基于卷积神经网络的绝缘子目标检测方法研究

绝缘子是高压输电线路中的必备装置,为实现航拍图像中绝缘子的快速准确检测,提出基于卷积神经网络的绝缘子目标检测方法.首先介绍了基于区域候选的卷积神经网络Faster R-CNN;然后基于本实验构建了相应的数据集,描述了Faster R-CNN模型的训练过程,提出了以DarkNet作为Faster R-CNN的特征提取网络...     

基于Mask RCNN的绝缘子自爆缺陷检测

针对绝缘子自爆缺陷位置检测问题,提出了一种基于Mask RCNN的绝缘子自爆缺陷检测的方法。通过构造基于Mask RCNN的绝缘子串分割模型,在获取的掩模图像中引入最小外接矩形提取绝缘子串图像,从而搭建基于Mask RCNN的自爆缺陷检测模型,检测绝缘子串中的自爆位置。结合两个模型,将绝缘子串位置及其自爆缺陷位置映射到...     

一种基于改进NMS的牛脸检测方法

针对牲畜牛身份认证的多牛脸检测场景，本文给出一种基于改进Faster R-CNN的牛脸检测方法。使用Inception v2替换ZF网络作为Faster R-CNN的基础网络，模型精度得到显著提升；针对多牛检测场景对NMS（Non-Maximum Suppression）进行相应优化，使模型的召回率得到显著提升。通过和其他目标检测模型对比实验，本文的改进模型在精确率和召回率上均优于其他模型。     

基于MATLAB的绝缘子自爆缺陷检测系统

针对绝缘子长期裸露在自然环境中致使浮尘等污渍在其表面附着堆积形成通路,导致绝缘子被两端电压击穿,以及在自然环境中由于雷电天气,使绝缘子损坏自爆,对输电线路存在极大隐患的问题,为及时发现输电线路中绝缘子自爆缺陷,采用无人机在输电线路巡检中所采集到的有关绝缘子串的图像,研究基于MATLAB图像处理的绝缘子自爆缺陷检测与判定...     

基于深度学习的目标检测算法综述

计算机网络和人工智能快速发展的时代,人身安全、社会安全以及国家安全越来越受到大众的关注。目标检测在视频处理中发挥至关重要的作用。传统目标检测算法已难以满足目标检测中数据处理效率、性能、智能化等方面的要求。当前流行的深度学习广泛应用于人工智能和目标检测与跟踪。基于此,介绍SPPNet、R-CNN等一系列基于区域提案(Region Proposal)的目标检测方法和YOLO、SSD等基于回归的目标检测方法及优缺点,总结与展望目标检测的未来。     

基于改进Faster R-CNN的面板缺陷检测算法

针对面板表面缺陷检测存在精度低、效率低等问题,提出了一种基于Faster R-CNN的优化缺陷检测的算法.该方法通过在特征融合层添加不降维的局部自适应跨通道卷积,以增加通道交叉的特征映射;且在骨干特征提取网络后加入CBAM注意力网络,从而捕获特征图的长期特征依赖关系.并分析了缺陷数据集样本宽高比的差异性,设定锚框生成大...     

基于改进Faster RCNN的目标检测算法

近年来基于深度卷积神经网络的目标检测算法已经成为了主流,Faster R-CNN就是一种主流的目标检测算法。在Faster R-CNN卷积神经网络的基础上,使用DIoU来评价预测框和真实框的距离。针对Faster R-CNN小目标检测效果不好的缺陷,将原算法中的候选区域池化RoI Pooling改进为检测更为精确的区域特征聚集方式RoI Align。此外还改进了原算法中锚框的非极大值抑制方法,增加了算法的平均检测率。最后在公开数据集MS COCO、PASCAL VOC 2007、PASCAL VOC 2012上进行对比训练,在PASCAL VOC 2007测试集上进行验证。实验结果表明改进后的目标检测算法能够有效提高原Faster R-CNN算法的目标检测率。     

