基于 EfficientDet 的风机叶片缺陷检测方法

受工作环境恶劣等原因影响,风机叶片常会出现裂纹、凹坑等缺陷。针对当前常用目标检测算法对风机叶片小尺寸缺陷检测准确率低的问题,提出一种基于EfficientDet算法的风机叶片缺陷检测方法。首先采集图像数据并建立Pascal VOC格式的风机叶片缺陷图像数据集,然后对EfficientDet算法中的主干特征提取网络进行改进,减少向下采样次数并调整有效特征层从而增强主干特征提取网络对小尺寸缺陷的检测能力,同时为特征融合网络增加融合路径提升算法的多尺度特征融合能力,选用FReLU作为激活函数实现像素级空间信息建模,并通过Mosaic数据增强和Focal Loss损失函数增加小尺寸缺陷样本对于检测器的贡献。在建立的风机叶片缺陷图像数据集上的测试结果表明改进后的算法模型平均类别精度达到了96.15%,相较于原版的EfficientDet提升了3.77%,对小目标的检测性能有明显提升。     

自动驾驶场景的尺度感知实时行人检测

目的 行人检测是目标检测中的一个基准问题,在自动驾驶等场景有着较大的实用价值,在路径规划和智能避障方面发挥着重要作用。受限于现实的算法功耗和运行效率,在自动驾驶场景下行人检测存在检测速度不佳、遮挡行人检测精度不足和小尺度行人漏检率高等问题,在保证实时性的前提下设计一种适合行人检测的算法,是一项挑战性的工作。方法 本文旨在解决自动驾驶场景中耗时长、行人遮挡和小尺度行人检测结果精度低的问题,提出了一种尺度注意力并行检测算法（scale-aware and efficient object detection,Scale-aware EfficientDet）：在特征提取与检测中使用了EfficientDet的主干网络,保证算法效率和功耗的平衡;在行人遮挡方面,为了提高模型对遮挡现象的检测精度,引入了可以增强行人与其他物体之间特征差异的损失函数;在提高小目标行人检测精度方面,采用scale-aware双路网络算法来增加对小目标行人的检测精度。结果 本文选择Caltech行人数据集作为对比数据集,选取YOLO（you only look once）、YOLOv3、SA-FastRCNN（scale-aware fast region-based convolutional neural network）等算法进行对比,在运行效率方面,本文算法在连续输入单帧图像的情况下达到了35帧/s,多图像输入时达到了70帧/s的工作效率;在模型精度测试中,本文算法也略胜一筹。本文算法应用于2020年中国智能汽车大赛中,在安全避障环节皆获得满分。结论 本文设计的尺度感知的行人检测算法,在EfficientDet高性能检测器的基础上,通过结合损失函数、scale-aware双路子网络的改进,进一步提升了本文检测器的鲁棒性。     

优化EfficientDet深度学习的车辆检测

针对深度学习EfficientDet模型的车辆检测性能进行分析,基于训练过程中容易陷入局部最优进行优化改进,构建分阶段自适应的训练模型,利用该训练模型对短距离和远距离车辆进行检测,并将检测结果与基于Cascade R?CNN和CenterNet方法进行比较,从计算复杂度、耗时及检测精度三方面分析显示本文方法优于其他两种...     

基于增强特征融合网络的安全帽佩戴检测

佩戴安全帽是保证工人施工安全的重要方式之一。现有的安全帽检测器的检测精度与速度都有待提高，这使得这些检测器难以大规模应用于实际的生产活动中。针对这些问题，文中推出了基于EfficientDet的安全帽检测器，并在此基础上从特征融合的角度对其进行了改进。该模型通过使用特征补充的方式减少了特征融合过程中的信息损失，并利用改进的特征金字塔及自适应空间融合模块提升了融合的效率，最终达到提升性能的目的。实验表明，文中改进的模型在安全帽佩戴数据集上的精确率达到83.03%,相较于未改进的模型有所提升，且模型大小没有明显增加。该模型在PASCAL VOC 2007上的精确率则达到了82.76%。     

基于改进EfficientDet的药丸检测算法

针对药剂师在药丸分拣过程中因疲劳而出错的问题,本文提出了一种基于改进EfficientDet的药丸检测算法。首先,引入Mosaic数据增强技术来提高采样数据的复杂度;然后,对主干网络EfficientNet进行改进优化,嵌入了CBMA模块的特征融合层,通过增强学习特征提高对药丸关键特征的提取能力;最后,对BiFPN特征融合部分增加了下层到上层的跨级数据流,通过充分利用多级数据,提高了不同层次的多尺度特征融合效率。实验表明,改进后的EfficientDet算法在测试中mAP值达到99.84%,相比较原始EfficientDet算法提高了0.65%,同时也比YOLOv3,YOLOv4和YOLOv4-Tiny等性能较好的目标检测网络具有更高的准确率和更好的实际应用性。     

基于EfficientDet网络的细粒度吸烟行为识别

在实际场景中，因香烟目标过于微小且特征不明显，现有的目标检测算法难以区分类烟物与香烟，导致吸烟行为识别效果差。提出一种基于弱监督细粒度结构与EfficientDet网络的吸烟行为识别算法。采用Edge Boxes算法检测图像块的特征边缘，通过非极大值抑制对边缘进行筛选，形成候选区域块。构建包含物体级筛选器和局部级筛选器的细粒度两级注意力模型，其中物体级筛选器使用改进的EfficientDet网络滤除候选区域的背景噪声，以分类前景物体及特征较强的候选区域，并在局部级筛选器中使用通道注意力卷积块对候选区域进行聚类，筛选出得分最高的像素块。通过融合物体级筛选器与局部级筛选器得到的结果，以准确识别吸烟行为。在BUU-Smoke数据集上的实验结果表明，该算法的吸烟行为识别准确率为93.10%，误检率为3.6%，并且具有较优的鲁棒性和泛化能力。