基于深度学习的物流货柜自动识别模型研究

为提升物流货柜自动识别的准确率和检测速率,该文提出了一种基于深度卷积神经网络的改进算法。该算法将DenseNet卷积神经网络融入SSD检测算法中,利用DenseNet的Block模块,提高梯度信息传播能力,使得检测模型具有更高的识别准确率和收敛速度。实验结果表明,该改进型算法的平均识别准确率为71.3%,检测速率为每秒42帧,相比YOLO和SSD算法,其平均检测准确率和检测速率均得到明显提升。     

基于Faster RCNN的红外热图像热斑缺陷检测研究

光伏组件在日常运行中不可避免会产生各种缺陷,热斑缺陷就是其中一种.现有的研究主要针对光伏组件在生产工艺流程中出现的缺陷,对日常运行中光伏组件产生的缺陷检测算法研究很少并且存在泛化能力差、准确率不足等问题.本文在原始Faster RCNN的基础上,结合图像预处理、迁移学习、改进特征提取网络模型以及改进锚框选区方案,得到热斑缺陷检测模型.实验证明,使用本文模型在自制的测试集上平均检测准确率可达97.34%,相比原始Faster RCNN提高了4.51%.     

基于改进SSD算法对奶牛的个体识别

为了实现养殖场环境下无接触、高精度的奶牛个体有效识别,针对SSD（single shot multibox detector）算法识别准确率不高的问题,提出一种基于浅层特征模块的改进SSD（shallow feature module SSD,SFM-SSD）算法。将原始SSD算法的主干网络由VGG16替换为MobileNetV2,以降低网络的运算量,改善检测的实时性;针对SSD网络结构的浅层特征图设计浅层特征模块,扩大浅层特征图的感受视野,提高浅层特征图对目标物体的特征提取能力;利用[K]均值聚类算法重构区域候选框,提高算法的检测精度。实验结果表明：在奶牛个体识别任务中,SFM-SSD算法的平均准确率比原始的SSD算法提升3.13个百分点。同时检测的实时性也得到改善。     

基于无人机倾斜测量的建筑特征提取与分类研究

针对无人机倾斜测量的建筑特征提取与分类精度低的问题,提出一种结合SSD(Single Shot MultiBox Detector)算法和最小显著性差异法(Least Significant Difference, LSD)算法的建筑特征提取与分类方法。首先将SSD算法模型原始卷积层建立为目标特征层,并采用空洞卷积底部采样方式结合深层特征与浅层特征,实现SSD算法改进;然后采用改进SSD算法对含目标建筑物的图像进行筛选;最后利用LSD算法对筛选出的图像进行分类识别,以此实现建筑特征提取与分类。仿真结果表明,所提方法可有效提高无人机倾斜测量的建筑特征提取与分类识别精度,相较于Radon和PPHT算法模型,所提方法对建筑物中心识别准确率和组识别准确率最高,分别达到94.75%和83.49%,可实现1:500的航空摄影测量大比例尺地形图绘制。     

改进多层尺度特征融合的目标检测算法

为提高小目标检测任务的准确率和稳定性,解决SSD(single shot MultiBox detector)算法在小目标识别和定位过程中准确率较低的问题,基于SSD算法提出一种改进方法.在原始的SSD卷积网络结构上进行修改和优化,通过特征图之间的特征融合,重构卷积预测特征图上的物体特征信息.考虑到网络复杂度增加带来的...     

面向无人机作战的复杂光照环境下小目标检测方法研究

针对复杂光照环境下无人机作战的小目标难以检测问题,以引入注意力机制的YOLOv5s-Se模型为基础,设计了基于Ghost模块与形状损失函数的YOLOv5s-Se_Point改进模型。该模型首先引入形状特征损失函数,提高对小目标形状特征的提取能力。然后,使用Ghost模块替换网络Backbone中的卷积模块,以提高识别速度,降低模型尺寸。通过设置模拟作战场景进行实验,结果表明YOLOv5s-Se_Point相对于YOLOv5s和YOLOv5s-Se模型,在准确率和检测速度上具有一定优势,可以有效地改善复杂光照环境下传统算法的缺陷,提高算法的鲁棒性,实现对复杂光照环境下小目标的有效识别。     

基于卷积注意力的输电线路防震锤检测识别

为提高单目标多分类(Single Shot MultiBox Detector,SSD)网络模型对输电线防震锤的识别准确率,提出一种融合卷积注意力机制和SSD模型相结合的新方法。该算法采用残差网络ResNet作为骨干网络,引入卷积注意力机制将通道和空间注意力结合,通过压缩提取中间特征和利用权重系数更好地分辨出前景与背景,提高对输电线路中防震锤检测的精度和速度。训练时引入迁移学习策略,克服了模型训练困难问题。实验结果表明,提出的算法不仅提高了检测准确率,计算效率亦得到了提升。与经典SSD算法相比,输电线路的防震锤检测准确率提升了2.5%,检测速度达到了12fps识别效果明显提升,证明了新算法的有效性。     