基于改进Faster R-CNN的新能源电池炸点缺陷检测分析

在新能源电池的生产过程中,常常会因为焊缝工艺问题而造成电池炸点缺陷问题,传统的炸点检测主要依靠人工观察,效率低下且精度不高。为了提高新能源电池在焊缝过程中炸点缺陷的检测精度,针对原始带有炸点的电池横截面图像少的问题,首先对原始数据集中的图像进行炸点标注,并使用一系列图像变换、图像拼接等方法进行数据扩充,然后在原始Faster R-CNN目标检测模型的基础上,将ResNet101作为特征提取网络,使用CIoU损失策略计算RPN和预测框的定位损失,引入特征金字塔FPN结构,使得小目标炸点的上下文信息更加丰富,在残差块中加入CBAM注意力模块,让模型更加关注图像中的炸点部位,以进一步增强小目标炸点的检测性能。在真实数据集上的测试结果表明,改进后得到的Faster R-CNN目标检测模型适用于新能源电池炸点的检测,得到的最高AP为75.126%,相比较于Faster R-CNN模型提升了9.52%,并且模型对不同尺度的炸点的定位更加准确,模型的推理和检测速度也没有明显的下降,为电池炸点缺陷检测提供了有效的算法。     

基于Faster R-CNN模型的传送带药盒与空位检测方法

制药企业为了判断传送带药盒的拥堵情况,需要对传送带上的药盒和空位进行定位,但人工方式效率低下,实时性差。在此背景下,结合Faster R-CNN模型,提出传送带目标检测方法。基于传送带图像构建模型训练集和测试集,将训练集通过ZFNet卷积神经网络计算卷积特征,并利用RPN(Region Proposal Network)生成精准的候选区域,在此基础上基于Faster R-CNN模型在候选区域上进行分类和回归,计算得到药盒与空位矩形框。通过使用测试集测试模型进行目标标注并计算出概率,结果表明,本方法对传送带目标的检测准确率良好。     

基于DE-YOLO的室内人员检测方法

目标检测的一个重要应用场景是对室内流动人员的检测与定位,为了降低模型的冗余度和提高检测的精确度,因此本文提出一种基于DE-YOLO的室内人员检测方法.通过使用K-means算法对数据集进行聚类,并设计出这种DE-YOLO深度卷积神经网络结构.通过DE-YOLO网络结构中的密集型连接,实现模型大小的压缩和特征信息的复用,最后对提取到的特征进行目标检测.在VOC2012数据集上进行实验表明,新改进的深度卷积网络应用性能有较大的提升.     

融合注意力机制和空洞卷积的滑坡图像检测

滑坡区域图像检测与识别在灾害范围识别、灾情数据分析和防灾减灾中具有丰富的应用和研究价值。本文针对滑坡图像滑坡体形状纹理的多样性,以及滑坡目标区域检测识别效果不够理想的问题,提出一种注意力机制CBAM与空洞卷积结合的目标检测方法。在传统的目标检测算法Faster R-CNN的基础上,将注意力机制模型添加到卷积神经网络层,通过空间注意力与通道注意力结合的CBAM模型来进行滑坡图像特征的提取,增加空洞卷积模块来加大感受野区域,提高神经网络对遥感图像区域中的滑坡目标识别、尺寸不规范等特点的学习能力,从而进一步提升滑坡目标区域的检测精度。实验结果表明,在传统的目标检测算法的基础上采用两者结合的方式进行检测,可提升滑坡遥感图像上目标检测的召回率和精确率,具有一定的有效性和鲁棒性。     

