多尺度特征和极化自注意力的Faster-RCNN水漂垃圾识别

针对小目标水漂垃圾形态多变、分辨率低且信息有限,导致检测效果不理想的问题,提出一种改进的Faster-RCNN(Faster Regions with Convolutional Neural Network)水漂垃圾检测算法MP-Faster-RCNN(Faster-RCNN with Multi-scale feature and Polarized self-attention)。首先,建立黄河兰州段小目标水漂垃圾数据集,将空洞卷积结合ResNet-50代替原来的VGG-16(Visual Geometry Group 16)作为主干特征提取网络,扩大感受野以提取更多小目标特征;其次,在区域生成网络(RPN)利用多尺度特征,设置3×3和1×1的两层卷积,补偿单一滑动窗口造成的特征丢失;最后,在RPN前加入极化自注意力,进一步利用多尺度和通道特征提取更细粒度的多尺度空间信息和通道间依赖关系,生成具有全局特征的特征图,实现更精确的目标框定位。实验结果表明,MP-Faster-RCNN能有效提高水漂垃圾检测精度,与原始Faster-RCNN相比,平均精度均值(mAP)提高了6.37个百分点,模型大小从521 MB降到了108 MB,且在同一训练批次下收敛更快。

基于Faster-RCNN网络的接箍自动识别方法

在可视化测井中,深度对于判断油管缺陷位置、射孔位置至关重要,而现有的测深系统具有一定的深度误差。在观测井下视频人工查找接箍,存在耗时、检测速度慢等问题。先对VideoLog油气井可视化测井技术采集到的井下视频进行图像增强,引入Faster-RCNN模型,采用ResNet50网络作为特征提取网络提取接箍特征,最终通过兴趣区域池化网络和全连接层完成接箍的识别定位。该模型有着0.99的平均精度,在实验中,视频中的接箍均可被准确识别,具有识别速度快和准确率高等优点。

基于改进版Faster-RCNN的复杂背景下桃树黄叶病识别研究

由于桃树黄叶病(以下简称PTYLD)初期症状不明显,现有的基于深度学习的桃树病害识别技术,存在识别准确率不高、识别品种单一的问题,提出一种基于Faster-RCNN的PTYLD识别模型。为提高模型对PTYLD识别准确率和识别多样性,提出使用RS-Loss函数代替RPN中的交叉熵函数、使用Soft-NMS算法代替原来的NMS算法,来改进Faster-RCNN。通过试验对比初始版和改进版Faster-RCNN对PTYLD的识别效果。试验结果显示,改进后的Faster-RCNN对黄叶病识别的各类别平均准确率mAP达90.56%、召回率达94.16%、准确率达92.53%,能识别常见的五种PTYLD。

基于迁移学习和改进Faster-RCNN遥感影像飞机目标检测

为了提高遥感影像飞机目标检测的准确性和泛化能力,需要解决背景复杂、尺度多变、目标密集、飞机朝向不确定和特征不明显等问题。但现阶段训练数据量有限,初始训练需要消耗大量算力和时间,容易出现过拟合现象。因此,需要优化模型结构和训练过程。针对上述问题,首先引入一种迁移学习的策略,在Faster-RCNN模型训练之前,加载MS COCO数据集预先训练好的权重,使模型快速收敛,节约了大量的训练时间。然后以ResNet50替代原Faster-RCNN的VGG16特征提取网络,更好地利用深层次的语义信息,在此基础上结合FPN网络,并对原Faster-RCNN的9种锚框增加为15种锚框,通过融合多尺度特征图以获得更丰富的特征表示,从而提高网络检测和定位目标的能力。以RSOD-Dataset数据集为例进行飞机目标检测实验,同时比较不同检测算法的性能;再以NWPU VHR-10数据集验证模型的泛化性和稳定性,实验结果表明:改进的Faster-RCNN在RSOD-Dataset数据集上的精确率为97.54%;在NWPU VHR-10数据集上的精确率为98.27%。通过迁移学习和改进Faster-RCNN的网络结构,可以实现在数据量较少的情况下高精度目标检测,且泛化能力较强,所提方法可以利用于其他目标检测和识别,具有较好的推广意义。

基于Faster-RCNN的绝缘子缺陷检测

针对传统人工检测绝缘子缺陷效率低的问题,提出一种基于Faster-RCNN的绝缘子缺陷检测方法。首先对航拍的绝缘子缺陷图片进行数据增强,其次算法中使用残差网络结构并引入注意力机制,提升检测效果的同时降低了模型复杂性,使用组归一化方式代替批归一化方式,最后用Soft-NMS代替NMS进行结果优化。试验结果表明,改进后算法的精确率达到90.3%,与改进前相对比精确率提升了14.7%,使绝缘子缺陷检测的有效性与可靠性得到了提升。

