基于改进的Faster RCNN模型在车辆类型检测中的应用

针对车辆类型检测受物体遮挡以及车辆重叠等影响,导致车辆类型的检测难度大的问题,本文提出了一种基于改进Faster RCNN模型的检测方法,在特征提取网络中嵌入卷积模块的注意力机制模块结构,使得特征提取网络可以重点关注与目标相关的有用信息,并弱化其它的无用信息,还引用Soft-NMS算法优化NMS算法,减少重叠或相邻目标漏检和错检问题。测试结果表明,与未改进的Faster RCNN模型做对比,改进后Faster RCNN模型的MAP值由84%提升至89%,证明使用该方法使检测精度有一定的提升。

基于Faster RCNN的行人及车辆类型检测

随着汽车数量与日俱增,交通事故的发生频次也在增加,针对车辆类型和行人的检测问题,本文在原始Faster RCNN的基础上,首先使用残差网络RES101代替传统的VGG16网络作为共享卷积层,进行图像特征的提取,然后改变原来的锚框尺寸方案,使用锚框尺寸为4、8、16代替原来锚框尺寸,得到行人及车辆类型检测模型。通过在KITTI测试集上的测试结果表明,使用本文模型平均检测准确率可达86.5%,相比原始Faster RCNN平均准确率提高了3.65%,相比于使用残差网络RES101作为卷积层的Faster RCNN平均准确率提高了2.06%。

基于改进YOLOv3的电容器外观缺陷检测

针对部署于有限算力平台的YOLOv3(you only look once v3)算法对电容器外观缺陷存在检测速度较慢的问题,提出了基于YOLOv3算法改进的轻量化算法MQYOLOv3。首先采用轻量化网络MobileNet v2作为特征提取模块,通过利用深度可分离式卷积替换一般卷积操作,使得模型的参数量大幅度降低进而提高模型的检测速度,同时也带来了检测精度的降低;然后在网络结构中嵌入空间金字塔池化结构实现局部特征与全局特征的融合、引入距离交并比(distance intersection over union,DIoU)损失函数优化交并比(intersection over union,IoU)损失函数以及使用Mish激活函数优化Leaky ReLU激活函数来提高模型的检测精度。本文采用自制的电容器外观缺陷数据集进行实验,轻量化MQYOLOv3算法的平均精度均值(mean average precision,mAP)为87.96%,较优化前降低了1.16%,检测速度从1.5 FPS提升到7.7 FPS。实验表明,本文设计的轻量化MQYOLOv3算法在保证检测精度的同时,提高了检测速度。

基于改进YOLOv3_iny的压敏电阻表面缺陷检测

针对当前目标检测算法网络复杂,对平台设备要求高;而轻量化网络YOLOv3_iny对压敏电阻表面缺陷的检测精度较低,容易出现漏检错检的情况,提出了基于YOLOv3_iny的改进算法DAYOLOv3_iny。DAYOLOv3_iny构建了深度可分离卷积块替代标准卷积,使用卷积操作进行下采样,使检测网络在减少网络参数量的同时增加了特征的提取;并在网络中引入了通道注意力模块和空间注意力模块,增强了检测网络对重要特征信息的学习。在自制的压敏电阻表面缺陷数据集上进行实验,结果表明,DAYOLOv3_iny的mAP值为92.23%,较改进前提升了12.25%;改进后的DAYOLOv3_iny模型大小为YOLOv3_iny的55.42%,仅18.9 MB。实验表明,DAYOLOv3_iny对压敏电阻表面缺陷的检测精度较高,能够有效改善漏检错检的情况,且网络模型较小,对硬件平台要求不高,易于在性能受限的平台部署。