基于融合注意力的多尺度芯片缺陷检测算法

芯片的表面缺陷检测在半导体制造中具有重要意义,针对目前芯片表面缺陷面积小,缺陷外形多变,缺陷尺寸跨度大的情况,提出一种基于YOLOv5改进的芯片表面缺陷检测算法,首先基于ConvNext网络改进特征提取模块,提升网络稳定性和特征表达能力,同时提出增强卷积注意力模块(ehanced convolutional block attention module,E_CBAM),将更详细的位置信息嵌入到卷积注意力(convolutional block attention module,CBAM)之中,提升整个网络对于小面积及边缘缺陷的检测能力,而针对芯片缺陷多变尺寸跨度大的问题,研究引入了可变形卷积和双向特征金字塔网络(bi-directional feature pyramid net-work,BiFPN),一方面可变形卷积对于外形不规则的卷积有更好的提取能力,另一方面Neck部分的BiFPN在简化结构的同时保证了多尺度融合的准确性.经过实验表明,改进后的网络在芯片表面缺陷数据集(chip defect dataset,CDD)上,平均精度均值(mAP)mAP@0.5指标达到95.3%,相较于原始的YOLOv5s网络提升了3.1%,在没有过多增加网络参数的情况下,对芯片表面缺陷的精度更高,鲁棒性更强.     

融合多尺度特征的轻量级航拍目标检测算法

针对无人机航拍图像中目标尺寸变化大、相互遮挡等原因导致的目标误检漏检问题,以YOLOv8s为基础,提出了一种融合多尺度特征的轻量级目标检测算法.在主干网络中利用轻量级多尺度卷积EMSC替换C2f模块中的Bottleneck,增强多尺度特征表达能力;颈部网络中引入轻量级上采样算子Dysample,捕捉图像细微特征;优化Task Aligned Assigner超参数,解决训练过程中样本不平衡问题.最后,设计系统可视化界面,借助可视化界面完成对航拍目标的检测.在数据集VisDrone2019上的仿真表明,该算法精准率和召回率较基准算法分别提升了 2.4％和3.3％,mAP0.5提升了 3.5％,有效提高了航拍目标检测效果.在UAVDT数据集上进行模型泛化性实验验证,效果优于其他经典算法.     

基于多尺度手动和学习结合的角点检测

为了提取图像特征多方向的灰度强度变化,使检测结果更具鲁棒性,提出了一种基于各向异性高斯方向导数滤波器与学习结合的多尺度角点检测算法。该算法首先通过下采样构建3层图像金字塔,其中每层利用各向异性高斯方向导数滤波器获取每个像素点在8个方向的灰度强度变化;其次与图像进行卷积得到幅度响应;然后再输入卷积神经网络进一步学习;最后通过1×1的卷积输出角点响应。将实验结果与现有的基于深度学习的算法进行比较,提出的算法在重复性、平均精度、定位误差上都取得了较好的结果。     

基于多域特征的螺栓松动检测方法研究

螺栓作为机械设备最常用的连接件,螺栓连接的稳定性对保障机械设备安全运行起着至关重要的作用,对螺栓松动程度进行检测有着重要意义.针对螺栓松动4种不同状态,提出了一种基于变分模态分解(VMD)及时频敏感特征与最小二乘支持向量机(LSSVM)相结合的螺栓松动检测方法.针对螺栓松动的4种不同状态,搭建了螺栓松动检测模拟实验平台...     

基于多尺度注意力特征融合的恶意URL检测研究

针对当前恶意URL检测模型在处理复杂结构和多样化字符组合的URL时,存在特征提取单一和检测精度不高的问题,提出了一种基于多尺度注意力特征融合的恶意 URL检测模型.首先,采用Character Embeddings和DistilBERT方法分别对字符和单词进行编码,以捕获URL字符串中字符级和词级特征表示.其次,通过改进卷积神经网络(CNN)提取不同尺度的字符结构特征和词级语义特征,并结合双向长短期记忆网络(BiLSTM)进一步提取深层次序列特征.此外,为了实现字符级与词级多尺度特征的动态融合,创新性地引入注意力特征融合模块(AFF),有效降低信息冗余并提升对长距离序列特征的提取能力.实验结果表明,所提模型与其他基准模型相比,准确率提升了0.32%～4.7%,F1分数提升了0.46%～5.5%,并在ISCX-URL2016等数据集上也达到了较好的测效果.     

