基于深度学习的轻量化车牌检测算法研究

针对现有车牌检测算法存在的模型参数量过大、实时性差和检测效果不佳等问题,提出一种基于深度学习的轻量化车牌检测网络(Lightweight License Plate Detection Networks,LW-LPDNet)模型。该模型以PP-LCNet作为骨干网络,大幅减少模型参数量,同时融入压缩-激励网络(Squeeze and Excitation Networks,SE-Net)注意力模块,增加车牌信息的通道权重。最后,引入SimSPPF和GSConv,对多尺度特征进行融合,增大感受野,进一步提高检测准确率。通过对模型进行训练和测试,LW-LPDNet在中国城市停车数据集(Chinese City Parking Dataset,CCPD)上获得98.9%的平均精确率,优于其他车牌检测方法,且模型参数量仅有0.13 MB,检测速度达到243 f·s^-1,具备较高的实时性。     

基于深度学习的端到端车牌检测与识别

针对目前传统车牌号识别算法定位不准确,识别效率低,实时性差等的问题,提出了一种基于深度学习的车牌定位与车牌字符识别算法。在车牌检测定位阶段通过YOLOv5s算法对图片中的车牌部分进行定位,空间变换网络STN对倾斜的车牌进行矫正,将矫正过后的车牌送入LPRNet字符识别网络进行识别。通过对CCPD数据集的验证发现,相较于传统的车牌识别算法,提出的算法准确率达到98.2%,整个检测识别过程控制在11 ms内,表明了所提算法可满足车牌识别的实际需求。     

基于深度学习的交通标志检测

随着我国的汽车保有量速增长,自动驾驶的技术开始兴起,而交通标志检测是自动驾驶当中的一个重要的构成部分.交通标志的检测往往会受到光线变化、道路天气、摄像机角度等等因素的干扰,而且交通标志的数据集通常包含大量的小对象数据,这些问题已经成为交通标志检测领域中的难题.文章使用结合Darknet53的YOLOv3网络,增加对于小...     

基于YOLO的无约束场景中文车牌检测与识别

传统中文车牌识别方法对场景约束有要求,算法实时性差,且无法被部署在边缘设备上。针对上述问题,文中提出一种基于YOLO(You Only Look Once)的无约束场景中文车牌检测与识别方法。该方法分为车牌检测和车牌字符识别两个模块。在车牌检测部分,使用改进的YOLOv5模型,在预测目标候选区域的基础上多预测4组关键点用于车牌矫正,并使用在COCO数据集上训练的预训练模型进行训练,减少了由环境复杂引起的误检问题,具有高实时性。在车牌字符识别部分,改进了CRNN(Convolutional Recurrent Neural Network)模型,减少了算法的参数量和计算量,使其能成功部署于各类边缘设备。实验结果表明所提出的车牌识别方法能在复杂环境中高效检测并识别车牌。文中提出的车牌检测模型在车牌检测数据集上的map值相较Retina-face提升了3.0%,车牌字符识别模型在车牌识别数据集上精确度相比LPR-Net提升了4.2%。     

基于深度学习的实时DDoS攻击检测

分布式拒绝服务(DDoS)攻击是一种分布式、协作式的大规模网络攻击方式,提出了一种基于深度学习的DDoS攻击检测方法,该方法包含特征处理和模型检测两个阶段:特征处理阶段对输入的数据分组进行特征提取、格式转换和维度重构;模型检测阶段将处理后的特征输入深度学习网络模型进行检测,判断输入的数据分组是否为DDoS攻击分组.通过ISCX2012数据集训练模型,并通过实时的DDoS攻击对模型进行验证.结果表明,基于深度学习的DDoS攻击检测方法具有高检测精度、对软硬件设备依赖小、深度学习网络模型易于更新等优点.     

