基于Faster-RCNN的汽车漆面缺陷部位检测

针对人工设计特征复杂和传统的自动化方法在目标识别和检测上准确率和效率低下的问题，提出一种基于改进的Faster-RCNN的目标区域定位方法。由于被检测目标尺度变化大，为了解决原始Faster-RCNN网络结构对于小目标区域检测精度低的问题，提出多尺度快速区域卷积神经网络检测算法，改进了神经网络的结构，使网络在检测过程中可以同时使用低层和高层的特征，提升了网络对于小目标区域的检测能力。修改原始网络中锚框设定方法，通过聚类算法来确定不同尺度的特征图的锚框。实验结果表明，该方法在不同的背景下均能实现对目标较好的识别与定位，对小区域的检测能力显著提高。检测精度由原始网络结构的79.60%上升到95.39%,提高了15.79百分点。     

基于深度时空卷积神经网络的人群异常行为检测和定位

针对公共场合人群异常行为检测准确率不高和训练样本缺乏的问题,提出一种基于深度时空卷积神经网络的人群异常行为检测和定位的方法。首先针对监控视频中人群行为的特点,综合利用静态图像的空间特征和前后帧的时间特征,将二维卷积扩展到三维空间,设计面向人群异常行为检测和定位的深度时空卷积神经网络;为了定位人群异常行为,将视频分成若干子区域,获取视频的子区域时空数据样本,然后将数据样本输入设计的深度时空卷积神经网络进行训练和分类,实现人群异常行为的检测与定位。同时,为了解决深度时空卷积神经网络训练时样本数量不足的问题,设计一种迁移学习的方法,利用样本数量多的数据集预训练网络,然后在待测试的数据集中进行微调和优化网络模型。实验结果表明,该方法在UCSD和subway公开数据集上的检测准确率分别达到了99%和93%以上。     

基于一维卷积神经网络的非侵入工业负荷事件检测方法

针对非侵入式工业负荷事件检测中准确率较低和漏检率较大的问题,提出了一种基于一维卷积神经网络（1D-CNN）的非侵入工业负荷事件检测方法。所提方法在1D-CNN模型中引入Inception-V2模型构建一维Inception-V2卷积神经网络（1D-Inception-V2-CNN）模型,利用多种长度的滑动窗和对应的卷积核实现对数据的读取和压缩,利用1D-Inception-V2-CNN模型对压缩后的数据进行检测和分类,并通过自适应循环检测方法更新网络模型的检测样本库,最终实现对工业用户负荷数据的全面检测。在对实际工业用户的事件检测实验中,所提检测方法的准确率和Fscore分别达到了96.32%和95.42%,与LeNet一维卷积神经网络、二维卷积神经网络和滑动窗累积和算法相比均有明显的提升。实验结果表明,所提方法能够有效地提高工业事件检测的准确率,同时减小事件漏检率。     

基于深度学习的抓取目标姿态检测与定位

机器人对抓取目标进行高准确的姿态检测与定位依然是一个开放性的难题.本文提出了一种基于卷积神经网络对抓取目标快速姿态检测与精确定位的方法.该方法采用Faster R-CNN Inception-V2网络模型,在网络中将抓取目标的姿态角度采用分类标签方式输出,位置坐标采用回归方法,对Cornell公开数据集重新标注并训练端到端模型.模型在实例检测和对象检测测试集上分别取得96.18%和96.32%的准确率,对于每一幅图像的处理时间小于0.06 s.实验结果表明模型能够实时地对图像中单个或多个抓取目标进行快速地姿态检测与定位,准确度高并具有很强的鲁棒性和稳定性.     