面向无人机监控的动态多尺度目标检测模型的研究与实现

在无人机侦察、安防监控以及自动驾驶等领域中,目标检测技术面临巨大的挑战,图像中的目标往往具有多尺度属性,尤其是小尺寸目标检测难,以及目标很容易受到不同程度的遮挡.针对这些亟待解决的问题,本文提出了一种创新的动态多尺度目标检测模型:YOLO-DDE.首先,本文了提出了CEMA和CED卷积模块,增强了骨干网络对多尺度信息的处理能力精细特征提取能力,从而实现在复杂场景下更加精确的识别效果.此外,本文通过对FPAN网络结构进行创新性重构,提出了DFPN结构,此结构采用纵向跨尺度融合技术,显著提升了模型的尺度特征融合效果.最后,引入了动态检测头,提出了DD-Head结构,强化了模型对下游任务处理的能力.综上所述,本文提出的YOLO-DDE模型以其动态多尺度结构,为目标检测技术的性能提升提供了新的可能性.本文在PASCAL VOC数据集上进行了消融实验和对比试验,与当前主流先进模型YOLOv8相比,本文模型YOLO-DDE在评价指标map50和map50-95上分别提升了1.8％和3.2％,并且本文还在VisDrone、HIT-UAV、FAIR1M2.0数据集上进行了泛化性实验,验证了模型具有很强的泛化能力.     

多尺度残差网络模型的研究及其应用

针对传统的卷积神经网络不能充分利用图像的多尺度信息,以及网络层数的增加导致优化参数增加的问题。提出多尺度残差网络模型通过多尺度跨通道的卷积融合提高图像的特征表征能力;然后把大的卷积核分解成小的非对称卷积核降低网络的参数计算;接着利用残差网络原理来降低深层网络的梯度消失问题;最后将提出的多尺度卷积模块嵌入到Lenet网络中。在Mnist数据集上的测试结果证明分类准确率比原始Lenet网络提高了0. 24%,在LFW数据集上的测试结果表明分类准确率优于Deep Face、Web Face等传统算法。     

基于改进卷积神经网络的火灾实时检测方法

针对火灾检测时间长,影响最佳抢救时间的问题,设计了基于改进 CNN的火灾实时检测方法.提取火灾图像数据,充分分析火势与烟势;基于改进CNN构建火灾检测模型,缩短检测时间,提高火灾检测精准度,进而实现火灾高效检测.采用对比实验的方式,验证该方法的检测时间较短,可符合实时性需求,极具推广价值.     

多尺度卷积神经网络的图像边缘检测

在受图像拍摄条件、图像内容自身复杂性、图像内容与背景接近程度等多种因素的影响,图像的边缘线检测容易发生漏检、误检。因模型自身设计缺陷或训练样本中边缘像素点与非边缘像素点的不平衡原因,多数算法的图像边缘检测结果普遍存在线条粗、质量较低的问题。提出一种多尺度卷积神经网络模型,由三个分别接受一幅图像的不同尺度输入的子网络结构组成,分别在不同尺度视觉下学习图像的边缘知识。然后按尺度从粗到细对各尺度提取的知识特征进行融合,实现边缘轮廓检测。模型充分利用多尺度技术在图像处理领域的优势,同时引入了自注意力机制以提升卷积特征内部关联性的捕获能力。本文提出了一个新的损失函数,由交叉熵损失函数和L1范数组成,避免训练样本非均衡性对训练模型的影响。使用指标ODS、OIS、AP度量图像边缘检测的质量。在BIPED数据集上测试,三个指标的得分分别为0.845,0.856,0.886。在BSDS500数据集上测试,算法在F-measure指标上得分为0.826。实验结果表明,与其它学习型的算法相比,算法输出图像边缘结果漏检率更低、且质量更高。     

