改进的Faster R-CNN网络预测尺度参数

为了研究基于深度学习的多任务分类和回归问题,本文改进了Faster RCNN网络,提出了同时实现分类和回归分支的深层神经网络.以Faster R-CNN算法为基础,通过增加网络分支的方式,将分类和回归网络并入同一个网络,实现端对端的目标识别、定位和参数测量多个任务并行处理.使用整体交替训练的方式优化网络参数.基于智慧农...     

基于改进Faster R-CNN的集装箱箱号定位算法

集装箱箱号自动识别系统在海运港口作业和陆运装卸作业中发挥着重要作用,其箱号定位的准确与否对后续的箱号识别来说至关重要。针对目前箱号定位技术无法满足现今箱号识别领域智能化和自动化的需求,基于深度学习在目标识别领域的优越性,提出了一种基于改进Faster R-CNN的集装箱箱号定位算法,先利用特征提取网络CNN进行箱号特征提取,再采用区域建议网络RPN提取箱号区域的候选区域建议,最后利用检测网络Fast R-CNN在候选区域基础上进行更精准的箱号区域定位,此外对数据集进行数据增强以提高网络模型的泛化能力和鲁棒性。实验结果证明,该算法可以有效实现箱号区域的定位,且定位正确率比直接应用原始Faster R-CNN算法提高了5.3%,检测速度为每幅240 ms,满足实际应用中的实时性要求。     

融合注意力机制的高效率网络车型识别

为了解决现有的车型识别算法对车型特征描述不充分的情况,提出融合注意力机制的高效率网络车型识别算法. 利用高效率网络中的复合缩放方式来平衡网络的深度、宽度和分辨率,将深度可分离卷积集成到基础特征提取模块中来提高模型准确率. 增加双通道的残差注意力机制来关注图片中的关键信息,获得含有更加丰富语义信息的特征图. 在网络的末端添加单独的softmax分类器,使用标签平滑正则化对损失函数进行处理,减小模型过拟合的问题. 在BIT-Vehicles数据集上进行实验,结果表明,提出方法的平均分类准确率为96.83%,较改进前的模型提高了1.11%,优于现有DCNN、Faster-CNN的改进算法,较Faster R-CNN提升了7.16%.     

一种面向变电站巡检作业增强现实应用的变电设备缺陷识别检测算法

变电站巡检作业增强现实应用的关键之一是解决现有图像处理算法检测速度慢、适应性差、难以实现增强现实应用视频流实时处理的问题。为了解决这一问题,基于改进YOLOv3算法,提出了一种变电设备缺陷快速检测方法。该方法首先建立YOLOv3目标检测模型,并借鉴DenseNet思想对特征提取网络进行优化;然后,通过对训练样本库进行聚类分析得到目标候选区域的先验尺寸,通过优化损失函数来加快模型的训练过程,使模型更好地拟合变电设备缺陷特征;最后,通过建立变电设备缺陷样本库并进行训练,实现了变电设备缺陷检测。测试结果表明,基于改进YOLOv3的缺陷检测模型的图像处理耗时为21 ms/张,检测精度超过了Faster R-CNN(regionsconvolutional neural networks)、SSD(single shot multi box detector)等其他深度学习模型,能够满足变电设备巡检作业增强现实应用对图像缺陷实时识别的需求。     

基于深度学习的水稻病虫害诊断方法研究

病虫害是影响水稻等农作物产量的重要制约性因素。为探索基于深度学习的水稻病虫害诊断方法,采用图片尺寸归一化、截取感兴趣区域、病理分割3种预处理方式分别与Faster R-CNN Inception v2、SSD MobileNet v1两种深度学习目标检测预训练模型结合,在TensorFlow深度学习平台下进行水稻病虫害识别模型的训练和诊断效果测试。实验结果表明,6种条件下水稻病虫害识别准确率分别为99.65%、90.74%、92.60%、82.23%、65.74%和20.41%,其中采用归一化尺寸和Faster R-CNN模型时水稻病虫害识别准确率最高,且具有较低的训练时长,较适宜用于水稻病虫害诊断。     