基于Faster-RCNN与自注意力机制的矿山图像异常检测算法

矿山异常行为检测是一项重要工作,有助于提高采场安全生产监管效率。提出了一种基于自注意力机制的Faster-RCNN算法,用于矿山图像异常行为检测。该算法通过自注意力机制对特征图进行加权,有效提取关键特征,并减少冗余信息干扰。首先,从图像中提取RoI区域,并通过自注意力机制对RoI区域内的特征图进行加权,使得关键特征得到更准确的提取。同时,对RoI区域内的特征图进行细粒度融合,以捕捉更多的图像细节信息。最后,使用分类器对每个RoI区域进行分类,以检测图像中的异常行为。在自建数据集上对算法进行了训练与评估,试验结果表明:所提算法在矿工图像异常行为检测工作上表现出更高的准确性和鲁棒性,与传统的Faster-RCNN算法相比,该算法检测精度提高了4.8%。此外,该算法对于光照和角度等变化具有更好的鲁棒性,可以有效应对实际场景中的复杂环境。

改进型Faster-RCNN配网线路防外破检测方法

配网线路高度较低,铺设密集,由于外界因素干扰易受外力破坏,为此提出一种改进型Faster-RCNN配网线路防外破检测方法。首先针对采集到的数据集的局限性进行图像增强与标注,建立质量较高的配网线路防外破图像数据集;其次,为提高Faster-RCNN的特征提取与特征学习能力,以深度残差网络ResNet101替换VGG16,引入特征金字塔,融入CBAM注意力机制模块进行结构改进;然后为提高学习效果,采用难易样本平衡损失函数优化进行参数改进;最后通过西北某地区图像进行验证。结果表明,所提模型鲁棒性较强,泛化性较好,具有一定优越性。

基于改进Faster-RCNN的无人驾驶目标检测

针对Faster-RCNN主干特征提取网络Resnet50原本的ReLU函数性能仍有提升空间这样的问题。论文探索使用高斯误差线性单元激活函数GELU去提升原网络的性能。高斯误差线性单元激活函数GELU相较于ReLU激活函数,用概率的方法去保留有效信息,而不是ReLU函数那样单纯的对于大于0的信息保留,小于0的信息舍弃。这使得用GELU作为激活函数能更准确反映图像信息,从而提高网络整体的目标检测性能。实验表明,改进后的网络的mAP相较于原网络有了一定的提升,在识别道路信息时有更好的表现,能够更好地应用于无人驾驶技术。

基于Faster-RCNN算法的玉米叶面病害识别系统

针对玉米种植面积广,但易受病害影响导致产量下降,农民对玉米叶面病害识别困难的问题,以玉米叶面健康、大斑病、小斑病和锈病4种叶面种类为研究对象,采用Faster-RCNN建立识别模型,并在此基础上开发智能玉米叶面识别系统。首先对5998张图片的数据集采用LabelImg工具进行分类标注,训练集和验证集比例为9:1;然后使用ResNet50神经网络架构对标注好的数据集进行训练,得到最优权重的PTH文件;最后将算法通过API接口部署到使用Django搭建的后端框架中,在前端调用算法进行玉米叶面检测识别,结合Neo4j知识图谱,将玉米叶面病害种类的详细信息以及解决方案,通过知识图谱进行展示。玉米叶面病害识别结果表明:平均识别很高,达到96%。

基于Faster-RCNN的智能机器人自动抓取系统研究

为实现复杂场景、多模态目标物体的自适应定位、抓取,文章设计一种基于改进Faster-RCNN算法的智能机器人自动抓取系统。首先,以DSFPN算法改进Faster-RCNN的特征提取方法,通过低、高层次语义信息融合,改进小尺寸目标特征提取精度;并采用CDN通过可变形卷积的逐层叠加,提升复杂环境下多模态目标体检测精度,而后,引人NP层对训练进行自适应反馈调节,以控制候选区数量,优化目标检测的效率,由此,基于ROS机器人操作系统,利用Kinect相机获取目标物体的位姿,通过手眼标定数据完成目标物体位姿转换,实现自适应抓取。最后,通过对比实验,验证基于改进Faster-RCNN算法的抓取系统,目标检准率、检全率、综合检测率分别达到93.68、92.71%、93.06%,尤其对小尺寸目标的检测准确性更优,可满足多变环境下不同目标物体的抓取需求。