基于特征融合的自适应多尺度无锚框目标检测算法

为了提高 CenterNet 无锚框目标检测网络的目标检测能力,提出一种基于注意力特征融合和多尺度特征提取网络的改进 CenterNet 目标检测网络。 首先,为了提升网络对多尺度目标的表达能力,设计了自适应多尺度特征提取网络,利用空洞卷积对特征图进行重采样获取多尺度特征信息,并在空间维度上进行融合;其次,为了更好地融合语义和尺度不一致的特征,提出了一种基于通道局部注意力的特征融合模块,自适应地学习浅层特征和深层特征之间的融合权重,保留不同感受域的关键特征信息。 最后,通过在 VOC 2007 测试集上对本文算法进行验证,实验结果表明,最终算法的检测精度达到 80. 94%,相较于基线算法CenterNet 提升了 3. 82%,有效提升了无锚框目标检测算法的最终性能     

基于深度学习的天然气钢制管道缺陷检测方法研究

在天然气钢质管道腐蚀缺陷超声检测中,常规模式识别采用人工提取回波信号的方法,存在主观性强、普适性低的问题。 基于此,本文提出用一维卷积神经网络(one-dimensional convolutional neural network,1D-CNN)提取回波信号的特征结合随机森林(random forest RF) 分类的方法。 首先根据实验获取的回波信号的噪声情况,用小波包变换(wavelet packet transformWPT)对信号进行去噪;并用变分模态分解( variational model decomposition VMD)对去噪后的信号进行分解和重构以获得平滑的信号;最后将处理好的回波信号进行 1D-CNN 网络特征提取和随机森林分类。 实验结果表明,基于 VMD-1D-CNN-RF 的天然气钢质管道缺陷检测方法针对人造缺陷的识别准确率为 85. 71%,针对天然气站场的管道缺陷识别准确率为 71. 05%,表明无需专家识别也可初步判别管道状况。     

结合语义信息的行人检测方法

随着卷积神经网络(CNN)的提出,行人检测方法的正确率已经得到了很大提升,尽管CNN模型可以学习到目标的不同变化,然而自动驾驶场景下的行人检测依然面临着巨大挑战,主要表现为广泛的尺度变化、光照变化以及不同程度的遮挡。在已有CNN网络的基础上,提出一种更为鲁棒的行人检测方法,其主要思想是在原有检测器的基础上利用像素级的语义信息作为额外的监督来训练CNN。该算法首先提取CNN不同尺度的特征图,在这些特征图上铺设不同大小的目标候选框,添加一层卷积层对这些目标候选框进行分类和回归,同时利用这些特征图生成语义分割图,最终分为两路分别监督目标检测结果和语义分割结果。在最新的行人检测数据集City Persons上的结果表明,结合语义信息可以提升算法的检测成功率,并且不增加算法耗时,在数据集中1 024×2 048 pixels的图像上平均检测耗时仅为0. 3 s一张图像。     

基于深度学习的目标检测算法综述

传统的目标检测算法及策略已经难以满足目标检测中数据处理的效率、性能、速度和智能化等各个方面要求.深度学习通过对大脑认知能力的研究和模仿以实现对数据特征的分析处理,具有强大的视觉目标检测能力,成为了当前目标检测的主流算法.首先回顾了传统目标检测的发展以及存在的问题;其次介绍以R-CNN为代表的结合region proposal和卷积神经网络(CNN)分类的目标检测框架(R-CNN、SPP-NET、Fast R-CNN、Faster R-CNN);然后介绍以YOLO算法为代表的将目标检测转换为回归问题的目标检测框架(YOLO、SSD);最后对深度学习的目标检测算法存在的问题做出总结,以及未来的发展方向.     

