基于改进的Faster R-CNN的古建筑地砖缺陷检测

缺陷检测对于古建筑的保护和修缮具有重要的意义,传统的地砖缺陷检测通过目视检查,存在受人力影响大、耗时长等限制.基于深度学习的良好应用前景,建立故宫地砖缺陷的数据集,提出改进型Faster R-CNN的网络.首先,构建可变形卷积,通过网络学习并提取地砖中的缺陷特征;然后,将特征图输入区域生成网络中生成候选区域框,将生成的...     

基于改进Faster R-CNN的低剂量CT图像肺结节检测

肺癌是发病率和死亡率居首位的恶性肿瘤。早诊断、早治疗能够有效降低肺癌死亡率。肺癌的早期症状是以肺结节形式表现的,因此对肺结节进行有效筛查对肺癌诊断意义重大。提出一种嵌入SENet和二阶响应变换的改进Faster R-CNN目标检测算法,有效地提高了肺结节的检测精度。为了提取到更有效的卷积特征,首次将通道注意力机制和二阶响应变换机制进行融合,嵌入到残差网络中。在训练开始前,通过K-means聚类算法修改锚框尺寸,降低损失,加快收敛。实验结果表明,嵌入SES模块的改进Faster R-CNN算法能有效地提高肺结节的检测精度。     

基于改进Faster R-CNN的嘴部检测方法

在通过嘴部进行人机交互的场景下,外界光线变化、小目标检测的复杂性、检测方法的不通用性等因素给不同场景下嘴部的识别带来了很大困难.该文以不同场景下的人脸图像为数据源,提出了一种基于改进Faster R-CNN的人脸嘴部识别算法.该方法在Faster R-CNN框架中结合多尺度特征图进行检测,首先将同一卷积块不同卷积层输出的特征图结合,然后对不同的卷积块按元素进行求和操作,在输出的特征图上进行上采样得到高分辨率的表达能力更强的特征,从而提高了嘴部这种小目标的检测性能.在网络训练试验中运用多尺度训练和增加锚点数量增强网络检测不同尺寸目标的鲁棒性.实验表明,相比于原始的Faster R-CNN,对嘴部的检测准确率提高了8%,对环境的适应性更强.     

基于改进Faster R-CNN的小尺度行人检测

为提高小尺度行人检测的准确性,提出一种基于改进Faster R-CNN的目标检测方法.通过引入基于双线性插值的对齐池化层,避免感兴趣区域池化过程中两次量化操作导致的位置偏差,同时设计基于级联的多层特征融合策略,将具有丰富细节信息的浅层特征图和具有抽象语义信息的深层特征图进行通道叠加,从而解决小尺度行人在深层特征图中特征...     

基于改进Faster R-CNN的轮胎缺陷检测方法

轮胎生产过程中出现的胎侧异物、胎冠异物、气泡、胎冠开根以及胎侧开根等缺陷会影响轮胎出厂后的使用,所以出厂使用前需要对每条轮胎进行无损检测.为了实现在工业中对于轮胎缺陷进行自动检测,提出了一种基于改进Faster R-CNN的轮胎缺陷自动检测方法.首先,在预处理阶段,用直方图均衡化方法对轮胎图象的灰度进行拉伸,提高数据集...     

基于改进Faster R-CNN的肺结核病原体检测

本文提出一种基于Faster R-CNN的肺结核病原体检测方法, 以更高的准确率和更低的漏检率检测肺结核. 首先, 通过Mosaic数据增强方法对数据集进行扩充, 提高模型泛化能力, 同时引入K-means聚类算法, 对所用数据集重新聚类来生成对的锚点初始候选框大小. 其次, 将Faster R-CNN中的原始特征提取网络替换为Res2Net, 并将其卷积核全部替换为空洞卷积, 在与原卷积相比参数量不变的情况下, 增大了感受野. 再者, 引入改进后的GC-FPN模块, 使模型在轻量化的同时更好的关注小目标信息. 最后, 引入ROI Align, 解决候选框和初始回归位置存在偏差的问题. 实验结果表明, 在公开数据集上, 改进的Faster R-CNN模型与原本的Faster R-CNN算法相比, 准确率提高了2.7%, 召回率提升了1.4%, 该算法不仅在结核图像数据集上得到了验证, 而且具有较高的准确率.     

基于改进Faster R-CNN的交通标志检测研究

针对交通标志检测研究中,存在检测小目标精度不高的问题,运用Faster-RCNN的网络结构并进行改进,提出一个融合多尺度特征,并将融合的信息送进分类回归层的方法,以适应交通标志的定位与分类。仿真结果表明,改进的Faster R-CNN检测交通标志的准确率、召回率和F1值有提高。     

迭代Faster R-CNN的密集行人检测

行人检测是利用计算机视觉技术判断图像或者视频序列中是否存在行人并给予精确定位。针对行人检测在密集场景下普遍存在的行人间遮挡问题,提出基于迭代Faster R-CNN的密集行人检测模型,利用一种IterDet迭代方案对Faster R-CNN进行改进,有效解决非极大值抑制（NMS）算法及其改进在选择精确度和召回率之间平衡点的难题。同时利用递归金字塔结构（RFP）进一步增强模型提取特征能力。在具有挑战性的WiderPerson和CrowdHuman数据集上进行训练和验证,实验结果表明,该模型相比Faster R-CNN在精度和召回率显著提升的同时,漏检率也明显降低。尤其在WiderPerson数据集上召回率、精度、漏检率等性能指标分别达到了97.65%、91.29%、40.43%的SOTA结果。     