基于改进Faster-RCNN算法的软包装印刷缺陷检测研究

本文提出了一种改进的Faster-RCNN算法进行缺陷检测,针对软包装漏印的特点,将原来的VGG16网络替换成运算量更小、网络深度更深的残差网络(ResNet-50),可以提取丰富的特征。为了使卷积神经网络自适应注意,在ResNet-50的残差网络中添加了CBAM自注意力机制模块。对于数据集,对采集的图像通过旋转、平移、亮度调整、加入噪声、Cutout等操作进行数据增强,避免数据样本不均衡,提升模型的鲁棒性。结果显示,改进后的Faster-RCNN模型与未改进的Faster-RCNN模型相比准确率提高了12%,mAP达到92.95%。证明改进后模型的有效性,节省大量人工成本,提高企业生产效率。

基于改进Faster-RCNN算法的边坡行人安全检测研究

当边坡出现地质灾害时,边坡上的滚石会对下方公路上的行人带来危险,造成人员伤亡和直接的经济损失。对此提出一种视觉行人检测算法,当检测有行人出现时进行警示,避免安全隐患。为提升视觉算法的检测精度,提出了一种改进的Faster-RCNN目标检测算法。首先,将最大池和平均池分别引入到ResNet残差结构中,保存更完整的特征信息;其次,提出Fpnc-ResNet50结构,在ResNet结构的基础上,融合多尺度特征和CBAM注意力机制,提高对小目标和行人遮挡问题的识别能力;最后,将EIoU损失与均方误差损失相结合,加快模型的收敛速度,提高模型在未知数据的检测效果,并进一步改善背景混乱下的行人遮挡问题。通过实验验证,本文提出的算法相比原算法在检测精度上提升了4.01%,有良好的实际应用效果。

基于Faster-RCNN的自然环境下苹果识别

针对苹果园中存在的果实相互重叠、枝叶干扰以及复杂背景等问题,本文提出Faster-RCNN一种改进的模型。该模型通过增强Mosaic数据,使得识别小物体目标果实能力得到提升,同时,对Faster-RCNN结构中的锚框进行优化,优化后的锚框能更好地检测出距离相机较远的目标果实,以及使用Soft NMS算法对密集区域的识别效果进一步得到改进。通过对300幅未参与识别的自然环境下的苹果图像进行验证,验证结果表明:召回率为91.44%,准确率为93.35%,F1值为92.38%,每幅图像的检测可在0.2 s内完成。改进后的算法鲁棒性得到增强,能够满足在自然环境下对苹果果实的识别工作。

基于Faster-RCNN的船舶焊缝X射线缺陷图像检测技术应用

将目标检测网络Faster-RCNN应用在船舶焊缝X射线缺陷图像检测中,探讨了Faster-RCNN在X射线焊缝缺陷检测中的效果。针对船舶工业中的X射线焊缝图像,首先采用CLAHE方法对焊缝X射线图像进行预处理,并将焊缝中存在的气孔、裂纹、未熔合等5种具有典型特征的缺陷作为识别目标进行标注并对数据进行增强。在目标识别上,采用ResNet-50作为主干网络来减少梯度弥散现象提高模型准确率,并针对焊缝缺陷目标小的特点对RPN网络锚点参数进行改进优化,同时引入FPN网络提取缺陷特征。最后与其他检测算法进行对比,试验结果表明,该数据集在模型上的m_(AP)值达到96.33%,可以满足X射线焊缝缺陷自动化辅助检测要求。

基于Faster-RCNN改进的目标检测算法

以Faster-RCNN目标检测算法为基础,用(1×3+3×1+3×3)非对称卷积块替代Faster-RCNN网络模型的3×3卷积核,提出一种基于Faster-RCNN的改进目标检测算法。首先,将残差网络ResNet作为算法骨干,用于提取图像的特征图(Feature map),将Feature map先通过(1×3+3×1+3×3)的卷积核块之后经过两个1×1的卷积核。其次,利用区域建议网络(Regional proposal network,RPN)获得共享特征层的建议框,把建议框映射到卷积的最后一层Feature map上,通过感兴趣区域池化层(Region of interest,RoI)将不同尺寸的锚框进行归一化。最后,利用探测分类概率(Softmax loss)和探测边框回归(Smooth L1 loss)进行训练。本文使用的是PASCAL_VOC数据集,平均查确率(Mean average precision,mAP)结果表明,相比于原始Faster-RCNN算法,mAP值提高了0.38%,相比于RetinaNet算法,mAP值提高了2.68%,相比于YOLOv4算法,mAP值提高了3.41%。

一种基于Faster-RCNN的棉花虫害识别与统计方法

棉花是我国重要的经济作物,其在生长过程中极易受虫害影响。因此,准确识别棉花害虫并确定其危害程度,为化学防治提供依据意义重大。文章设计了一种基于Faster-RCNN模型的棉花虫害识别方法,并统计其类型和数量参数。试验结果表明:与CNN+RCNN模型相比,单RCNN模型耗时长,且准确率低。该研究工作可为智能化虫害识别系统的开发提供一定的方法基础。