改进SSD算法在中国手语识别上的应用

基于计算机视觉的手语识别技术能为聋校双语教学带来很大的便利。近年来,随着深度学习技术的蓬勃发展,手语识别的准确率和速度有了极大的提高。与使用颜色标记和外界技术（如Kinect手心定位技术）的方法不同,提出一种改进的SSD（Single-Shot Multibox Detector）网络,对手势进行目标检测完成中国手语识别。针对手部小目标,将SE-Net嵌入SSD中的特征层进行通道权重分配,改进损失函数更好地应对正负样本不均衡问题,使用mixup进行数据增强,将手势识别结果在中国手语关键手势模板库中进行匹配,从而完成动态手语识别。实验证明,该算法在手语识别上具有较高的准确率和识别速度。     

基于简化Forstner算子改进的SIFT无人机图像识别算法

根据无人机获取图像信息量大、处理实时性要求高的特点,寻找一种符合无人机特点的图像目标识别算法,提高图像识别的效率。SIFT(Scale Invariant Features Transform)算法具有良好的准确性和鲁棒性,能够克服一定的图像形变及遮挡影响,但其还难以满足无人机图像的处理实时性,利用简化的Forstner算子对SIFT算法进行改进,降低SIFT算法特征点获取过程的计算量。通过仿真实验,证明改进的SIFT算法可以提高识别和匹配的速度和准确率,可以满足复杂背景下无人机目标识别精度与速度的需求。     

基于区域神经网络的TFT-LCD电路缺陷检测方法

对薄膜晶体管液晶显示器（TFT-LCD）边框电路中细微、复杂的缺陷进行检测,一直是自动光学检测（AOI）的一个难点。本文提出基于改进的快速区域神经网络（FasterR-CNN）算法对TFT-LCD边框电路的缺陷进行检测。首先在共享卷积层进行特征提取,然后通过多层的区域提议网络结构生成精确候选区域,根据候选区域的特征和目标分类实现对缺陷的识别和定位。同时设计多种有效的网络结构并详细分析网络层深度及卷积核大小对检测效果的影响,最后进行不同算法的比较。在实际构建的数据集上实验,结果表明本文方法具有良好的检测效果,对6种类别的液晶屏边框电路缺陷识别定位达到平均每张0.12s的检测速度和94.6%的准确率。     

基于改进SSD算法的车辆检测

SSD算法利用多尺度特征图进行分类和位置回归,检测小目标效果优于YOLO算法,但SSD算法在进行车辆检测时存在漏检问题。为此,提出一种改进SSD算法。为提取更多的车辆特征信息,设计改进Inception模块替代SSD网络中的Conv8、Conv9和Conv10层。将浅层特征的位置信息和深层特征的语义信息进行均衡化融合,构建多尺度特征融合均衡化网络,提高小目标车辆识别率。在特征提取层均引入SENet,对不同特征通道的重要性进行重标定以提高模型性能。实验结果表明,改进后SSD算法在自制的车辆数据集上平均精度为90.89%,检测速度达到59.42 frame/s,相比改进前的SSD算法,在精度和速度上分别提高2.65个百分点和17.41 frame/s,能够更快速、准确地对图像中的车辆进行识别和定位。     

改进SSD的可回收垃圾检测方法

目前我国可回收垃圾的回收利用主要依靠人工分拣的方式,造成了人力资源浪费、资源利用率低等问题。为提高资源的回收利用,提出了一个基于改进single shot multibox detector（SSD）算法的可回收垃圾检测器。针对模型参数量大,难以部署应用的问题,选用新的主干特征提取网络,引入轻量化的网络RepVGG替换SSD中的VGG16网络,同时采用结构重参数化的方式大幅减少参数量和计算量。修改SSD的辅助卷积层结构,进一步减少参数量。针对数据集尺寸变化大的问题,引入SK模块,自适应调整感受野的尺寸,提高检测精度。实验结果表明,改进的SSD模型在可回收垃圾检测任务上具有较好的检测精度和实时性,精度为95.23%,相较于原始SSD提升了4.33个百分点,检测速度可以达到64?FPS,因此该算法可以更好地应用于工业。     