基于融合FPN和Faster R-CNN的行人检测算法

针对多尺度行人检测的问题,本文提出一种基于融合特征金字塔网络（Feature pyramid networks,FPN）和Faster R-CNN(Faster region convolutional neural network)的行人检测算法。首先,对FPN和区域建议网络（Region proposal networks,RPN）进行融合;然后,对FPN和Fast R-CNN进行融合;最后,在Caltech数据集、KITTI数据集和ETC数据集上分别对融合FPN和Faster R-CNN的行人检测算法进行训练和测试。该算法在Caltech数据集、KITTI数据集和ETC数据集上的mAP (mean Average Precision)分别达到69.72%, 69.76%和89.74%。与Faster R-CNN相比,该算法不仅提高了行人检测精度,而且在多尺度行人检测的问题上也获得了较为满意的检测效果。     

基于Faster R-CNN的设备故障检测与识别

现阶段环境检测设备故障频发,需要自动判断该设备是否发生故障,虽然在设备机房中该设备没有触发设备报警装备,但是监测数据仍然超出了正常工作范围,导致检测数据出错.为了解决这一类设备故障问题,提出了基于Faster R-CNN的故障检测与识别的方法,通过对人工标注的图片数据进行卷积特征训练,得到了用于该场景下开关、指示灯、数字仪器三种设备的检测识别模型.实验表明,Faster R-CNN算法对不同拍摄角度、有遮挡物、不同光照条件下的这三种设备的故障检测都能得到理想的效果,也能基本达到实时监测的速率.     

改进YOLO V3的道路小目标检测

针对通用目标检测算法在检测小目标时存在效果不佳及漏检率较高等问题,提出了一种基于改进YOLO V3的道路小目标检测算法。对YOLO V3算法网络模型中的聚类算法进行优化,使用DBSCAN+K-Means聚类算法对训练数据集聚类分析,选取更合适的Anchor Box,以提高检测的平均精度和速度;同时引入Focal Loss损失函数代替原网络模型中的损失函数形成改进的YOLO V3算法。进而与其他目标检测算法在KITTI数据集上对行人目标进行对比检测,发现改进的YOLO V3算法能够有效降低小目标漏检率,大大提高检测的平均精度和检测速度。实验结果表明,在KITTI数据集上,改进的YOLO V3算法检测目标的平均精度达到92.43%,与未改进的YOLO V3算法相比提高了2.36%,且检测速度达到44.52?帧/s。     

面向深度学习目标检测模型训练不平衡研究

目标检测作为计算机视觉的任务之一已经成为研究热点问题.目前,基于深度学习的目标检测算法层出不穷,但大多数情况下学者只关心它们的模型架构,而忽视了其训练过程.目标检测网络在训练过程中会存在明显的不平衡问题,导致模型检测性能降低,不能达到预期的最佳效果.不平衡问题主要包括两个层次,分别是特征图层次和目标函数层次.为了能够充...     

基于SENet改进的Faster R-CNN行人检测模型

随着无人驾驶和智能驾驶技术的发展,计算机视觉对视频图像检测的实时性和准确性要求也越来越高.现有的行人检测方法在检测速度和检测精度两个方面难以权衡.针对此问题,提出一种改进的Faster R-CNN模型,在Faster R-CNN的主体特征提取网络模块中加入SE网络单元,进行道路行人检测.这种方法不仅能达到相对较高的准确率,用于视频检测时还能达到一个较好的检测速率,其综合表现比Faster R-CNN模型更好.在INRIA数据集和私有数据集上的实验表明,模型的mAP最好成绩能达到93.76%,最高检测速度达到了13.79 f/s.     

基于远程监控图像的绝缘子覆冰检测算法

提出一种基于远程监控图像的绝缘子覆冰情况检测算法。本文算法充分利用边缘检测方法和其他图像处理方法,对覆冰绝缘子侧面冰棱的边缘情况进行精确的检测。本文算法还引入了摄像头的标定参数,使其能更加准确地估计覆冰绝缘子侧面的冰棱长度。当摄像头因为外力或其他因素而产生角度偏移时,本文算法能及时地对摄像头标定参数做出修正,并利用新的标定参数重新估计绝缘子的覆冰情况。实验结果表明,本文算法对绝缘子侧面冰棱边缘检测效果显著,满足实时监控和预警报警的要求。