基于改进CNN的苹果缺陷检测方法研究

目的:解决现有苹果缺陷检测方法存在的精度低、效率差等问题。方法:基于水果图像采集系统,提出一种改进的卷积神经网络用于苹果表面缺陷检测;引入深度可分离卷积代换原网络标准卷积,提高特征提取速度;引入Leaky ReLU激活函数代替ReLU激活函数,提高计算效率和精度;引入全局平均池化替换全连接层,降低网络模型的计算量;并在每层卷积后加入批量归一化层,通过试验与常规方法进行对比分析,验证其优越性。结果:与常规方法相比,所提方法在苹果缺陷检测中具有较高的检测准确率和速度,且模型参数量少,准确率达99.60%,检测速度(每秒帧数)达526,模型参数量为389 072。结论:该苹果缺陷检测方法能有效降低模型参数和检测时间,具有较高的准确率和速度。     

车辆实例分割算法研究

Mask R-CNN在目标检测中具有很大的优势,算法使用深度神经网络对目标进行提取特征,具有较高的检测准确度。但是如果直接使用Mask R-CNN检测车辆会存在远场景小目标车辆检测漏检的问题。针对这个问题文章在特征提取时使用ResNeXt-101-FPN网络代替Resnet残差特征金字塔网络,提高准确率的同时减少计算量。     

基于改进YOLOv5的织物缺陷检测

鉴于织物表面纹理复杂导致织物缺陷检测准确率低以及小目标检测困难等问题,提出一种基于改进YOLOv5的织物缺陷检测算法。首先,在YOLOv5的骨干网络上,增加CBAM注意力机制,从而强化有用的特征信息弱化无用的特征信息;其次,将Neck层的路径聚合网络(PANet)用加权双向特征金字塔网络(Bi-FPN)替换,从而更好地平衡多尺度特征信息,提高小目标检测的特征能力。最后,通过改进损失函数,使用Focal EIOU Loss损失函数来代替CIOU Loss损失函数,不仅使得收敛速度更快,而且可以有效的解决难易样本不平衡问题。实践证明：改进后的训练模型平均精度均值mAP值为84.5%,比未改进增加了4.7%,可满足实际生产中的织物缺陷检测要求。     

基于bReLU激活函数改进的滚动轴承故障CNN-LSTM模型

针对基于修正线性单元(ReLU)的滚动轴承故障诊断方法导致分类不准确的问题,本文提出了一种基于bReLU激活函数改进的卷积神经网络(CNN)和长短时记忆神经网络(LSTM)的滚动轴承故障模型。该网络模型首先在CNN网络使用bReLU激活函数完成自适应特征提取,并在卷积层和激活函数之间加入批量标准化层(BN),最后叠加LSTM网络对时序特征进行学习。该模型在凯斯西储大学的故障数据集的准确率可以达到99%以上,较于其它类型的CNN-LSTM故障模型准确率更高,训练时长减少66.7%。实验表明所提出的模型更加适用于工业设备轴承的故障诊断。     

一种基于卷积神经网络的烟叶等级识别方法

目的:解决烟叶分级准确率不高的问题.方法:提出一种改进的基于卷积神经网络的烟叶分级模型,根据VGG16网络结构,以 自定义的方式搭建网络模型;将空洞卷积代替原有的传统卷积,增加图像感受野的同时避免了图像特征的损失,并将激活函数改为Leaky_relu,修正数据的分布,解决ReLU函数的硬饱和问题;用41种等级的烟叶图片...     

基于改进级联R-CNN的面料疵点检测方法

由于布匹疵点种类分布不均,部分疵点具有极端的宽高比,而且小目标较多,导致检测难度大,因此提出一种改进级联R-CNN的布匹疵点检测方法.针对小目标问题,在R-CNN部分采用在线难例挖掘,加强对小目标的训练;针对布匹疵点极端的长宽比,在特征提取网络中采用了可变形卷积v2来代替传统的正方形卷积,并结合布匹特征重新设计边界框比...     

