融合多层卷积特征的绝缘子目标检测

提出了一种基于多层卷积特征融合的Faster R-CNN绝缘子检测算法,首先对卷积神经网络中包含更多目标细节信息的浅层特征图与特征信息更加明显的深层特征图进行融合,提高算法对目标特征的提取能力;然后根据绝缘子的形状特点改进锚框的比例,减小锚框尺寸,提升对小尺度绝缘子的检测能力,并在训练过程中加入多尺度训练,降低不同尺度绝缘子对识别率的影响。结果表明,在检测速度基本不变的情况下,所提出的算法平均精度均值(mAP)可达93.6%,比原始算法Faster R-CNN高出6.8%,对多尺度绝缘子的识别性能更优。     

基于迁移学习的公路边坡滑塌识别研究

自动化拍摄代替人工进行边坡滑塌病害巡查是近年来的新趋势,本文提出基于迁移学习的边坡病害识别方法。首先采集3000余张边坡病害照片,并将样本量扩充了7倍后划分为70:30的训练集与验证集。然后基于预训练目标识别模型,更新模型目标推荐模块,建立了多个Faster R-CNN框架下的目标识别模型。然后结合模型误差随机梯度下降等训练策略,完成模型训练。分别以目标框内病害的判别概率大于90%、80%、70%作为识别依据,计算准确率、召回率,在验证集上验证模型效果。发现：降低目标识别框的类别概率阈值要求后,边坡病害的漏判率有明显下降,准确率降低。训练效果最好的Faster R-CNN ResNet-50 FPN模型以大于70%概率作为识别目标标准时,对验证集的漏判率低于4%。适当放松准确率要求,模型漏判率随之降低,对缺陷、异常的图像识别具有实用价值。     

基于Faster R-CNN的高分二号遥感影像特定目标识别

针对当前遥感影像特定目标识别效果较差的现状,基于深度学习网络对高分二号遥感影像特定目标进行准确识别。首先通过引入部分噪声增强样本数据建立样本库并在TensorFlow框架下配置Faster R-CNN网络学习目标特征建立可用于高分二号遥感影像特定目标识别的卷积网络。而后为判别深度学习网络的识别效果,选取遥感影像目标识别效果较好的约束能量最小化(constrained energy minimization,CEM)算法与之比较。最后在待识别遥感影像内生成房屋的包围框并标注识别房屋的置信度,得到总体房屋识别的置信度为95.61%以上。实验中CEM法房屋目标识别率为76.4%,而深度学习法可达到90.9%,深度学习法目标识别率比CEM法高14.5%。实验结果表明Faster R-CNN适用于高分二号遥感影像的特定目标识别,相较于CEM法识别率有明显提升。     

基于深度学习的绝缘子精确识别

针对大量高分辨率的无人机航拍影像中自爆绝缘子的检测问题,提出一种基于SSD检测网络改进的MFPSSD网络(Multidirectional Feature Pyramid Single Shot Detector,MFPSSD),实现绝缘子目标的精确识别.第一,利用K-means算法对训练数据进行聚类分析得到绝缘子数据集中的样本形状分布特征,然后设置默认框参数.第二,将多向特征金字塔结构引入SSD目标检测算法,实现低层网络与高层网络的多向连接,有效将底层信息与高层信息进行特征融合.实验结果表明,与SSD、Faster R-CNN等算法相比较,MFPSSD目标检测算法在检测速度和检测精度两方面性能更好.     

基于改进Faster R-CNN的二维图纸中建筑构件识别方法

自2010年以来,我国既有建筑占比不断扩大,而既有建筑普遍面临能源消耗大、CO_2排放量居高等问题。BIM作为数字化产物,包含运维管理中所需要的大量数据,可通过提高运维管理效率解决既有建筑当前的难题。然而,现存的老旧建筑缺少BIM,且手工重建BIM费时费力。再者,作为当前主流的重建技术,激光扫描和摄影测量因成本高和精度低而难以满足要求。因此,为了克服上述局限性,本文提出了基于二维图纸的建筑构件识别方法,通过改进的Faster R-CNN实现建筑构件信息自动提取,为后续BIM的自动重生成提供数据支持。具体地,采用ResNet-101代替传统的VGG-16作为特征提取网络,再通过改进初始锚框尺寸和非极大值抑制算法,使得改进后的Faster R-CNN更适用于建筑构件小目标识别。实验结果表明,改进后的Faster R-CNN在建筑构件的识别上具有出色表现,mAP达到93.8%。另外,通过基于Tesseract的OCR技术实现了对图纸中文本信息的识别和提取。     

