一种改进的基于深度学习的小目标检测方法

提出了一种改进的基于深度学习的小目标检测方法,用于解决当前主流算法针对小目标进行检测时输入图像需为小尺寸照片且模型参数过多等缺点的问题。为了解决这些问题,首先对图像进行预处理,将一张较大尺寸的图像按一定规则拆分成多张小尺寸图像后送入网络,克服了以往算法需要小尺寸图像才能进行检测的问题。对DNANet网络结构进行改进,减少其网络层数,提高了网络推断速度。使用TverskyLoss为像素分割的损失函数对损失函数进行优化,并采用渐进式学习法训练模型,使网络从普通目标到小目标的检测过程更为稳定。实验结果表明,该方法有效提升了深度学习在小目标大尺寸图像方面的收敛速度,改进后的网络对大尺寸图像的预测准确率提升了5%,预测时间缩短了25%。综上所述,提出的基于深度学习的小目标检测方法,可以方便地应用于工程实践中,并具有较高的实际应用价值。

基于深度学习的光纤收卷机器视觉自动检测技术

已有的光纤收卷检测方法的泛化能力和环境适应性均较差,无法应用于工业生产.提出基于深度学习的机器视觉方法对收卷过程中的收卷图像进行分类来解决光纤收卷问题.通过考虑光纤收卷时光纤间力的作用,建立了光纤收卷模型,提出了光纤收卷时排线机构的速度表达式.使用相机采集大量光纤收卷图片形成数据集,搭建并训练神经网络模型用于对收卷情况进行分类.通过实验验证,该方法对间隙状态的识别正确率在94.67%以上,叠线状态识别正确率为100%,检测速度高于实际生产绕线速度,是一种可以和控制系统相结合替代人工收卷并实现自动精密绕线的良好方法.

线缆收卷的状态识别与智能控制算法研究

目前工业线缆收卷采用收排线机和人工两种方式进行,收排线机工作效率高但缺少对线缆收卷缺陷的判断与修正,因此收卷质量远低于人工方式。因此,提出一种仿人识别和收卷控制的方法,对人工收卷中的观察识别和手动校正等环节进行模仿。基于模糊控制理论提出收卷控制系统,模仿人工收卷的“决策”过程,利用基于深度学习的视觉系统实现人工“观测”环节,排线横移速度的微调实现人工“校正”环节。经实验检验,多种神经网络对缺陷的识别准确率均达到94%以上,且经模糊推理以及增量校正后,排线速度能够实现稳定连续调节。实验结果符合人工控制特征,证明了该方法能够代替人工进行线缆收卷过程的缺陷检测和调整。