改进YOLOv7的纸张表面缺陷检测研究

提出一种改进YOLOv7的纸张表面缺陷一步式检测算法。首先将注意力机制模块CBAM融合到主干和特征提取网络结构,从空间和通道2个维度提取信息,提升小目标纸病特征提取准确性和算法稳定性;将ASPP空洞卷积加入主干网络SPP中,ASPP可以进一步扩大感受野,使较小目标的特征信息在网络传递时得到保留,解决了小目标信息量不足的问题,进而提高小目标纸病识别的性能。通过自制纸病数据集检测实验,与YOLOv7相比,精确率、召回率及平均精确率均值mAP 0.5分别提升了1.5、2.3和2.1个百分点。     

基于近红外光谱和BYOL对比学习的烟叶部位识别方法

【背景和目的】烟叶部位识别对卷烟制品的配方设计与质量监控具有重要意义。利用近红外光谱（NIR）分析可以实现烟叶部位的快速、无损在线识别。针对烟叶光谱特征提取困难问题，利用具有强特征提取的BYOL模型，提出NIR-BYOL烟叶部位识别方法。【方法】通过微分光谱融合实现数据增强，利用卷积自编码器和多层感知器实现BYOL的在线网络和目标网络，以在线网络和目标网络输出的均方误差为损失函数，通过损失最小优化的编码值，提取的特征经SVM分类识别烟叶部位信息。实验比较分析了不同数据增强方式、卷积核大小和激活函数对模型的影响。【结果】一阶微分融合和二阶微分融合的组合是最佳数据增强方法，对比学习模型最佳参数为卷积核11*1，激活函数为ELU。模型对部位的平均识别率达到91.79%。相比SVM、PCA+SVM和PLS-DA方法，NIR-BYOL模型的准确率有显著提升，分别提升了13.12%、15.79%、16.79%。【结论】近红外光谱分析技术结合对比学习模型可以有效分类识别烟叶的部位信息。     

基于改进Yolo v5的织物缺陷检测方法

针对纺织品表面缺陷检测算法速度低、泛化性能差及鲁棒性弱等问题,课题组提出了一种基于改进Yolo v5的织物表面缺陷检测方法。在Yolo v5骨干网络的基础上增加了卷积注意力模块,增强目标检测网络对特征图中重要信息提取并弱化无关特征;针对网络特征融合阶段特征尺度不一致造成的冲突问题,引入自适应空间特征融合的方法;在训练过程中使用迁移学习加快训练速度。实验结果表明：与未改进的Yolo v5算法相比,所提出的检测框架能够有效提高网络精度达98.8%,检测速度达83帧/s。该检测方法能满足实际工业要求。     

基于YOLO-FFD的水果品种和新鲜度识别方法

目的：改善现有水果识别与分级方法依赖于人工操作和复杂设备的情况。方法：提出了一种轻量化模型YOLO-FFD（YOLO with fruit and freshen detection），该模型以YOLOv5框架为基础，基于深度可分离卷积和GELU激活函数设计轻量化模块LightweightC3作为主干特征提取网络的基本单元，减少模型参数量和计算量，加快模型的收敛速度；使用大内核深度可分离卷积模块EnhancedC3改进原模型的颈部，抑制信息丢失并增强模型的特征融合能力，提高模型的检测精度；采用GSConv代替特征融合网络中的普通卷积，使模型进一步轻量化。结果：提出模型的平均精度均值达到了96.12%，在RTX 3090上速度为172帧/s，在嵌入式设备Jetson TX2上速度为20帧/s。相比于原始YOLOv5模型，平均精度均值提高了2.21%，计算量减少了26%，在RTX 3090和Jetson TX2上的速度分别提高了2倍和1倍。结论：YOLO-FFD模型能够满足识别水果品种和新鲜度的需求，且在复杂场景下错检、漏检情况均有改善。     

