基于深度学习的车载屏幕文本检测与识别研究

车载屏幕文本图片显示内容丰富、背景多样性、文本信息较多且大小、方向不定等问题,导致文本检测与识别过程中出现准确率低、检测速度慢的问题,因此提出了一种基于深度学习的车载屏幕文本检测与识别的系统.该系统的文本检测模型采用改进的EAST网络,应用DenseNet网络作为特征提取网络以增强特征重用,为了改善长文本的预测效果,采...     

Android平台实时人脸检测和性别识别的研究与实现

提出一种基于开源计算机视觉库OpenCV(Open Source Computer Vision Library)实现Android平台中实时人脸检测和性别识别的方法,阐述了在运行Android系统的嵌入式平台中采用AdaBoost算法实现人脸检测以及FisherFace算法实现性别识别的原因和具体实现方法,并分别在基于ARM和X86构架的两个嵌入式平台中进行了大量实验和测试数据对比。实验结果表明Android平台中能够实时地进行人脸检测和性别识别,且获得96.35%的人脸检测准确率和82.64%的性别识别准确率。     

基于目标检测与模糊匹配的非标船牌识别研究

基于卷积神经网络的YOLOv3(You Only Look Once v3)目标检测算法设计了一种基于目标检测及模糊匹配机制的非标船牌识别软件系统,并通过在船舶视频监控系统中的实际应用,验证了该船牌识别系统的可行性,提高了船舶铭牌识别的可靠性。YOLOv3目标检测算法将检测简化为一个回归问题,通过仅仅一个网络,就能从图像中得到物体的类别与概率,确保了识别的准确性与实时性。针对船舶非标铭牌锈蚀、遮挡等问题,创新点是在基于YOLOv3的非标船牌识别系统的实现框架之上,设计船名有限中文库与模糊匹配机制,有效解决了船牌识别准确率过低的问题,取得了较好的识别效果。     

基于ARM的人眼疲劳监测系统

根据监测系统车载、实时、非接触、小型化等要求,设计并实现了一种基于ARM+Linux的嵌入式实时疲劳监测系统.将图像数据预处理、算法参数优化、汇编优化和编译器优化等优化方法相结合,实现了快速的人脸检测,并通过移植OpenCV实现了基于PERCLOS的人眼疲劳检测算法.与基于PC和DSP的疲劳监测系统相比,该实时疲劳监测系统具有强大的网络功能以及更优越的扩展性.在室内环境下的实验结果表明,系统检测准确率达到95%.     

基于多尺度时序特征的信号调制样式识别算法

在认知无线电应用中,当前基于深度学习的信号调制样式识别算法存在运算效率低、复杂度较高的问题,为此本文提出了一种基于多尺度时序特征的信号调制识别算法。该算法首先利用多层卷积层提取不同尺度的时序数据,将数据进行特征融合后使用长短期记忆网络提取时序特征,最后由输出层输出识别结果,并通过网络结构的设计和优化,降低了算法复杂。实验结果表明,在包含11种调制信号的原始I/Q信号测试集上,在信噪比为4 dB及以上时,该算法识别准确率达到90%以上。与同等识别准确率的算法相比,该算法的复杂度更低,在嵌入式设备Jetson Nano和树莓派4B上的推理时间更短,具有更好的工程应用价值。      

基于残差与注意力机制的原棉杂质检测北大核心CSCD

针对原棉杂质检测准确率不高的问题,以新疆棉花为研究对象,提出基于残差与注意力机制的原棉杂质检测算法。该算法为2阶段算法,准确率较高。首先,采集原棉杂质图象后对图像进行标注,再进行数据增广,可以避免训练过程中的过拟合现象,接着在原框架引入视觉注意力机制,通过改进算法结构来提高原棉杂质检测的准确率。其次,通过分析对比几种不同网络对原棉杂质检测的准确度,选取ResNet50为特征提取网络,该网络提高了算法的复杂特征提取能力。最后,采用RoI Align来减少量化误差,从而提高检测原棉杂质的准确性。实验结果表明,改进的算法虽然略微增多检测时间,但其整体检测准确率明显优于原算法,整体识别的准确率可达到94.84%,较改进前Faster R-CNN(faster region-based convolutional neural network)的识别率提高了5.58%。同时通过对比不同网络模型,结果显示改进后的Faster R-CNN对原棉杂质检测的效果更好。     

