹果叶片病虫害——褐斑病、花叶病、铁锈病进行识别检测,实验结果显示该种方法的综合检测性能达到79.63%mAP,为苹果叶片病害的早期诊断提供了一种高性能的解决方案。     

基于计算机视觉的零件缺陷检测系统

本文介绍了计算机视觉和机器学习的概念和国内外发展现状,并且详细介绍了对于本次零件缺陷检测相对应的算法,和具体的处理流程,交代了算法的优越性以及使用原因。同时对于模型的局限性进行了总结并提出了解决方案。     

汽车检测与维修专业教学实践与思考

汽车检测与维修技术专业有利于采用学习领域课程体系开展教学。为满足学习领域课程体系的需要,在办学模式、教学方法、考核评价方法等方面进行优化设计。     

基于深度学习的点胶缺陷检测

在工业生产中,主要利用自动点胶机对工业相机底座表面进行点胶,而实际生产中由于自动点胶机工艺水平的限制,胶水不可避免的破裂、胶水的宽度太厚或太细,胶水不足等现象也是屡见不鲜。生产中如果不能及时检测出此类不良产品,将会影响到产品部件之间的连接,进而影响到整个产品的质量。因此,在需要点胶以实现粘合效果的各种应用中,严格控制点胶的质量是非常重要的。传统的点胶质量检测主要依靠手动检测方法,具有工作量大,工作效率低,检测精度不足等缺点,不能满足胶水检测的工业生产需求。为了提高点胶缺陷检测的准确率以及检测的稳定性,在本文中,我们使用深度学习卷积神经网络对胶条进行缺陷检测。通过模型的比较,最终采用LeNet-5卷积神经网络,同时在此基础上进行了改进,使得算法的鲁棒性以及准确率有所提升。     

基于Faster R-CNN和图像增强的水下鱼类目标检测方法

为了克服水下鱼类图像样本量不足及实现对水下低清晰度图像中鱼类的快速检测,提出了一种基于Faster R-CNN二次迁移学习和带色彩恢复的多尺度视网膜增强算法(MSRCR)的方法,首先通过ImageNet预训练模型对Open Images高清鱼类数据集进行一次迁移学习初步训练网络,然后固定检测模型低3层的卷积网络参数,再用水下拍摄的小规模鱼类数据集进行二次迁移学习微调网络,最后通过MSRCR算法对水下拍摄图像进行处理以增强其与高清鱼类图像的相似性,解决水下图像降质问题,让二次迁移学习高效进行。结果表明,该方法利用小规模水下拍摄鱼类数据集训练出的网络查准率可达到98.12%,网络检测能力及后续提升能力优于传统机器学习方法,并能够实现鱼类目标的快速检测,本研究结果可为深海探测作业与海底鱼类等生物资源的监测、保护和可持续开发等工程应用提供一定的参考。     

基于改进Faster-RCNN的接触网绝缘子识别与提取

接触网绝缘子是铁路运输电网中的关键部件,它用于支撑、悬吊、架空导线,从而可以保证导线和导线之间以及导线和大地之间能够有足够的绝缘性。接触网绝缘子在户外所处环境较为复杂,经常会出现故障。绝缘子在出现故障时为了能够准确地检测识别出绝缘子,笔者提出了一种基于改进Faster-RCNN深度学习方法,识别与提取接触网绝缘子。该方法与传统的Faster-RCNN进行对比,实验表明：该方法识别接触网绝缘子更优,有实际的工程参考价值。     

一种基于YOLOv3的绝缘子串图像快速检测方法

为了提高高压输电线路中对绝缘子串检测的实时性,提出了一种基于YOLOv3目标检测算法网络结构的绝缘子串图像快速检测网络结构.根据高压输电线路中绝缘子串目标在图像中所占比例较大的特点,通过去除大特征图上的检测环节达到了精简原始YOLOv3网络结构的目的 ;同时,由于在高压输电线路中的绝缘子串一般情况下长宽比值较大,通过聚...     

基于ScSGB-RCNN网络的输电线路航拍绝缘子目标检测

输电线路绝缘子故障影响电力系统供电可靠性,为了实现航拍图像中绝缘子的准确检测,本研究提出了一种基于改进Faster-RCNN网络的输电线路航拍绝缘子目标检测方法(ScSGB-RCNN),主要工作有：1)针对检测算法精度低的问题,采用自校准卷积结构(Self-calibrated convolutional Network, ScNet)和ConvNeXt网络构建了ScConvNeXt主干网络,通过融合多个卷积注意力模块,扩大网络的全局感受野,提升检测精度。2)为优化不同尺度绝缘子目标的特征提取能力,提出一种轻量化的特征金字塔结构SFPN,融入到ScConvNeXt网络中,降低计算参数量。3)为提高模型收敛速度和检测精度,采用GeLU激活函数改进FRN (Filter Response Normalization, FRN)归一化函数,提升网络的非线性输出能力。4)设计了BIoU并重新构建定位损失函数。实验结果表明,本研究提出的方法较原算法精度提高22.4%,模型收敛速度提升4倍,FPS提高8.7帧/秒,优于Faster-RCNN、SSD、YOLOv3、YOLOv5、YOLOv7等算法。...     

基于数据内在特性和LSTM的用电数据异常检测算法研究

为解决现有用电数据异常检测算法准确率低的问题,首先,文章分析了用户用电数据具有时间关联特性、高维度特性,且容易受外部因素影响等特性。其次,基于数据内在特性和LSTM理论,提出了基于数据内在特性和LSTM的用户用电数据异常检测算法。该算法采用有放回的构造数据集策略,构造K个数据集合,采用4层LSTM网络,实现高维数据特征提取,利用两层全连接的隐含层组成的神经网络,实现用户特征数据匹配,采用大概率事件将K个数据集的结果中出现最多的分类作为该节点的分类。通过实验,验证了文章算法比传统算法好,提高了准确率,降低了误报率。     

深度学习在建筑物变化检测中的应用

建筑物检测的研究由来已久,在过去几十年里,人们通过遥感图片的色彩以及反射率等对建筑物的变化进行检测分割。但是分割的效果并不理想,因为色彩和反射率等特征的提取往往需要人手动的调整,不同建筑物的材料也各不相同,如何更好的提取建筑物特征成为该项目中的一个难点。随着近几年深度学习的发展,提取遥感影像中的特征变得简单起来。     

Tensor Flow在多模态目标检测中的应用

TensorFlow是Google开发的深度学习框架。本文通过在Windows系统下搭建环境,针对雾霾,雨雪等恶劣天气下目标检测效果较差,从而结合多模态视觉角度,利用TensorFlow深度学习框架进行多模态目标检测,从而实现TensorFlow在多模态目标检测中的应用。