基于深度学习智能仪表检测模型研究

为改善现有电力仪表识别时存在的效率低、成本高等缺陷，提出了一种智能仪表监控系统。首先，设计了包含感知层、网络层、信息层、应用层的系统结构，并对系统工作过程进行分析。接着，提出了一种包括数字区域检测网络和数字识别网络的智能仪表检测模型，从而提高仪表识别的准确率。同时，考虑到现实环境中仪表读数存在遮挡问题，提出了一种遮挡字符数据增强方法，从而有效提高数据集的多样性。仿真阶段，以实际环境中拍摄的电力仪表图像为例，对所提模型进行验证。实验结果表明，所提智能仪表检测模型识别准确率为94.96%。实验结果验证了所提系统可有效实现电力仪表识别，可为智能电力监控的发展提供一定的借鉴作用。     

改进Mask R-CNN的遥感图像多目标检测与分割

针对高分辨率遥感图像在目标检测与分割中特征提取困难、准确率低、虚假率高等问题，提出了一种改进的Mask R-CNN卷积神经网络。该网络以ResNet50为特征提取网络，在此基础上利用自下而上和自上而下两种分层跳连融合方式来进行更好的图像特征提取。针对遥感图像不同目标间尺寸差异过大、目标易丢失的问题，设计了自适应感兴趣区域来进行感兴趣区域提取。在目标分割中，使用局部融合全连接的卷积神经网络替换原全卷积神经网络，并使用上采样操作替换反卷积操作。在NWPU VHR-10数据集上进行验证，结果表明该方法与现有常用方法相比，显著地提高了遥感图像中多目标检测与分割的准确率。     

基于RPN和FCN的电力设备锈迹检测

针对电力设备在高温、高压、高流速条件下长期连续运行发生锈蚀隐患难以及时发现的问题,提出一种基于区域建议网络与全卷积神经网络相结合的对无规则锈迹进行检测的方法RPN-FCN。首先使用区域建议网络生成带锈迹的候选区域,然后对锈迹候选区域进行全卷积操作,从而在像素级别进行精确的分类定位。通过实验对比,结果表明本文提出的方法对于无规则的锈蚀检测更加准确有效。     

基于Mask RCNN的滤袋开口检测方法

滤袋开口的检测与定位在滤袋智能生产过程中占据着至关重要的地位。但由于滤袋具有柔性的特点,常规检测方法很难有效进行,且定位精度也不能满足生产要求。本文提出一种结合可变形卷积与掩码信息的多尺度目标检测器,该检测器使用可变形卷积改进主干网络高层中的固定卷积,结合特征金字塔技术实现多尺度信息融合。然后将所得多尺度信息通过区域提议网络生成候选区域,采用改进的Soft-NMS方法进行筛选,最终送入检测头进行识别与分割。本文在滤袋图像数据集上进行了实验。结果表明,提出的算法实现了滤袋开口的准确识别与高精度定位。     

基于深度学习的字轮式水表读数检测与识别

现实中拍摄的字轮式水表图像的读数区域存在不同的位数和旋转角度的问题，这些问题对识别准确率造成很大的影响。针对这种情况，提出一种基于深度学习的水表读数检测与识别算法。该方法使用改进的圆盘检测算法来对水表圆盘进行检测；采用一种改进的多方向全卷积网络检测出水表的读数区域，同时提出一种图像旋转矫正算法，实现对水表读数区域的矫正与分割；对于读数识别，设计一种轻量级的神经网络，减少模型大小和加速训练过程的同时保持较高的识别精度。实验结果表明，该方法的圆盘检测率从93.97%提高到了96.38%,读数区域检测模型对不同类型的水表读数区域具有较好的检测效果，识别模型的大小从8.77 MB减少到7.32 MB,模型的训练和测试时间短，准确率达到96.44%。     

基于多尺度特征结构的U-Net肺结节检测算法

针对肺结节低层特征在网络传输过程中的缺失问题,基于多尺度特征结构,提出一种改进的U-Net卷积神经网络肺结节检测算法。采用卷积操作与池化操作获取高层特征,通过密集网络使得特征信息在输入层和输出层之间高速流通,并结合扩张卷积生成多尺度特征,提高肺结节低层特征的利用率。实验结果表明,与传统U-Net卷积神经网络的肺结节检测算法相比,改进算法对于小型结节的检测准确率约提高20%,可实现更准确的肺部病灶区域定位。     

