基于多尺度特征融合的火灾检测模型

对双阶段目标检测模型Faster R-CNN进行火灾检测应用的改进.采用Resnet101模型作为特征提取网络,使用特征金字塔结构FPN提取了Resnet101的浅层特征和高层特征,将Resnet101的浅层特征图输入Inception Module结构提取多种尺寸的卷积特征,使用像素注意力机制和信道注意力机制对目标位...     

基于卷积神经网络的仓储物体检测算法研究

针对仓储环境中物体检测公开数据集匮乏的问题,通过摄像机采集真实仓储环境中包含货物、托盘和叉车的大量图像进行标注,创建了一个仓储物体数据集. 同时针对传统物体检测算法在仓储环境中检测准确率较低的问题,将基于卷积神经网络的DSOD应用于仓储环境中,通过在自己创建的仓储物体数据集上从零开始训练DSOD模型,实现了仓储物体的准确性检测. 该算法的mAP达到了93.81%,比Faster R-CNN、SSD分别提高了0.04%、1.44%; 并且模型大小仅有51.3 MB,比Faster R-CNN、SSD分别减小了184.5 MB、43.4 MB. 实验结果表明,该算法获得了较为满意的仓储物体检测效果,其在仓储物体检测领域具有一定的实用价值.     

基于改进Faster R-CNN的铝材板缺陷检测研究

针对Faster R-CNN算法对于铝材板缺陷中大小跨度大的缺陷以及缺陷定位不准确的问题,提出改进Faster R-CNN用于铝材板缺陷检测.首先将VGG16特征提取网络替换为ResNet-101融合特征金字塔FPN,以提升模型对尺寸大小跨度大的缺陷的检测能力;其次,针对一些宽高比相差悬殊的铝材板缺陷定位不准问题提出K-means++聚类算法,用聚类结果调整基础锚框宽高比,使得模型更好框住缺陷以及一定程度上提升模型检测准确度.改进Faster R-CNN模型相比于传统Faster R-CNN模型准确率由79.5%提升至92.93%.     

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。     

架空输电线路无人机巡检视频中避雷器计数器目标检测

针对架空线路无人机智能巡检的应用,开发基于无人机巡检视频的避雷器计数器仪表智能识别系统,研究了利用深度学习对巡检视频中的避雷器计数器进行目标检测定位,以提取避雷器计数器的目标区域位置,用于下一步的读数识别。采用基于拉普拉斯算子方差的模糊检测算法对样本进行筛选,构建用于目标检测模型训练的避雷器计数器样本集;并分别采用更快的基于区域的卷积神经网络（faster region-based convolutional neural network,Faster R-CNN)、YOLOv3(you only look once version 3）目标检测、单步多框目标检测(single shot multibox detector,SSD)3种主流的目标检测模型对视频中的避雷器计数器进行检测定位。研究结果表明:Faster R-CNN对研究中构建的测试集的检测准确率可达到99.21%,远高于YOLOv3和SSD。     

改进的Faster R-CNN海洋鱼类检测模型

为提高海洋鱼类检测的准确率,提出一种基于Faster R-CNN的海洋鱼类检测方法.首先,利用迁移学习方法训练Faster R-CNN网络,克服海洋鱼类样本集有限的限制;其次,增加颈部连接层,使用双向特征金字塔网络(BiFPN)进行特征融合,得到具有丰富位置信息和语义信息的融合特征图;再次,将卷积层输出的特征矩阵作外积相乘运算,提高对相似海洋鱼类的识别精度;最后,结合Mask R-CNN中的ROI Align方法对预测位置进行二次修正,使检测框更加准确.实验结果表明,在检测海洋鱼类数据集时,与原始的Faster R-CNN算法相比,改进后的Faster R-CNN检测模型的平均准确度均值提高了7.4%.     

基于伪样本正则化Faster R-CNN的交通标志检测

针对交通标志检测算法往往仅能对特定类标志检测或基于深度学习方法因训练样本少而造成"过拟合"高风险等问题,本文提出了一种基于伪样本正则化Faster R-CNN深度学习的标志检测算法。该算法首先通过训练数据集提供的标志和无标注的背景样本,提出了一种伪样本正则化策略。然后,通过深度学习模型中区域建议生成网络获取建议区域。最后,利用交替训练策略、共享CNN策略和联合训练策略、RPN网络和Fast R-CNN目标检测网络交替训练和联合训练,最终获取Faster R-CNN交通标志检测模型,实现了各类标志的检测,并有效降低了"过拟合"风险。实验结果验证了本文算法的有效性。     

基于超分辨率重建技术的遥感图像小目标检测

针对传统舰船遥感图像存在背景复杂和信息模糊等问题,提出一种基于超分辨率重建的舰船遥感图像小目标检测算法.该方法首先通过超分辨率重建技术对信息模糊的原始遥感图像进行清晰重建,防止重建图像过程中出现过大的固有特征损失和过于平滑的梯度变化.在此基础上建立Faster R-CNN网络,自动提取图像数据集目标特征,准确地实现舰船遥感图像中的小目标识别.实验结果表明,基于超分辨率重建的检测算法的综合效率达到65.5%,相比传统算法提高12.9%.由此证明,改进后的算法能够有效克服目标尺寸小和识别背景复杂所带来的检出率低和准确率差等问题.     

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.     

基于深度学习的藏文现代印刷物版面检测技术研究

针对藏文现代图书版面中的文本行分布不均匀、现代藏文字体差异较大的问题,提出了一种基于Faster R-CNN的版面文本行检测算法. 通过在整理标注的数据集上训练,用ResNet-50网络提取出藏文现代图书版面特征信息. 为了有效提高模型的泛化能力,在COCO数据集下的网络模型中进行迁移学习. 实验结果表明,该方法可对藏文现代印刷物的版面实现文本行的定位,检测准确率为83%,召回率为95%,明显提高了版面检测的精确度.