雾霾环境下基于PLATE-YOLO的车牌检测方法

针对目前车牌识别领域中,雾霾环境下车牌检测准确率低的问题,本文提出一种基于深度学习的抗雾霾车牌检测方法,该方法能够检测民用车牌和机场民航车辆车牌。该方法首先利用一种基于卷积神经网络的去雾算法对车牌图片进行去雾预处理,然后将处理过的无雾霾图片送入PLATE-YOLO网络中检测车牌的位置。该PLATE-YOLO网络是本文针对车牌检测的特点,对YOLOv3网络做了修改后得到的适用于车牌检测的网络。主要改进点有两处:第一,提出了一种基于层次聚类算法的锚盒(Anchor Box)个数和初始簇中心的计算方法;第二,针对车牌目标较大的特点,对网络的多尺度特征融合做了优化。优化后的PLATE-YOLO网络更适合于车牌检测,且提高了检测速度。实验证明,PLATE-YOLO网络检测车牌的速度较YOLOv3提高了5 FPS;在雾霾环境下,经去雾预处理的PLATE-YOLO车牌检测方法比未经去雾处理的车牌检测方法准确率提高了9.2%。     

基于深度学习的鱼道内鱼类实时检测

鱼类的运动行为能反映出与水流的相适应程度,从而为鱼道设计提供依据,鱼类目标检测是研究鱼类运动行为的前提,因此如何高效准确的在复杂场景中检测和定位鱼类成为关键。文章主要研究了基于深度学习的目标检测YOLOv3算法,实现了在鱼道复杂场景中鱼的实时检测和计数,保证了检测的速度的同时也提高了准确率。实验表明,该方法能够高效的准确检测出鱼道中鱼类,实时记录鱼道中鱼的数目以及鱼的长度信息,可为后续研究鱼类行为提供数据基础,有助于鱼道设计。     

基于改进YOLO v5的非限定条件下车牌检测算法研究

深度学习是机器学习最新的研究方向,实践证明在OCR和Object Detection算法上采用深度学习算法精度更高、鲁棒性更好。利用深度学习进行车牌识别的过程主要分为车牌检测、车牌识别两大阶段。在非限制条件下,如光线、天气等因素造成的干扰,识别准确率仍是一项具有挑战性的研究工作,文章提出一种基于改进YOLOv5的算法,实现车牌快速定位,并通过实验进行论证,结果表明能够有效提高车牌检测的检测精度和速度。     

基于深度学习的稠密人群检测

在针对稠密人群检测的试验中,传统来说,主要的方法有基于检测和基于回归两种方式。在人群密度较小样本量少的情况下,目标区域呈现出无遮挡,基于检测的方法效果较好。在人群密度较大样本量大的情况下,目标区域有目标遮挡,基于回归方法的效果较好。目前两种方法都得到了不同成程度的应用,然而,不论哪一种方式,要想精确检测出场景人数仍然是一个巨大的挑战。对于复杂场景下的稠密人群检测,本文系统性得总结出了几种最近的深度神经网络检测的方法,这些方法均是在稠密人群检测方面取得了较为理想的结果。     

基于深度学习的松材线虫病检测方法

松材线虫病的检测是我国林业有害生物防治工作的重点,利用深度学习方法进行松材线虫病检测是目前最为高效和精确的一种病树检测方法.文章提出了一种基于目标检测算法的的病树检测方法,通过k-means算法聚类分析数据集,生成更为合适的anchor,并加入自适应阈值调整机制进一步提高识别精度.实验证明了提出的方法是可行、有效的.     

基于深度强化学习的物联网传输数据实时调度方法

针对传统物联网传输数据实时调度方法的调度时间长,存在数据缺失的现象,提出了基于深度强化学习的物联网传输数据实时调度方法.采用深度强化学习采集物联网传输数据的特征序列样本,通过计算物联网传输数据的自适应转发特征量,建立了数据调度的频域均衡控制模型.根据模型判定物联网传输数据安全性,采用深度强化学习判别了物联网传输数据安全...     