汽轮发电机转子导电螺钉装配结构改造及相应工艺措施的改进

本文主要论述了有关汽轮发电机转子导电螺钉装配结构的改造及相应工艺措施的改进.     

基于Cascade R-CNN算法的输电线路小目标缺陷检测方法

输电线路无人机航拍图像缺陷识别是维护线路安全运行的重要巡检手段,但目前的识别算法对于销钉、螺母等小目标缺陷存在识别精确度低、易漏判等问题。将Cascade R-CNN算法应用于输电线路缺陷检测中,利用ResNet101网络进行特性提取,增强的网络的特征提取能力,并利用多层级联检测器对输电线路小目标进行判别和分类。基于无人机航拍图像数据集进行实验,实验结果表明,相比于Yolov3检测器和Lighthead R-CNN检测器,Cascade R-CNN算法提高了小目标缺陷检测中的召回率和精确度。     

沉头式汽轮机组联轴器螺栓的改进

通过对汽轮机沉头式螺栓结构的分析。提出了一种改进方法。并对改进前后的数据进行对比，说明了这种方法的可行性。     

SDN中基于机器学习的DDoS攻击协同防御

现在电力系统业务越来越多,传统的网络架构缺乏全局观、控制能力不强.软件定义网络(SDN)是一种新兴的网络架构,将SDN运用到电力系统中去,可以改变以往电力通信网的静态化格局,实现真正意义上的智能电网.然而,SDN这种体系结构容易受到分布式拒绝服务(DDoS)的威胁.采用卷积神经网络和SVM支持向量机相结合的方法来检测攻...     

基于改进SSD 的青瓜检测算法

针对复杂近色背景下青瓜目标识别率低、定位效果不佳等问题,提出一种基于SSD 的循环融合特征增强(CFFE-SSD) 目标检测模型。首先,对 SSD 的前4个有效特征层进行循环特征融合,使低层特征层和高层特征层的信息得到有效利用;其 次,针对青瓜目标的特殊长宽比以及重叠现象,使用K-means算法改进先验框的默认尺寸以及长宽比,提出以DIoU-NMS替 换普通NMS; 最后,将ECA 注意力机制引入循环特征融合模块,增强网络特征提取能力。实验结果表明,改进CFFE-SSD 模 型 AP@0.5 达到了96.63%,提升了4.61%;AP@0.75 达到了89.02%,提升了7.14%,检测速度达到144 fps, 边框回归精 度更高,能有效满足青瓜自动采摘的需求。     

基于R-FCN模型的深海生物识别技术

针对深海生物识别问题采用基于区域的全卷积网络(R-FCN)模型对海洋生物进行识别,以实现潜水器水下视频信息识别的目的。为了提升模型的训练速度,对潜水器的视频数据进行裁剪和转换,利用数据筛选去除噪声图像来提高模型的准确性,最后采用模型的预学习来提高模型的训练质量。该技术在TensorFlow框架上使用基于R-FCN的识别模型对海参、海胆等深海生物进行识别,平均检测准确率在98%以上,达到了预期的识别效果。     

基于KPCA和TCN-Attention的滚动轴承退化趋势预测

为准确地对滚动轴承退化趋势进行预测,提出了KPCA和TCN-attention的组合预测方法。首先,利用KPCA对轴承的高维特征集进行非线性特征提取,并将第一主成分作为轴承的性能退化指标,对第一主成分进行归一化和平滑预处理;然后,在时间卷积网络TCN中加入注意力机制来赋予隐藏层中关键特征的权重系数,找出TCN提取每个时间步的局部特征中贡献最大的部分,进而筛选出关键信息;最后,利用辛辛那提IMS轴承外圈和内圈的全生命周期数据对所提方法的可行性进行了验证,实验结果表明,与未加注意力机制的TCN和GRU、LSTM对比,所提方法的外圈RMSE和MAE预测指标分别降低至0.00299和0.00217,内圈RMSE和MAE预测指标分别降低至0.03401和0.02490,具有更高地预测准确性。