基于FireNet的古建筑火灾检测方法研究及改进

针对古建筑火灾检测需要快速、准确及实时的需求,建立了一个专门用于古建筑火灾检测的数据集,用于古建筑火灾检测的深度学习研究。利用CBAM注意力机制模块,结合多尺度特征融合,对FireNet网络进行改进,提出适用于古建筑火灾检测的轻量级FireNet-AMF网络,在FireNet数据集和本文构建的古建筑火灾检测数据集上验证了FireNet-AMF网络的火灾检测能力。与改进前的网络相比,FireNet-AMF网络在FireNet数据集上对火灾识别的准确率达到了95.08%,与原网络相比提高了1.17%,在本文构建的古建筑火灾检测数据集上的准确率达到了95.62%,比原网络提高了1.62%。该网络在保证轻量级的同时也保证了在古建筑火灾检测中较高的检测精度。     

基于 KanBIM 和物联网的电力工程现场安全行为识别方法研究

针对电力施工现场的安全行为问题，研究了基于KanBIM 和物联网技术的电力工程现场安全行为识别方法。对传统Faster R-CNN 模型进行改进，提高其视频监控识别的准确率，通过增加模型锚点数量、改进损失函数和特征图像插值预测的方式，提高视频监管效果。实验证明，该算法在对于安全帽管理和不安全行为的识别方面，准确率和精度均大幅提高，优势明显，可用于电力施工现场的安全行为识别工作。     

基于Faster R-CNN的交通标志检测方法

文章提出了一种基于Faster R-CNN的交通标志检测方法。首先,通过采集公路两侧交通标志的图像建立数据集;其次,使用预训练的VGG16对Faster R-CNN模型的相应参数进行初始化;最后,对Faster R-CNN模型进行训练。实验表明,其mAP可达81.21%,可以满足实际需求。     

基于CAE的模型智能处理系统设计研究

针对CAE仿真技术发展缓慢等问题,以《基于HyperMesh的工程爆破前处理插件》专利为支撑,为高校、企业从事土建、桥梁、机械等专业方面工程、科研工作者提供一款智慧的有限元模型前处理工具。CAE有限元的开发利用Faster R-CNN网络模型搜索识别各体系间位置关系,构件类别,判别体系间需要的连接类型,拾取操作节点与构件。Faster R-CNN网络模型在模型的设计上将目标微调、备选区域的选取、有关特点的提取,相互归纳总结,大大提高了整体的综合功能性。将仿真技术与网络技术相结合,由真实模型和计算机仿真系统综合仿真系统组成仿真环境,用计算机网络把研发者用户联系在一起,让用户在仿真环境中提前“使用”正在研制的产品,让研制者能提前了解使用,双方共同研究,及时发现和解决问题。     

融合注意力机制的轻量级火灾检测模型

基于视觉信息的火灾检测对消防工作具有重要意义,但现阶段相关研究提出的方法大多是基于高性能的硬件设备开展,这限制了相关成果的实际应用。在YOLOv5目标检测算法基础上使用ShuffleNetv2网络为主干构造轻量化模型,并引入SIoU损失函数提高模型目标框的定位精度,同时在模型中添加Shuffle Attention注意力机制,提高在复杂环境下对目标火焰的识别精度。试验证明,与YOLOv5原模型相比,改进后的模型在实现更好识别效果的同时,参数量减少了54.2%,检测速度提升了40.5%。将模型部署嵌入式设备验证其应用效率,结果显示,模型在实现32帧/s检测速度的同时维持了较好的识别效果。