多特征尺度融合改进Faster-RCNN视网膜微动脉瘤自动检测算法

视网膜微动脉瘤的检测对于早期发现糖尿病视网膜病变等重要疾病至关重要,但该病灶尺寸相对较小,属于眼底图像中的微小目标,现有的微动脉瘤检测算法难以实现该病灶的精准检测,为此提出了基于多特征尺度融合的改进Faster-RCNN微动脉瘤自动检测算法。该算法在Faster-RCNN网络模型的基础上,首先采用多特征尺度融合对特征提取网络与RPN结构进行改进以提高网络对于微小目标特征的利用;然后,通过感兴趣区域齐平池化以消除感兴趣区域池化过程中引入的量化误差;最后,通过对损失函数中的smooth L1损失函数进行重新设计得到平衡L1损失函数以实现损失函数优化,从而有效降低大梯度难学样本与小梯度易学样本间的不平衡问题,进而使得模型能够得到更好地训练。针对眼底图像中微动脉瘤的自动检测,将优化后的Faster-RCNN网络模型在Kaggle数据集上进行训练及测试,并与其他方法进行对比。实验结果表明,与其他各种结构的Faster-RCNN网络模型相比,所提出的基于多特征尺度融合的改进Faster-RCNN算法能显著提高检测结果(F-score与原始Faster-RCNN相比提升了9.36%);与其他网络模型以及方法相比,所提出的基于多特征尺度融合的改进Faster-RCNN的自动检测精度明显更优。故所提出的基于多特征尺度融合的改进Faster-RCNN算法性能较优,能准确、有效地检测出眼底图像中的微动脉瘤。

基于改进特征增强Faster-RCNN的光伏电站烟雾检测方法

随着光伏产业的不断发展,对光伏系统火灾监测报警成为重要问题。文章基于视频监控技术,在光伏电站的项目背景下提出一种特征增强的Faster-RCNN算法进行烟雾检测。考虑到现有基于候选区域的Faster-RCNN算法虽然对单一尺度图像检测精度较高,但其存在参数规模过大、对多尺度的烟雾图像识别效果差和实时性差等缺点,为适应光伏电站场景和烟雾聚散模态的复杂性,兼顾火灾预警系统精度和实时性,选择Faster-RCNN算法作为基础模型,引入残差网络构架ResNet-50作为主干特征提取网络,并将一个轻量化的特征金字塔网络融入Faster-RCNN以增强模型的特征提取能力。实验使用烟雾发生器在不同位置喷雾来模拟火灾,多角度监控摄像头记录视频画面,采用4段含烟雾样本的监控视频进行测试。结果表明,提出的方法检测率达到98.25%,错误率为3.13%,速度为每张0.0721 s,验证了该方法的有效性。

基于改进Faster-RCNN的海上升压站涂层缺陷检测与评估

海上升压站所处环境恶劣,防腐涂层容易受到海浪侵蚀而出现腐蚀、剥落等问题,导致海上升压站受损而发生安全事故。为此,通过部署在海上升压站的摄像系统,采集并制备了一个涂层缺陷数据集;设计了一种基于Faster-RCNN的海上升压站涂层缺陷智能检测算法,针对Faster-RCNN检测效果不佳的问题,在骨干网络中引入形变卷积,增强网络对形状多变的缺陷的特征的提取能力,并提出了一种多尺度空洞卷积的特征融合策略,提高网络对大面积点蚀缺陷的检测能力;构建了一种缺陷评估指标用于涂层缺陷程度的评估。实验验证了相对于原始的Faster-RCNN网络,剥落和腐蚀的平均精度分别提高了6%和12%,平均精度均值提高了9%,实现了海上升压站缺陷自动化高精度的检测。此外,所设计的缺陷程度评估算法,能较好地衡量缺陷的严重程度。

一种高精度优化Faster-RCNN变电站安全帽检测方法

针对传统变电站人工视频安全帽检测效率低和错误率高的问题,文中提出了一种优化的高精度Faster-RCNN安全帽检测方法。首先,以RPN为主干网络引入特征金字塔,增强检测算法浅层和深层信息表征能力;接着,引入K-Means++聚类算法优化Anchor参数,提升网络对小目标的检测能力;然后,以ROI Align代替RoI池化,消除量化误差和原始图片与特征图的映射偏差,从而提高检测精度;最后,采用开源安全帽数据集对改进的网络进行训练与测试,并将该模型与YOLOv3、RFBnet和传统Faster-RCNN进行了对比。实验结果表明:优化的Faster-RCNN相比RFBnet、YOLOv3和传统Faster-RCNN模型,将mAP值分别提高了6.81%、9.57%和5.09%,达到了92.43%;检测速度为18 frame/s,同时增强了变电站安全帽高精度识别能力。