一种基于正则化判别分析的迁移学习算法

针对大多数基于实例的迁移学习方法容易产生分布参数估计困难和泛化效果差的问题,提出一种正则化判别迁移学习算法。依据判别分析和半监督学习理论,采用核方法和正则化方法,研究了基于正则化的高斯核半监督判别分析方法,以构造修正嵌入空间的方式进行样本迁移。一方面,在映射空间中筛选样本可克服估计分布参数的困难;另一方面,引入伪标记数据和定义距离函数可避免过拟合问题。文本和非文本数据集上的实验结果验证了所提算法能够有效提高迁移的正确率及学习模型的泛化能力。     

基于Faster R-CNN的玻璃瓶缺陷检测技术

自动化检测玻璃瓶缺陷技术的实现,能够减少人力物力的需求量,提高玻璃瓶缺陷检测结果的准确性以及可靠性.将深度学习网络应用到玻璃瓶缺陷检测技术上,分别使用VGG16和Resnet101作为缺陷检测模型中Faster R-CNN的特征提取网络,在不同的锚框的尺度下对缺陷检测效果进行分析.实验结果表明,Faster R-CNN...     

基于Faster R-CNN的缝隙检测与提取算法

为了使快速区域卷积神经网络(faster region-based convolutional neural network,Faster R-CNN)适用于小尺寸结构缝隙目标检测的应用,提出了一种基于Faster R-CNN的缝隙检测与提取算法,保留了小尺寸结构目标的细节信息,并提升了检测准确率.该算法分为缝隙检测和缝隙提取2个阶段.首先,在faster R-CNN的目标检测框架下,选取ImageNet数据集上的视觉几何组(visual geometry group,VGG)网络预训练模型作为特征提取网络,调整网络模型使其适应具有小尺寸结构的缝隙目标,并通过缝隙检测网络的训练确定最优的网络超参数,获得缝隙目标边框.然后,根据对目标区域的分析,提出基于数学形态学算法的缝隙提取算法,将缝隙目标从背景中分割出来.最终通过去噪、断裂连接和细化操作提取单像素宽缝隙目标,通过统计单像素宽缝隙目标的像素点个数得到缝隙目标长度值.实验结果表明,该算法可准确且完整地提取缝隙目标,在铁轨裂缝数据集上平均准确率达到63.87％,在道路裂缝数据集上的F1-score指标达到65.6％.     

基于卷积神经网络的无人机遥感影像农村建筑物目标检测

将深度学习应用于遥感影像目标识别,提出基于卷积神经网络的无人机遥感影像农村建筑物的目标检测方法,用端到端的方式训练Faster R-CNN网络模型,并应用于农村建筑物的快速精确识别.该方法包括基于RPN网络的区域建议和基于Inception v2的卷积神经网络模型训练.为了训练和测试模型,通过无人机采集南疆地区的农村建筑物遥感影像,并人工标注建立了农村建筑物的数据集,在TensorFlow深度学习框架上通过对该数据集目标检测验证了模型.结果表明,基于改进的卷积神经网络目标检测方法对无人机遥感影像进行快速准确识别的总体精度超过90%,通过初始参数更新,模型收敛更快,对无人机遥感影像地物分类和目标识别具有一定的参考意义.     

小样本下基于深度学习的声呐图像分类研究

水下环境复杂多样,使得声呐成像模糊难以人工提取特征,同时声呐图像不易获取,数量远少于光学图像,导致了小样本情况下声呐图像分类网络的训练过拟合现象明显,识别准确率低。基于所建立的声呐图像数据集进行预处理后,提出一种改进的带有类别偏好的标签平滑正则化方法,对训练数据的标签进行优化,减轻网络的自信程度,并基于迁移学习中微调的方法利用光学图像对网络参数进行预训练和冻结,融合以上方法构建了一种小样本下的分类网络模型。仿真实验结果表明,优化后的网络模型取得了最佳分类识别准确率,有效抑制了过拟合现象,能够在小样本下实现精确分类声呐图像。     

