基于RetinaNet改进的车辆信息检测

移动端计算力不足和存储有限导致车辆信息检测模型精度不高、速度较慢。针对这一问题,提出一种基于RetinaNet改进的车辆信息检测算法。首先,开发新的车辆信息检测框架,将特征金字塔网络（FPN）模块的深层特征信息融合进浅层特征层,以MobileNet V3为基础特征提取网络;其次,引入目标检测任务的直接评价指标GIoU指导定位任务;最后,使用维度聚类算法找出Anchor的较好尺寸并匹配到相对应的特征层。与原始RetinaNet目标检测算法的对比实验表明,所提算法在车辆信息检测数据集上的精度有10.2个百分点的提升。以MobileNet V3为基础网络时平均准确率均值（mAP）可达97.2%且在ARM v7设备上单帧前向推断用时可达100 ms。实验结果表明,所提方法能够有效提高移动端车辆信息检测算法性能。     

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。     

复杂环境下的轻量化道路目标识别算法研究

道路目标识别是智能交通系统解决城市拥堵问题的核心技术之一,然而现有算法在复杂交通环境下识别效果较差,存在大量漏检和误检情况,且模型参数量大,不适合在实际场景下部署于资源有限的移动端设备。针对以上问题,提出一种复杂环境下的轻量化道路目标识别算法。基于SSD算法结构设计一种可重构的特征提取网络框架,利用3种轻量化模块分别构建浅层特征提取网络,以自定义的Additional Block构建深层特征提取网络,并分别采用通道注意力机制和轻量化感受野扩大(RFB-L)模块提升模型对各尺寸目标的检测效果。利用自定义的像素与通道信息融合模块实现浅层与深层特征的融合,丰富待检测特征图包含的信息。同时,提出一种多特征融合的学习率调节算法,使得训练过程中模型性能稳定地达到收敛。自制复杂拥堵道路数据集Hohhot＿city用于算法训练和测试,与主流算法的对比实验结果表明,该算法性能明显优于参数量同级别的YOLOv4-tiny和YOLOv5s算法,在参数量不到YOLOv5m算法40%的情况下与其检测精度接近,并取得了12.8 ms的推理时间和99.1%的均值平均精度。     

基于图像切片的移动端输电线路鸟类检测算法研究

输电线路作为电网的基础组件,其故障是影响电网稳定运行的主因,其中鸟类是输电线路的主要安全隐患.为了实现低耗能、高精度的驱鸟,论文提出一种基于图像切片的移动端鸟类检测算法,同时为减少图片传输的网络时延及避免因网络中断造成的数据丢失,鸟类检测在移动终端实现.但是移动终端的计算性能和存储性能较低,无法直接运行基于深度学习的目标检测算法,因此论文将图像进行切片把目标检测问题转换为图像分类问题,采用ResNet18对切片进行鸟类识别.此外,为进一步减少无鸟图像的识别时间,在对每一个切片进行识别之前,先计算实时采集图像和不包含鸟的模板图像的差值,只有差值较大时才进行识别.实验证明,论文提出的模型在精度和速度上都可以在移动端上满足输电线路鸟类检测任务的要求,具有推广意义.     

巡逻机器人的图像采集与处理技术研究

针对固定摄像头无法移动监控的问题,设计了一款基于图像采集与处理技术的巡视机器人.通过安装在机器人上的摄像头可以对监控区域进行实时的监测,实现对运动目标识别并追踪.论文使用COMS传感器的摄像头来实现图像采集,使用Python语言对图像灰度变换、滤波等算法的调试,还用到了Opencv中功能丰富的函数库.最终实现图像快速分析,并可以实现目标的匹配任务,从而提高了移动目标跟踪的可靠性.     

适用于移动端的输电线路鸟类检测算法研究

输电线路安全是电网安全稳定运行的前提,但是频繁的鸟类活动却给输电线路造成了严重影响。为解决传统驱鸟方式的弊端,研究人员采用深度学习算法进行鸟类检测,然而深度学习算法需运行在性能好的服务器上,这必然会造成网络时延,无法做到实时驱鸟,所以应在移动端进行鸟类检测,但现有的目标检测算法模型较大,无法直接应用在移动端,因此本文提出一种适用于移动端的YOLO v3输电线路鸟类检测算法,将YOLO v3模型中的基础网络darknet-53替换成轻量级的特征提取网络MobileNet,实现了移动端输电线路鸟类检测。实验结果表明,在输电线路鸟类检测任务中,该模型准确率可达到83.57%,检测速度达到61 fps,可在内存4 GB的移动端平台稳定运行,能够满足输电线路鸟类检测任务的精度要求及实时性要求,具有良好的应用前景。     