基于YOLOX目标检测模型轻量级裁剪

卫星对目标的实时检测广泛应用于民用与军用领域,但星载平台的处理内存与计算能力普遍有限,对检测算法的要求更高,传统的目标检测算法难以满足需求。基于此,借鉴MobileNet v3网络模型的可分离卷积思想、逆残差结构思想、通道注意力机制轻量化裁剪YOLOX网络模型,同时基于可分离卷积结构裁剪优化模型的特征金字塔模块,降低模型参数量,提出一种嵌入式平台实时处理的目标检测算法。与原YOLOX相比,实验结果表明,在保证识别精度99.12%的前提下网络模型的参数量减少了20倍左右,改进后的轻量级网络模型在嵌入式平台上检测速度可达30帧/s,平均检测精度为92.54%,为实现嵌入式平台实时目标识别提供了理论支撑。     

基于深度学习的端到端车牌检测与识别

针对目前传统车牌号识别算法定位不准确,识别效率低,实时性差等的问题,提出了一种基于深度学习的车牌定位与车牌字符识别算法。在车牌检测定位阶段通过YOLOv5s算法对图片中的车牌部分进行定位,空间变换网络STN对倾斜的车牌进行矫正,将矫正过后的车牌送入LPRNet字符识别网络进行识别。通过对CCPD数据集的验证发现,相较于传统的车牌识别算法,提出的算法准确率达到98.2%,整个检测识别过程控制在11 ms内,表明了所提算法可满足车牌识别的实际需求。     

基于小波钝化的嵌入式图像处理算法研究

注塑模具保护系统普遍采用模板匹配图像处理算法,其存在实时性不强、精确度不高,以及对运行环境要求严苛等问题。论文提出了基于小波钝化的嵌入式模具保护图像处理算法,该算法运行于嵌入式平台,采用小波钝化的方法凸显待测残留物,无需进行模板匹配、图像配准和较正;提出了基于像素值统计的支持向量机检测算法,以适应嵌入式平台内存小的特点;引入支持向量机分类,有效解决了图像偏移带来的误差问题。MATLAB实验测得,该算法的模腔残留物检测平均准确率为85.71%,残留物检出平均耗时0.910s。结果表明,采用小波钝化和支持向量机的嵌入式图像处理算法,无论在算法检测精度还是算法响应速度方面均优于以灰度共生矩阵匹配算法和差影法为代表的图像匹配算法。     

基于时频融合的深度学习调制识别算法

自动调制识别(Automatic Modulation Recognition,AMR) 能够在缺少先验信息的条件下,识别出接收信号的调制类型,在非合作通信中起着至关重要的作用。为提高调制识别的准确率,提出了一种基于时频融合的深度学习调制识别算法。该算法将调制信号的时频图作为网络的输入,使用一维卷积分别提取信号的时频特征,并通过计算时频维度上的权重来突出重要的时频信息,使网络学习到更具区分度的时频特征。为了充分利用时频特征之间的互补性和相关性,使用了基于压缩和激励网络(Squeeze-and-Excitation Network,SENet)的时频特征融合策略。利用该网络对11种调制类型进行识别,实现了最高92.5%的识别准确率;在0 dB以上时,平均识别准确率达到90.87%,优于其他的深度学习算法。     