多视图交叉一致性学习的半监督水面目标检测

为缓解基于半监督学习的水面目标检测对有限标注样本过拟合的问题,提高无标注样本中目标提取的有效性,提出了基于多视图交叉一致性学习的半监督水面目标检测算法。首先,该算法通过数据增强的方式为训练样本生成不同的视图以丰富数据集的多样性;然后,利用所提出的多视图目标判别器为无标注样本在线生成伪标签,有助于提取无标注样本的有效信息;最后,利用所提出的多视图交叉一致性学习使同一目标实例的不同视图的输出实现交叉一致性正则化,以促进检测模型学习判别性的特征从而降低过拟合的风险。在海上和内河数据集上的实验结果表明：文中所提算法能够提高特征提取的判别性,对多类别的水面目标检测精度达到91.0%,比全监督检测算法提高了18.7%,比其他半监督检测算法提高了3.8%以上;在检测速度上,该算法达到13.1帧/s,基本满足实时性要求。所提算法通过多视图交叉一致性学习提高特征的判别性和缓解检测模型的过拟合风险,有助于提高半监督水面目标检测的性能。     

基于UCB算法的交替深度Q网络

在深度强化学习中,智能体需要与环境进行交互学习,这就需要智能体能够很好地去平衡利用与探索. 因此如何提升算法的样本有效性,增加算法的探索能力,一直是深度强化学习领域中非常重要的研究方向. 结合已有研究成果,提出了一种交替使用多个不同初始化深度Q网络方法,使用网络随机初始化带来的探索性能. 基于最大置信度上界算法先构造一种交替选择深度Q网络策略. 并将该调度网络策略与多个随机初始化的深度Q网络结合,得到基于最大置信度上界的交替深度Q网络算法. 在多个不同的标准强化学习实验环境上的实验结果表明,该算法比其他基准算法有更高的样本效率和算法学习效率.     

改进的Faster R-CNN算法及其在电力作业安全穿戴检测中的应用

运维人员正确的安全穿戴是确保电力作业安全的重要措施,计算机视觉深度学习算法为电力作业安全穿戴监管提供了一种新的手段。Faster R-CNN(faster region-based convolutional neural network)是一种有效的目标检测方法,在其基础上进行改进,首先以轻量级卷积神经网络EfficientNetV2(efficient network version 2)作为Faster RCNN的骨干,均衡提升算法的检测精度与速度;然后,在RPN(region proposal network)前引入注意力机制CBAM(convolutional block attention module)进一步提升检测精度。结合实际电力作业安全穿戴检测场景对该方法进行测试实验,结果表明,相对目前以VGG-16(visual geometry group-16)、ResNet-50(residual network-50)为骨干的Faster R-CNN算法而言,改进Faster R-CNN算法的检测精度和速度均得到提高,其平均精度均值(mean average precis...     

改进Faster R-CNN模型的汽车喷油器阀座瑕疵检测算法

为完成喷油器阀座常见的瑕疵识别,对深度检测模型进行研究,提出基于Faster R-CNN模型的喷油器阀座瑕疵识别改进方法 .首先,对常规生产下的喷油器阀座瑕疵图像进行采集、处理,构造出相关数据集;其次,在Faster R-CNN模型上对候选框和特征网络进行改进,获得比原有模型更高的精确度.实验结果表明:改进的Faster R-CNN模型在喷油器阀座瑕疵识别中精确度得到加强,识别精确度可达71.79%,相比原有模型精确度提升了近3.9%.说明该深度学习方法能够有效实现喷油器阀座瑕疵的识别,为后续自动一体化检测研究提供了基础.     

基于Faster R-CNN的食品图像检索和分类

面向食品领域的图像检索和分类等方面的研究成为多媒体分析和应用领域越来越受关注的研究课题之一.当前的主要研究方法基于全图提取视觉特征,但由于食品图像背景噪音的存在使得提取的视觉特征不够鲁棒,进而影响食品图像检索和分类的性能.为此,本文提出了一种基于Faster R-CNN网络的食品图像检索和分类方法.首先通过Faster R-CNN检测图像中的候选食品区域,然后通过卷积神经网络(CNN)方法提取候选区域的视觉特征,避免了噪音的干扰使得提取的视觉特征更具有判别力.此外,选取来自视觉基因库中标注好的食品图像集微调Faster R-CNN网络,以保证Faster R-CNN食品区域检测的准确度.在包括233类菜品和49 168张食品图像的Dish-233数据集上进行实验.全面的实验评估表明:基于Faster R-CNN食品区域检测的视觉特征提取方法可以有效地提高食品图像检索和分类的性能.     