移动远程视频监控系统

为了扩大单个摄像头的视频监控范围及灵活性, 设计了一种可远程操控的移动视频监控系统. 该系统由四个模块组成, 基于Arduino系统的智能车搭载有摄像头, 接收用户指令, 用于移动视频的采集; 嵌入式Linux系统通过V4L2接口实现对视频数据的实时采集, 一方面将数据通过网络发送至转发服务器, 另一方面将来自用户的控制指令转发至智能车; 服务器则用于转发视频至客户端以及转发用户控制指令至Linux系统; 基于Android的移动端呈现监控视频并提供用户控制界面. 与现有系统相比, 该系统可使用单摄像头实现无死角监控.     

基于YOLOv5的智能果蔬识别与成熟果蔬计数系统的设计与实现

智慧农业是中国农业现代化的重要方向。将人工智能与农业生产相结合，设计并实现智能果蔬识别与计数系统，该系统基于YOLOv5训练模型，支持石榴、圣女果、草莓等五种果蔬类别与成熟数量的识别。该系统主要包括Android移动端应用和Web服务端应用。用户可以通过Android移动端摄像头设备实时采集农场中果蔬照片并进行种类与成熟度数量检测，管理员可以通过Web服务端应用实时监控用户数量、果蔬种类、每类果蔬检测数据等信息，辅助决策，方便统筹管理。     

基于改进SSD算法的城市轨道交通多通道闸机控制研究

城市轨道交通多通道闸机独立工作,对多个闸机精准控制难度较大,所以研究基于改进SSD算法的城市轨道交通多通道闸机控制方法;将SSD网络与FPN网络相结合,结合先验框生成与损失函数优化实现SSD算法改进,利用改进SSD算法和数据融合结果识别通行目标;根据通行目标识别结果和传感器设备确定闸机通道内的通行情况,从而设计多通道闸机控制处理子程序,完成城市轨道交通多通道闸机控制;实验结果表明,在改进SSD算法作用下,闸机闭合状态始终与行人的当前行进方向保持一致,提高了控制精准度和实时通过率。     

基于通道剪枝和量化的卷积神经网络压缩方法

为提升辅助维修技术在实际工程应用中的性能,解决嵌入式设备性能有限,难以实现实时物体识别任务这一问题,以提高轻量级卷积神经网络在嵌入式平台中的识别速度为目标,提出一种基于通道剪枝和量化的综合卷积神经网络压缩方法.以MobileNet V3模型进行实验,其结果表明,该卷积神经网络压缩方法有效压缩了网络结构,在识别精度损失可接受的情况下,实现了目标物体在嵌入式平台上的实时识别.     

基于科优先策略的植物图像识别

植物识别领域的研究包括单一背景和自然环境植物图像识别,由于背景噪声的存在,自然环境植物图像识别难度更大。针对如何降低卷积神经网络（CNN）的权重大小、如何改善过拟合、如何提高模型对自然环境植物的识别率和泛化能力的问题,提出科优先（FP）的植物识别方法。与轻量卷积神经网络MobileNet模型结合,利用迁移学习的方法,建立基于MobileNet的科优先（FP-MobileNet）植物识别模型。单纯使用MobileNet模型在单一背景植物数据集flavia上获得了99.8%的识别率;对于更具挑战的自然环境花卉数据集flower102,在训练集样本数量大于测试集时FP-MobileNet获得了99.56%识别率,在训练集样本数量小于测试集时FP-MobileNet仍获得了95.56%的识别率。实验结果表明,两种数据集划分方案下FP-MobileNet的识别率均高于单纯的MobileNet模型;并且FP-MobileNet模型在获得较高识别率的同时,权重仅占13.7 MB,兼顾了精度和延迟,适合推广到需要轻量模型的移动设备。     

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。     

基于嵌入式深度学习的电力设备红外热成像故障识别

随着大型图像集的出现以及计算机硬件尤其是GPU的快速发展, 在有限计算资源的嵌入式设备上部署卷积神经网络(CNN)模型成为具有挑战性的问题. 电力设备过热故障可以通过采集的红外热成像进行识别. 由于红外辐射在空气中传播衰落, 红外测温结果低于实际温度值. 本文提出一种基于嵌入式设备的高效卷积神经网络用于电力设备热故障检测, 将SSD算法中的骨干网络替换为MobileNet, 同时Batch Normalization与前一卷积层合并, 以减少模型参数、提升推理速度、使之能够在轻量级计算平台上运行. 针对红外辐射在空气中传播损失的问题, 提出一种基于BP神经网络的红外测温修正单元. 基于上述创新设计了一种电力设备热故障检测系统, 实验以及现场应用表明, 该方法具有较高的准确性以及推理速度.     