面向车辆和行人检测的KM-SSD方法

传统SSD改进方法在提升SSD目标检测精度的同时会降低其检测速度。针对这一问题,本文以SSD为基础,提出改进的KM-SSD方法。该方法首先利用K-means+〖KG-*3〗+聚类算法自适应学习先验框的宽高比例;然后设计高效特征融合模块实现高低层特征信息融合;最后本文在具有挑战性的KITTI数据集上对KM-SSD方法进行验证。实验结果表明,SSD的mAP为62.7%,平均检测时间为0.162 s;KM-SSD的mAP为69.8%,平均检测时间为0.133 s。因此,KM-SSD不仅提升了SSD在车辆和行人检测下的准确度,更是提高了SSD的检测速度,从而验证了本文所使用的K-means+〖KG-*3〗+聚类算法的有效性和特征融合方法的高效性。     

交通场景中改进SSD算法的小尺度行人检测研究

由于交通场景中的行人目标所处的背景环境复杂、目标较小等因素,使得目前的行人检测算法在实际应用中存在检测精度不高、检测速度较慢的问题.因此行人检测模块作为高级辅助驾驶系统的核心模块,一直以来都是目标检测的研究热点之一.针对交通场景中小尺度行人目标,将传统的SSD网络结构中的主干网络卷积层结合Inception模块中的稀疏...     

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.     

改进SSD算法的道路小目标检测研究

在道路场景中,因小目标分辨率低且特征不明显,传统的目标检测算法难以确认其所属类别和位置信息,导致检测精度低、检测速度慢、漏检率高。提出一种改进SSD的道路小目标检测算法RFG_SSD。在SSD网络结构的主干部分和检测部分之间,通过引入改进的特征金字塔网络结构,融合浅层和深层感受野的特征信息,以获得小目标语义信息丰富的特征图。将深层特征提取网络ResNet 50作为改进网络的主干特征提取网络,提高整体网络的检测精度。为加快网络运算速度,基于检测层结构,利用全局平均池化层代替全连接层,减少网络参数量。实验结果表明,与SSD、VGG16+SFPN等算法相比,该算法能够有效提高小目标检测性能,且加快检测速度,其在BDD100K数据集上的平均精度和检测速度分别为98.05%和85.56 frame/s,小目标检测个数相较于SSD算法提高3倍多。     

基于深度学习的遥感图像目标检测与识别

为解决目前的遥感图像目标检测算法存在的对小尺度目标检测精度低和检测速度慢等问题,提出了一种基于深度学习的遥感图像目标检测与识别算法。首先,构建一个含有不同尺度大小的遥感图像的数据集用于模型的训练和测试;其次,基于原始的多尺度单发射击（SSD）网络模型,融入了设计的浅层特征融合模块、浅层特征增强模块和深层特征增强模块;最后,在训练策略上引入聚焦分类损失函数,以解决训练过程中正负样本失衡的问题。在高分辨率遥感图像数据集上进行实验,结果表明所提算法的检测平均精度均值（mAP）达到77.95%,相较于SSD网络模型提高了3.99个百分点,同时检测速度为33.8 frame/s。此外,在拓展实验中,改进算法对高分辨率遥感图像中模糊目标的检测效果也优于原多尺度单发射击网络模型。实验结果说明,所提改进算法能够有效地提高遥感图像目标检测的精度。     

基于深度学习的遥感图像目标检测与识别

为解决目前的遥感图像目标检测算法存在的对小尺度目标检测精度低和检测速度慢等问题，提出了一种基于深度学习的遥感图像目标检测与识别算法。首先，构建一个含有不同尺度大小的遥感图像的数据集用于模型的训练和测试；其次，基于原始的多尺度单发射击（SSD）网络模型，融入了设计的浅层特征融合模块、浅层特征增强模块和深层特征增强模块；最后，在训练策略上引入聚焦分类损失函数，以解决训练过程中正负样本失衡的问题。在高分辨率遥感图像数据集上进行实验，结果表明所提算法的检测平均精度均值（mAP）达到77.95%，相较于SSD网络模型提高了3.99个百分点，同时检测速度为33.8 frame/s。此外，在拓展实验中，改进算法对高分辨率遥感图像中模糊目标的检测效果也优于原多尺度单发射击网络模型。实验结果说明，所提改进算法能够有效地提高遥感图像目标检测的精度。     

基于DSSD的静态手势实时识别方法

手势识别作为一种自然和谐的人机交互方式,具有广泛的应用前景,而传统手势识别方法准确率不高、实时性较差。为此,在DSSD网络模型的基础上,提出一种静态手势实时识别方法。自制手势数据集,通过K-means算法及手肘法选取先验框的宽高比,采用迁移学习的方法解决数据量小导致的检测精度低的问题,同时根据识别精度选择ResNet101为DSSD模型的基础网络,经DSSD模型的反卷积模块融合各个特征提取层的语义信息,加强对小手势目标的检测能力。实验结果表明,该方法识别静态手势的识别率达到95.6%,较基于Faster R-CNN、YOLO和SSD的手势识别方法分别提高了3.6%、4.5%及2.3%,其检测速度为8 frame/s,能够满足实时检测要求。