基于YOLOv5n的轻量级织物疵点检测算法

针对轻量级模型在检测织物疵点时精确率低的问题,在YOLOv5n的基础上提出一种上下文增强与混合感受野的织物疵点检测算法。首先,为主干网络设计了一种轻量扩张卷积空间金字塔模块,并将主干网络的下采样比增加至64,在增强上下文信息的同时提取更深层的语义信息,提高模型识别性能;其次,为颈部网络设计了一种混合感受野融合模块代替原C3模块并进行特征融合,提高极端长宽比目标的检测精度。实验表明：该算法在基于天池织物数据集上的IOU阈值为0.5时的平均精度均值mAP₅₀、精确率、召回率分别达到了93.1%、91.6%、89.1%,相较于原YOLOv5n算法分别提高了4.9%、7.3%、5.0%,且模型文件大小仅6.28 MB,更适用于织物疵点检测领域。     

铝制型材表面缺陷检测算法的研究

目前针对铝制型材的表面缺陷检测手段主要是人工检测,存在主观性强、检测效率低等问题。为了提高铝制型材的表面缺陷检测效率以及准确率,提出了一种新的检测算法Yolov5-GCE,该算法融合Yolov5算法、CBAM卷积注意力模块和GhosttNet模块,使用了改进后的EIoU损失函数,提高了算法精度。以天池竞赛的铝制型材表面缺陷数据集为验证数据通过与改进前算法做对比,结果显示该算法的平均精度提高了3.8%,表明本文算法具有更好的检测能力。     

基于空洞卷积神经网络的艺术图像风格重建算法

针对普通卷积神经网络提取图像特征能力表现欠佳的问题,提出一种利用空洞卷积神经网络对艺术图像和照片做融合重建的算法。通过设计不同融合程度的损失函数实现对艺术图像纹理信息和照片中内容表现的特征提取,利用随机梯度下降算法对整体的损失函数做迭代改进,实现艺术图像风格和内容的融合重建。实验结果表明,文中方法相比于使用普通卷积神经网络融合特征的方法具有更高的可靠性和更优秀的表现。     

基于YOLOv5的烤烟烟叶散把程度检测算法研究

为解决烤烟烟叶散把过程中因散把不均匀导致烟叶重叠等问题,提出了一种基于YOLOv5目标检测算法的烟叶散把程度检测方法。通过对原始图像进行预处理构建烟叶散把图像数据集,在原始YOLOv5模型主干网络加入Ghost模块生成冗余特征图,在瓶颈层加入ACIN模块加强网络特征融合,同时利用烟叶松散度来评价散把程度。分别利用改进前后YOLOv5模型进行测试,结果表明:与原始模型相比,改进后YOLOv5模型在未明显增加计算量的前提下,网络参数量减少12.8%,模型大小减小12.4%,平均精确率提升0.2百分点;改进后模型与YOLOv4、Efficientdet-d0、Faster R-CNN等目标检测模型相比,平均精确率、检测速度均为最优且参数量较少。该技术可为提高烤烟烟叶分选速度和精度提供支持。      

基于改进Faster R-CNN模型的水果分类识别

目的：提高水果类别识别准确率。方法：基于改进Faster R-CNN模型建立水果识别方法。使用正则化方法对高维参数进行权重衰减,以有效解决训练过程中可能出现的过拟合问题;在Faster R-CNN框架中添加两个损失函数：一个似然函数和一个正则化函数,以优化卷积层和池化层;以最小二乘法求解水果识别的目标函数;利用准确率、回召率、精度和F1分数对训练好的水果识别方法进行水果识别效果评估。结果：所提出的方法对水果识别的准确率、精度和回召率达到99.69%,0.996 8,0.994 8;与其他8种水果识别方法相比,所提出方法对水果识别的准确率、精度和回召率至少提高了0.91%,1.32%,0.51%。结论：该方法可准确识别水果种类。     