轻量级红外刑侦图像目标识别算法

红外刑侦图像目标识别对刑事侦查具有重要意义,但刑事案件的侦破对时间和置信度要求较高。设计一种保持优异识别精度且具备较快识别速度的轻量级红外刑侦图像目标识别算法,具有十分重要的研究价值。因此借鉴生物免疫的优良特性,设计了免疫原性深度神经网络算法。该算法通过构建先天性免疫网络和适应性免疫网络来提取图像特征,然后设置免疫原性网络增强算法在处理图像特征映射时对不同通道之间优先级的调整能力,从而提高算法的精度和速度。实验结果表明,本文算法有效实现了红外刑侦图像的快速精准识别。与VGG16、VGG19、Resnet34、Resnet50、MobilenetV2等模型相比,本文算法不仅取得了99.4%的最高测试准确率,而且还具备最快的识别速度。     

轻量级网络算法对输电线路上异物目标的识别

针对输电线路上多种异物所引起的电力巡检问题,可以采用深度学习图像识别方法进行检测。文中提出了一种改进型轻量级网络检测算法模型,通过将YOLOv4的主干特征提取网络替换为轻量级神经网络GhostNet,减少图片输入时计算所产生的特征图冗余;对YOLOv4的PANet模块进行修改,采用深度可分离卷积模块替换其中的普通卷积模块,可减轻参数计算量。结果表明,相比于原YOLOv4检测算法,该改进型算法在IOU阈值取0.5时,平均精准度下降2.1%,但检测速度达到了原算法的2.21倍,参数计算量仅为原算法的17.84%。与其他几种算法的对比表明新算法的参数指标表现满足需求。在维持较高精确度的情况下,文中所提算法的检测速度得到提升,计算量减少,证明了其在目标检测时的有效性与可行性。     

基于ADSABC算法优化WNN的语音识别研究

小波神经网络(WNN)具有高度的非线性映射功能及强大的自适应能力,但是WNN算法存在易陷入局部极小值,收敛速度慢。而人工蜂群算法(ABC)具有很强的全局搜索能力及较快的收敛速度。两者优势互补,已结合应用于语音识别中。本文对ABC算法做出改进,在采蜜蜂和观察蜂阶段各提出一个新的解搜索方程,采取自适应的双搜索方式(Adaptive Double Search)求解,从而提高算法的收敛速度和收敛精度。并将其和WNN算法进行结合,组成一种训练神经网络的新算法ADSABC-WNN,该算法既能克服WNN算法的缺点,又能保存双方的优点。实验结果表明,与传统ABC算法优化小波神经网络相比,识别率提高均有所提高,其中在词汇量为50时识别率提高了4.51%。将实验结果与其他方法优化的小波神经网络模型进行比较,在噪声环境下,该混合模型可以有效地减少识别时间,而且可以明显提高网络的训练速度和语音识别的识别率。     

3D多支路聚合轻量网络视频行为识别算法研究

为构建拥有2D神经网络速度同时保持3D神经网络性能的视频行为识别模型,提出3D多支路聚合轻量网络行为识别算法.首先,利用分组卷积将神经网络分割成多个支路;其次,为促进支路间信息流动,加入具有信息聚合功能的多路复用模块;最后,引入自适应注意力机制,对通道与时空信息进行重定向.实验表明,本算法在UCF101数据集上的计算成本为11.5GFlops,准确率为96.2%;在HMDB51数据集上的计算成本为11.5GFlops,准确率为74.7%.与其他行为识别算法相比,提高了视频识别网络的效率,体现出一定识别速度和准确率优势.     

融合多尺度信息和跨维特征引导的轻量行人检测

针对复杂道路场景下行人检测精度与速度难以提升的问题,提出一种融合多尺度信息和跨维特征引导的轻量级行人检测算法。首先以高性能检测器YOLOX为基础框架,构建多尺度轻量卷积并嵌入主干网络中,以获取多尺度特征信息。然后设计了一种端到端的轻量特征引导注意力模块,采用跨维通道加权的方式将空间信息与通道信息融合,引导模型关注行人的可视区域。最后为减少模型在轻量化过程中特征信息的损失,使用增大感受野的深度可分离卷积构建特征融合网络。实验结果表明,相比于其他主流检测算法,所提算法在KITTI数据集上达到了71.03%的检测精度和80 FPS的检测速度,在背景复杂、密集遮挡、尺度不一等场景中都具有较好的鲁棒性和实时性。     