应用卷积神经网络与RPN的交通标志识别

在智能交通系统中要求交通标志识别具有良好的鲁棒性、实时性,并且实际交通环境中可能因路标模糊、光照强弱、尺度大小、复杂背景等因素的问题,导致交通标志识别准确率很低。针对上述问题,提出了利用深度学习方法设计卷积神经网络,并通过卷积和池采样的多层处理,结合目标检测方法中的RPN网络结构,以提取图像的候选区域,从而对候选区域进行特征提取,最后利用全连接网络实现对特征图进行回归处理,获取检测目标的位置及识别。实验结果表明,该方法能有效地提高检测精度和计算效率,降低错误率,对于光照、旋转等不良因素下交通标志检测具有较好的稳定性和准确性,有效地提高了交通标志识别效率,具有良好的泛化能力和适应性,且满足一定的实时性的要求。     

基于有效感受野的区域推荐网络

基于卷积神经网络的目标检测方法通过优化区域推荐达到较高的检测精度.由此,文中提出基于有效感受野的区域推荐网络.在区域推荐网络上引入基于有效感受野的样本匹配方法,强化基于交叠比的样本匹配规则,增强特征信息在区域推荐生成时的表征能力,减少锚定框和区域推荐数目,简化锚定框参数设置.结合快速区域的卷积神经网络检测器后,在Pascal VOC数据集上的检测精度有所提升,这表明文中方法是有效的.     

基于多层上下文卷积神经网络的目标检测算法

目标检测提取的特征信息不足,导致识别小目标或被遮挡目标时精确度不高.因此,文中提出多层上下文卷积网络(MLC-CNN),通过提取多层上下文信息特征并结合物体特征进行目标检测.MLC-CNN由区域生成网络(RPN)和多层上下文信息(MLC)两个子网络组成,RPN获取固定长度的特征向量作为目标特征,MLC获取不同层特征图上对应的上下文信息特征,最后融合两部分特征.此外,为了解决数据不均衡问题,融入难负样本训练.在PASCAL VOC2007和PASCAL VOC2012数据集上的实验表明,MLC-CNN的均值平均精度(mAP)具有明显提高.     

利用隐空间支持向量机设计IDS的检测算法

为解决网络入侵检测系统中检测算法分类精度不高训练样本数需要较多以及训练学习时间较长等问题,在基于支持向量机的基础上,提出一种新的利用隐空间支持向量机设计IDS的检测算法.仿真实验结果表明本算法较基于支持向量机的检测算法具有更良好的泛化性能,更快的迭代速度,更高的检测精度和更低的误报率.     

基于轻量化深度学习网络的工业环境小目标缺陷检测

工业环境下表面缺陷检测是质量管理的重要一环,具有重要的研究价值.通用检测网络(如YOLOv4)已被证实在多种数据集检测方面是有效的,但是在工业环境的缺陷检测仍需要解决两个问题:一是缺陷实例在表面占比过小,属于典型的小目标检测问题;二是通用检测网络结构复杂,很难部署在移动设备上.针对上述问题,提出一种基于轻量化深度学习网络的工业环境小目标缺陷检测方法.应用GhostNet替代YOLOv4主干特征提取网络,提高网络特征提取能力及降低算法复杂度,并通过改进式PANet结构增加YOLO预测头中高维特征图比例以实现更好的性能.以发动机金属表面缺陷检测为例进行实验分析,结果表明该模型在检测精度(mAP)提升5.83%的同时将网络模型参数量降低83.5%,检测速度提升2倍,同时满足缺陷检测的精度和实时性要求.     