面向开放场景的交通标志识别方法

基于传统深度学习技术实现的道路交通标志识别系统通常遵从完全数据驱动模式,导致它们在真实世界的开放场景中存在性能不稳定和极大的安全隐患．为缓解该问题,提出一种基于道路交通标志设计标准的语义数据集构建方法,并利用零样本学习机制设计一个通用的具备推理能力和可解释性的道路交通标志识别框架,其能够有效应对实践中面临的道路交通标志的动态更新和类别缺失问题．利用国家道路交通标志制定标准来抽象出所有类别的通用属性,并将这些属性信息作为领域知识注入传统数据驱动模型的训练过程中．在领域知识的帮助下,所提基于零样本学习的交通标志识别方法能够比随机预测和传统深度学习模型更准确地识别出训练阶段未见过的交通标志．在中国交通标志数据库（Chinese traffic sign database, CTSDB）和德国交通标志识别基准数据集（German traffic sign recognition benchmark, GTSRB）上的实验结果表明,采用所提方法进行训练后,语义自编码模型在传统零样本学习的设定下,对于训练阶段未曾见过的交通标志的识别准确率分别比随机预测提升了至少29.96%和24.25%.     

基于改进群组归一化的目标检测与实例分割

训练卷积神经网络,尤其是在使用ImageNet这种大规模数据集进行深层卷积神经网络训练时,往往需要投入几天甚至几个月的时间。为了加快神经网络的迭代收敛速度,通常需要使用批量归一化算法对训练网络的输入输出分布进行统一调整。本工作结合实例归一化方法对群组归一化进行了改进,并将改进后的该方法结合Faster R-CNN和Mask R-CNN进行了目标检测与实例分割实践。     

基于注意力机制和多层次特征融合的目标检测算法

为了提高目标检测的准确率,提出一种基于注意力机制和多层次特征融合的图像目标检测算法。该算法在Cascade R-CNN模型的基础上,以RseNet50为主干网络,通过嵌入简单的注意力模块（SAM）来提高网络的判别能力;其次,利用深度可分离卷积改进特征金字塔网络（FPN）,设计了多层次特征融合模块（MFFM）,对多尺度特征进行融合,以丰富特征图的信息量,并对不同层次的特征图赋予相应的权重以平衡不同尺度的特征信息;最后,结合目标检测方法中的区域建议网络（RPN）结构获取目标的候选区域进行分类和回归处理,确定检测目标的位置和类别。实验结果表明,相较于Cascade R-CNN目标检测算法,该算法的检测精度提升了约2.0%。     

基于SSD的多特征刑侦场景识别

将基于深度学习的SSD(Single Shot MultiBox Detector)目标检测方法应用于刑侦图像目标检测中。通过对目标进行多尺度特征提取,将小目标与大目标采用不同级别的特征图方式进行融合识别。实验测试结果表明,SSD方法明显地提高了小目标在刑侦图像中的检测率,且与Faster R-CNN相比发现,在置信阈度为0.5时,SSD的检测精度接近Faster R-CNN,mAP(Mean Average Precision)达到94.8%,检测速度远超Faster R-CNN,帧频FPS达到58Hz。实验结果说明SSD方法在刑侦图像目标识别上具有特别优势。     

基于深度学习的牙模3D打印缺陷检测方法研究

牙模3D打印过程中出现的质量缺陷影响着牙模的外观和使用性能，严重时导致废品率高，造成时间、材料的浪费。为了减少牙模3D打印的废品率，提出了一种基于YOLOv5的牙模3D打印实时缺陷检测方案：首先获取多维度牙模缺陷图片，采用切图分割与数据增强处理等方式制作数据集，然后通过构建YOLOv5深度学习网络模型对牙模3D打印图像进行迭代训练，最后通过YOLOv5程序调用摄像头并使用训练后最佳权重值进行实时在线缺陷检测。通过实验对比，YOLOv5深度学习网络模型的检测准确率要高于Faster R-CNN、YOLOv3、SSD这3种模型，其检测平均准确度高达94.78%,平均检测时间为21 ms。结果表明该方法能够检测牙模3D打印过程中的质量缺陷问题。