T-S型RBF神经网络在红外火焰探测系统中的应用

基于T-S(Takagi-Sugeno,高木-关野)模型RBF(Radial Basis Function,径向基函数)神经网络,提出了一种应用于三波段点型红外火焰探测器的识别算法,同时实现了硬件电路以及软件程序的设计。针对火焰探测器在检测过程中可能出现的数据丢失、失真、饱和等复杂情况,本文利用RBF网络较优的逼近精度和泛化能力,同时结合T-S模型用少量的模糊规则可生成较复杂的非线性函数的特点,实现了火焰与干扰源的准确识别。实验证实,T-S模型RBF神经网络相比于BP(Back Propagation,反向传播)网络在逼近精度、收敛速度、鲁棒性等多个方面都有所提升。     

Improved traffic sign recognition algorithm based on YOLOv4-tiny

This study offers an enhanced yolov4-tiny traffic sign identification method for easy deployment on mobile or embedded devices to address the difficulties of a high number of parameters, low recognition accuracy, and poor real-time performance of traffic sign recognition models in complex scenarios. The yolov4-tiny network serves as the model’s foundation. To begin, Octave Convolution is incorporated into the backbone network to eliminate low-frequency feature redundancy, lowering the number of parameters in the model and enhancing computational efficiency. Second, the convolutional block attention module is employed to improve the recognition accuracy of small and medium-sized targets by strengthening the weights of traffic sign regions and suppressing the weights of invalid features. Finally, in the feature fusion stage, the Feature Pyramid Networks structure is replaced with the Simplified Path Aggregation Network structure to improve the fusing of shallow feature information with deep semantic knowledge and lower the miss detection rate even more On the TT100K data set as well as on CCTSDB dataset, the experimental results suggest that our technique can achieve good recognition performance. With a 16MB model size, our solution improves the mean average precision by 3.5 percent and the Frame Per Second by 12.5 f/s when compared to the yolov4-tiny algorithm. Our method outperforms yolov4-tiny in terms of recognition accuracy and detection speed, and it can easily meet the real-time requirements for traffic sign recognition.     

基于改进YOLOv3的电容器外观缺陷检测

针对部署于有限算力平台的YOLOv3(you only look once v3)算法对电容器外观缺陷存在检测速度较慢的问题, 提出了基于 YOLOv3算法改进的轻量化算法MQYOLOv3。首先采用轻量化网络MobileNet v2作为特征提取模 块,通 过利用深度可分离式卷积替换一般卷积操作,使得模型的参数量大幅度降低进而提高模型的 检测速度,同 时也带来了检测精度的降低;然后在网络结构中嵌入空间金字塔池化结构实现局部特征与全 局特征的融合、 引入距离交并比(distance intersection over union, DIoU)损失函数优化交并比(intersection over union, IoU)损失函数以及使用Mish激活函数优化Leaky ReLU激活函数来提高模型的检 测精度。本文采用自制的电容器外观缺陷 数据集进行实验,轻量化MQYOLOv3算法的平均精度均值(mean average precision,mAP)为87.96%, 较优化前降低了1.16%,检测速度从1.5 FPS提升 到7.7 FPS 。实验表明,本文设计的轻量化MQYOLOv3算法在保证检测精度的同时,提高了检测速度。     

基于改进跳蛛算法的二维OTSU限重标志识别算法

针对交通标志识别中限重标志和限速标志相似程度大、容易造成误检等问题,结合抗噪能力强的二维OTSU自动阈值分割法与寻优能力强的跳蛛优化算法,提出了一种基于跳蛛优化的二维OTSU限重标志识别算法。该算法通过统计交通标志牌感兴趣区域的二维灰度直方图,采用改进跳蛛算法求解二维OTSU分割阈值,快速地实现交通标志图像的二值化,再利用DBSCAN对二值化图像边缘点聚类,最后根据聚类结果的相对位置正确识别限重标志。实验结果表明：在不降低识别率的条件下,运算时间降低了34.16%,并能够正确区别限重标志和限速标志。