改进Faster R-CNN的道路目标检测

针对道路场景下各目标尺度复杂导致的检测精度低问题,提出一种面向道路目标的多尺度Faster R-CNN算法。分析数据集标注的面积及长宽比分布以设置合适尺寸的锚框,提高锚框与目标的匹配度,模型对道路小目标的平均精准度提升了13%以上。在Faster R-CNN网络的特征提取部分加入特征金字塔结构,融合不同尺度特征图的信息提高检测性能。在BDD100K数据集下进行实验,结果表明该方法与原有Faster R-CNN模型相比检测速率稍有下降,mAP得分提升15.1%。     

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...     

Faster R-CNN行人检测与再识别为一体的行人检索算法

为了缩小目前行人再识别算法与真实世界中行人检索任务之间在应用上的差距,将行人检测与再识别这2个模块融为一体,提出一种基于改进的FasterR-CNN的行人检索算法.首先采用对边框进行迭代回归的方法改进原FasterR-CNN中的候选行人边框精度;然后利用包含欧氏距离和余弦距离的混合相似性距离函数来增强网络对于行人相似度的辨识能力;最后利用中心损失函数对网络的损失函数进行改进,通过提高不同行人特征的可区分度,实现更加精准的目标行人检索功能.基于CUHK-SYSU数据集的仿真实验结果表明,该算法的累积匹配特性(CMC top-1)、平均精度均值(mAP)分别为81.6%和78.9%;与相关行人检索算法相比, CMC top-1提升3.0%～18.0%, mAP提升3.0%～23.0%.     

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的颜色导向火焰检测

基于深度特征的目标检测方法Faster R-CNN在火焰检测任务上存在检测效率低的问题,因此提出了基于颜色引导的抛锚策略。该策略设计火焰颜色模型来限制锚的生成,即利用火焰颜色约束锚的生成区域,从而减少了初始锚的数量,提升了计算效率。为了进一步提高网络的计算效率,将区域生成网络中的卷积层替换成掩膜卷积。为了验证所提方法的检测效果,采用BoWFire和Corsician数据集进行验证。实验结果表明,该方法实际检测速度相较于原Faster R-CNN提高了10.1%,BoWFire上该方法的火焰检测F值为0.87,Corsician上该方法的准确度可达99.33%。所提方法可以提高火焰检测的效率,并能够准确检测图像中的火焰。     

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.     

改进的Faster RCNN煤矿井下行人检测算法

针对煤矿井下环境恶劣、光照差、背景混杂、行人模糊、行人多尺度等问题,提出了一种改进的Faster RCNN煤矿井下行人检测方法,使用深度卷积神经网络代替传统的手工设计特征方式自动地从图片中提取特征。利用深度学习通用目标检测框架Faster RCNN,以Faster RCNN算法为基础,对候选区域网络(Region Proposals Network,RPN)结构进行了改进,提出了一种\"金字塔RPN\"结构,来解决井下行人存在的多尺度问题;同时算法中加入了特征融合技术,将不同卷积层输出的特征图进行融合,增强煤矿井下模糊、遮挡和小目标行人的检测性能。实验结果表明:改进的Faster RCNN可以有效解决井下行人检测问题,在井下行人数据集上获得了90%的检测准确率,并在公测数据集VOC 07上对改进算法进行了验证。     

基于Faster R-CNN和IoU优化的实验室人数统计与管理系统

针对人员位置相对固定的场景中实时人数统计的管理需求,以普通高校实验室为例,设计并实现了一套基于更快速的区域卷积神经网络(Faster R-CNN)和交并比(IoU)优化的实验室人数统计与管理系统。首先,使用Faster R-CNN模型对实验室内人员头部进行检测;然后,根据模型检测的输出结果,利用IoU算法滤去重复检测的目标;最后,采用基于坐标定位的方法确定实验室内各个工作台是否有人,并将相对应的数据存入数据库。该系统主要功能有:①实验室实时视频监控及远程管理;②定时自动拍照检测采集数据,为实验室的量化管理提供数据支撑;③实验室人员变化数据查询与可视化展示。实验结果表明,所提基于Faster R-CNN和IoU优化的实验室人数统计与管理系统可用于办公场景中实时人数统计和远程管理。     

复杂背景下全景视频运动小目标检测算法

为解决复杂背景下全景视频中运动小目标检测精度低的问题,提出一种基于复杂背景下全景视频运动小目标检测算法.首先,为降低复杂背景信息的干扰,提高目标检测的精度,采用快速鲁棒性主成分分析(Fast RPCA)算法将全景视频图像的前景背景信息分离,并提取出前景信息作为有效的图像特征;然后,改进更快的基于区域的卷积神经网络(Faster R-CNN)中的区域生成网络(RPN)的候选框尺度大小,使之适应全景图像中的目标尺寸,再对前景特征图进行训练;最后,通过RPN网络和Fast R-CNN网络共享卷积层输出检测模型,实现对全景视频图像中小目标的精准检测.实验结果表明,所提出算法可以有效抑制复杂的背景信息对目标检测精度的影响,并对全景视频图像中的运动小目标具有较高的检测精度.     

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。