面向移动平台人脸检测的FaceYoLo算法

针对移动平台上人脸检测实时性不强的问题,提出了一种基于深度学习的FaceYoLo实时人脸检测算法。首先,在YoLov3检测算法的基础上,加入快速消化卷积层（RDCL）缩小输入空间,然后加入多尺度卷积层（MSCL）丰富不同检测尺度的感受野,最后加入中心损失和致密化策略加强模型的泛化能力和鲁棒性。实验结果表明,在GPU上测试时,该算法较YoLov3算法在速度上提高至原来的8倍,每幅图像的处理速度可达0.002 8 s;精度提高了2.1个百分点;在Android平台上测试时,该算法较最好的MobileNet模型在检测速率上从5 frame/s提升到10 frame/s。通过实验结果可知,该算法能有效提高人脸检测在移动平台上的实时性能。     

融合注意力机制与改进SSD算法的SAR舰船目标检测方法

针对单次多盒检测算法(SSD)对复杂背景下合成孔径雷达(SAR)图像舰船目标的检测容易出现误检或漏检情况,提出一种基于融合注意力机制与改进的SSD算法的目标检测方法。首先在SSD算法上引入ResNet网络并进行改进,以提供丰富的语义信息和细节信息,提高算法的鲁棒性;其次融合通道和空间注意力增强对舰船目标的辨认能力,抑制海杂波等干扰信息;同时改进损失函数来解决舰船密集分布时的漏检问题,提高网络训练效果。数据集上的实验表明,该方法平均准确率(mAP)为87.6%,比SSD算法提高了4.2个百分点,目标的漏检和误检明显减少。相比SSD算法,该算法对复杂背景下的舰船目标有较好的辨别能力和鲁棒性,抗干扰能力有所提升。     

城市灾区无人机网络自适应覆盖优化算法

城市灾区中,地面用户节点的移动特性使得应急网络覆盖成为难题。针对城市灾区移动用户节点的应急网络覆盖优化问题,提出一种无人机网络自适应覆盖优化算法。对布谷鸟搜索算法进行改进,并对目标函数进行优化调整,将城市灾区地面用户节点的移动模型应用于改进的布谷鸟算法模拟中,最终实现对城市灾区重点区域移动用户的自适应覆盖优化。仿真结果表明,所提算法与相同实验环境下的标准布谷鸟算法（CSA）和模拟退火算法（SAA）相比,对重点区域的覆盖率分别提升了2.98个百分点和1.87个百分点。多次实验表明无人机网络的覆盖率、连通性及路径损耗稳定,且随着仿真时间变化,应急网络的性能稳定。证明了该算法不仅能够对城市灾区移动节点提供稳定的动态网络覆盖,有较强的全局以及局部寻优能力且能够更加有效地提高对重点区域的覆盖率。     

基于特征融合的SSD视觉小目标检测

针对SSD算法在检测目标过程中对小目标检测效果差的缺陷,提出了特征融合的SSD方法。该方法充分融合深浅层特征信息以提升网络模型对小目标的检测能力,为更好地检测小目标,将先验框尺寸相对原图比列进行调整,同时对SSD模型相应超参数值进行调整。实验结果表明,检测精度mAP较SSD提高3.4个百分点,对小目标Bottle、Chair、Plant检测精度分别提升8.7个百分点、3.4个百分点和7.1个百分点。检测精度mAP较当前一系列性能优异的目标检测算法有显著提高。通过拓展实验进一步证明改进算法成功检测到了大多数SSD算法没有检测到的小目标,提高了平均检测准确率。     

一种适用于移动设备在线阅卷的答题卡自动识别算法

基于智能移动设备的阅卷方式无需专用设备即可快速阅卷,降低成本的同时还能增加阅卷工作的可移动性。为解决移动设备拍照阅卷时,出现的阴影、反光、倾斜(-45°~45°)等情况,设计并实现了一套答题卡自动识别算法,算法主要分为三部分：图像预处理、待识别区域定位与分割、答题卡内容识别。不同操作系统(PC、Android、IOS)下测试结果表明：该算法正常填涂采集识别率为100%,异常填涂采集识别率为93.6%;识别速度小于2s,满足实时性要求;无需修改就能在不同操作系统下编译运行,提高了程序的通用性和兼容性。目前该算法已成功应用于某教育企业上线APP中。