基于卷积神经网络的道路监控系统下车辆颜色识别

针对卷积神经网络训练时收敛速度慢且参数数量较多的问题,文章在激活函数之前使用批归一化对每一个小批量数据进行处理,并使用1x1的卷积层和全局平均池化层代替全连接层,提出了一种基于卷积神经网络的车辆颜色识别方法。该方法是专门为识别任务而设计的,它包含八层,分别是五个卷积层,两个1x1的卷积层和一个全局平均池化层。实验结果表明,文章在训练集上的识别精度为99.6%,在测试集上的识别精度为94.8%,与现存最优的实验结果相比,识别精度提高了0.33%,且参数量仅占其14.5%。     

基于改进YOLOv5的织物瑕疵检测方法

针对织物瑕疵中部分瑕疵目标小、长宽比极端等问题,提出一种基于改进YOLOv5的织物瑕疵检测方法。该方法在YOLOv5模型基础上引入自注意力机制CoTNet网络,并将颈部网络中的PAFPN网络优化为BiFPN网络,同时将目标损失函数改进为CIoU损失函数,加强模型对邻近键以及上下文之间特征信息的收集,在增强模型对小目标和尺寸变化大类型瑕疵检测能力的同时可获得更准确的边界框回归,加快收敛速度。实验证明,本文改进的模型在织物瑕疵检测数据集上的检测效果和YOLOv5模型相比平均精度均值提升了6.8%,准确率提升了6.7%,模型验证有效。     

基于改进Faster RCNN的化纤丝缺陷检测

为提高化纤丝生产加工中出现的断线和疵点类缺陷的检测精度，对Faster RCNN算法进行改进。首先，在主干特征提取网络上加入可变形卷积模型，以提高网络对不同缺陷特征的适应性；其次，采用递归特征金字塔(Recursive Feature Pyramid, RFP)结构替换原特征金字塔网络(Feature Pyramid Network, FPN),进行二次特征提取；最后，改进损失函数，采用Rank&Sort Loss(RS Loss)函数替代原分类损失函数，解决化纤丝2类缺陷样本量相差较大问题。对比实验后得出，改进后的方法训练得到的mAP值为84.7%,较初始模型提高了4.3%,可以满足实际生产加工中对化纤丝缺陷的智能检测要求。     

基于改进Faster R-CNN的食品包装缺陷检测

目的：对纸质包装盒缺陷进行准确的识别与定位。方法：应用改进Faster R-CNN的网络模型自动对包装盒缺陷进行检测。对训练集图片进行数据增强并添加噪声，提升模型的训练精度和鲁棒性；将特征提取网络替换为ResNet50，并融合特征金字塔网络（FPN），提高模型多尺度检测的能力；使用K-means++对数据集中缺陷尺度进行聚类，优化锚框方案。结果：改进后的Faster R-CNN模型在测试集上的平均准确率（AP）达到93.9%，检测速度达到8.65帧/s。结论：应用改进的Faster R-CNN模型能够有效检测出包装盒缺陷并定位，可应用于包装盒缺陷的自动检测与分拣。     

基于深度学习的粮库测控技术的研究进展

粮库,负责国家及地方粮食储备,粮库测控技术发展与储粮安全息息相关。基于Faster R-CNN、YOlO、SSD、CNN、BRNN、双向LSTM、深度自编码器及各种优化、级联、融合等网络,阐述了深度学习在车辆检测、车牌识别、车型识别及车辆跟踪中的应用;结合BP、改进CNN、multi-CNN、双流卷积等网络,阐述了深度学习在人员识别、行为识别中的应用;依据R-FCN、Faster R-CNN、YOLO、GANPSO-BP、改进LSTM网络等技术,阐述了深度学习在粮库烟火识别、粮虫识别、粮堆温度预测、粮食籽粒计数、粮库图像去雾的研究进展。总结各种传统算法的优缺点,阐述深度学习在新一代粮库测控技术的研究进展及其优缺点,并做出展望。