感受野特征增强的SSD目标检测算法

SSD （Single Shot multi-box Detector）算法是在不同层的特征图上,进行多尺度对象的检测,具有速度快和精度高的特点.但是,传统SSD算法的特征金字塔检测方法很难融合不同尺度的特征,并且由于底层的卷积神经网络层具有较弱的语义信息,也不利于小物体的识别,因此本论文提出了以SSD算法的网络结构为基础的一种新颖的目标检测算法RF_SSD,该算法将不同层及不同尺度的特征图以轻量级的方式相融合,下采样层生成新的特征图,通过引入感受野模块,提高网络的特征提取能力,增强特征的表征能力和鲁棒性.和传统SSD算法相比,本文算法在精度上有明显提升,同时充分保证了目标检测的实时性.实验结果表明,在PASCAL VOC测试集上测试,准确率为80.2%,检测速度为44.5 FPS.     

基于改进的YOLOv3道路车辆实时检测

道路车辆实时检测是计算机视觉领域中的研究热点问题。针对道路车辆检测算法存在检测精度低、速度慢等问题,提出了一种基于改进YOLOv3的道路车辆目标检测方法。通过改进Darknet53骨架网络构建了有30个卷积层的卷积神经网络,在减少网络成本的同时提高了检测速度;根据道路车辆宽高比固定的特点,利用k-means聚类方法选取锚点预测边界框,提高了检测速度与精度。实验结果表明,提出的方法在标准数据集KITTI上的平均精度达到了90.08%,比传统的YOLOv3提高了0.47%,检测速度达到了76.04 f/s,明显优于传统的YOLOv3算法。同时将该方法应用于车辆行驶动态数据集,能够实现针对视频中道路车辆的实时检测。     

基于改进PVANet的实时小目标检测方法

现有目标检测算法主要以图像中的大目标作为研究对象,针对小目标的研究比较少且存在检测精确度低、无法满足实时性要求的问题,基于此,提出一种基于深度学习目标检测框架PVANet的实时小目标检测方法。首先,构建一个专用于小目标检测的基准数据集,它包含的目标在一幅图像中的占比非常小且存在截断、遮挡等干扰,可以更好地评估小目标检测方法的优劣;其次,结合区域建议网络（RPN）提出一种生成高质量小目标候选框的方法以提高算法的检测精确度和速度;选用step和inv两种新的学习率策略以改善模型性能,进一步提升检测精确度。在构建的小目标数据集上,相比原PVANet算法平均检测精确度提高了10.67%,速度提升了约30%。实验结果表明,该方法是一个有效的小目标检测算法,达到了实时检测的效果。     

基于卷积神经网络的复杂场景目标检测算法

海上石油平台监控环境复杂，采油工作平台摄像头监控角度不同，海上环境复杂多变，雨雾等天气下，摄像头图片模糊不清.针对上述增加了目标检测的难度的问题，提出了一种基于卷积神经网络的复杂场景目标检测算法（简称ODCS）来检测图像中的特定对象.该方法结合不同分辨率的特征图预测来自然处理各种尺寸的对象，消除了特征重新采样阶段，并将所有计算封装在单个网络中，这样易于训练且可以直接集成到需要检测组件的系统中.实验结果表明，相对于传统的方法，该方法检测在准确率和召回率上明显提高，且检测效率能够满足实时应用的要求.     

反射内存网络集线器驱动控制系统设计

当前驱动控制多采用人工操作检测仪方式,存在控制误差大、能耗高、微弱驱动信号检测效果不理想等问题,对反射内存网络集线器驱动控制系统进行设计,有效解决上述问题。根据驱动控制功能需求,制定驱动控制系统整体结构,改进电源单元、信息处理单元等系统硬件部分,对软件部分的驱动控制功能进行优化开发,完成反射内存网络集线器驱动控制系统的设计。实验结果表明,该系统控制误差小,运行能耗低,微弱驱动信号检测精度高。