基于点云深度学习的3D目标检测

针对目前利用点云进行3D目标检测的研究较少和检测精度不高的问题,利用Frustum-Pointnets模型实现基于点云的3D目标检测,并在该模型的基础上进行改进,选用不同的激活函数和参数初始化方法进行组合对比,进一步提高模型的精度。实验表明:在选用Swish激活函数和He参数初始化方法时汽车平均检测精度提高了0.31 %,行人平均检测精度提高了0.41 %,骑车人平均检测精度提高了5.5 %。因此改进后的模型能有效提高检测的精度,使得模型能够应用在复杂的场景中。     

基于深度学习的网络入侵检测方法研究

随着互联网技术的快速发展和普及,网络攻击和威胁已经渗透到我们生活的方方面面,网络安全成为人们关注的焦点.在面对网络攻击的研究中,入侵检测作为保证网络安全的一道防线,起着至关重要的作用.针对当前入侵检测收集的各类数据集中存在的数据不平衡问题,提出了一种基于深度学习的平衡数据生成模型,利用数据生成模型生成平衡数据集,使用这...     

深度学习在复杂环境下车牌定位算法中的应用

为了使车牌识别技术适应复杂环境以及实际工程应用,将深度学习理论和算法融于复杂环境下的车牌定位改进算法中。首先通过处理速度快的Canny边缘检测算子,通过阈值设定得到边缘细节完整的车牌图像;然后结合形态学处理进行大范围的车牌疑似区域提取;最后利用改进的深度学习算法,即采用Alex Net卷积神经网络法去除伪车牌进行车牌精定位,并输出最后的精确定位结果。实验结果表明,该方法定位准确性、定位效率高,而且资源开销较少,此方案可持续发展性强,在未来的工程应用中具有一定的实用价值。     

基于深度学习的SAR目标检测方法

高分辨率合成孔径雷达（Synthetic Aperture Radar,SAR）图像中不同目标的尺寸区别较大,这使得小目标的特征不明显,为目标检测带来了极大的挑战。针对这一问题,提出了SAR YOLO 960算法。该算法首先改进了图像输入大小的限制,将输入图像提升到960×960像素;进而改善了YOLOv3(You Only Look Once v3)网络的整体结构,修改并添加了卷积层和残差层,整体采用64倍降采样,使其速度大大提升;最后,根据SAR图像目标的特点,改进了损失函数,从而得到了SAR YOLO 960算法。在手工制作的高分辨率SAR图像数据集中的目标检测结果表明,相对于当前主流的检测算法,该算法性能显著提高;检测速度达32.8帧/秒,准确率达95.7%,召回率达94.5%。     

基于深度学习的列车门窗检测算法研究

本文分析了深度学习算法和列车门窗检测的意义,并且从目标检测技术中的图像特征、传统的分类算法、神经网络与深度学习、基于可变窗的物体检测模型四个方面研究了基于深度学习的列车门窗检测算法。希望能够通过本文的研究内容为相关工作人员提供一些参考意见,从而进一步提高铁路运输的安全性。     

基于深度学习和半监督学习的入侵检测算法

深度学习是一种具有自动学习能力的智能算法,通过自我学习到的经验而动态地提升分类的能力。深度学习的思想与入侵检测中通过学习而提高检测率和降低误报率的思想是相同的。对于入侵检测准确率不高的情况,提出了一种基于深度学习和半监督学习的入侵检测方法,该方法使用深度学习对特征提取和后验概率对未标记数据进行分类,提高了分类性能。使用KDD CUP99数据集对算法准确性进行了验证,实验结果验证该方法能够有效改善入侵检测系统性能。     

基于深度学习的目标检测算法研究进展

目标检测是计算机视觉领域中一项十分重要的任务,指的是对图像或视频中的目标进行分类和定位,因其被广泛应用于视频检测、目标跟踪等任务中而受到关注。本文首先介绍了目标检测中经常使用的基准数据集和评估指标,同时列举说明了重要的主干网络架构和流行的目标检测算法。最后,我们比较了这些体系结构在多个指标上的性能,对所述算法进行了总结,并对未来前景进行了展望。