基于改进型RFB-MobileNetV3的棉杂图像检测

针对深度卷积神经网络模型复杂导致嵌入式设备难以满足实时在线检测的问题,提出改进型RFB-MobileNetV3(RFB-MNV3)的棉杂检测方法。首先,根据高精度轻量化网络模型的构建和保证检测准确率高的前提下,减少MNV3冗余网络结构;其次,将3×3卷积层取代5×5卷积层,1×3+3×1卷积层折叠取代3×3卷积层作为改进型感受野(RFB)模块部署到改进型MNV3的池化层中,以提升棉杂的在线检测速度和准确率;最后,将改进前后的算法与其它检测算法进行比较。结果表明,改进型RFB-MNV3算法的单张检测速度可达到0.02 s,在线检测平均准确率达到89.05%。通过对MNV3网络结构进行改进,在保证高检测准确率的前提下,可满足嵌入式设备在线棉杂检测的需求。

基于RFB模块与注意力机制的目标检测算法

针对目标检测算法中深度卷积网络提取特征图关联性不足导致的检测精度下降问题,提出一种基于群体感受野模块(Receptive Field Block, RFB)与坐标注意力(Coordinate Attention, CA)的改进SSD目标检测算法。使用深层特征提取网络ResNet50作为主干网络,并在卷积层结构中添加坐标注意力模块,捕获方向和位置感知的信息;为充分利用不同特征图之间的关联信息,在特征提取与预测中采用反卷积与上采样等方式,融合低层位置特征和高层语义信息。同时在网络结构中引入多尺度卷积核与空洞卷积的RFB模块,以提高感受野的方式提高网络的特征提取能力。实验表明:该算法在PASCAL VOC 2007数据集上的mAP为78.08%,相较于传统的SSD算法检测能力得到了显著提升。

福建省O157大肠杆菌的rfb及fliC基因的研究

目的 对福建省分离的O15 7大肠杆菌的O抗原编码基因 (rfb基因 )及H抗原编码基因 (fliC基因 )进行研究分析 ,以明了福建省O15 7大肠杆菌的抗原特征。方法 应用聚合酶链反应 (PCR) ,以O15 7抗原编码基因 (rfbO157基因 )、H7抗原编码基因 (fliCH7基因 )为靶基因进行检测。将rfbO157基因PCR扩增产物进行DNA测序 ,使用NCBIgenBank进行DNA序列相似性比较。结果 rfbO157基因PCR扩增产物经DNA测序 ,片段序列与O15 7∶H7大肠杆菌国际参考株EDL933完全一致。福建省分离的 80株O15 7大肠杆菌的rfbO157基因均为阳性。fliCH7基因仅 6 2 5 % (5 / 80 )阳性。结论 福建省分离的O15 7大肠杆菌少部分 (6 2 5 % )为O15 7∶H7,并携带毒力基因 ;大部分为O15 7非H7,且未检测到毒力基因。

基于RFB协议的跨网段远程桌面控制改进

基于标准RFB协议的远程桌面控制软件无法登录同一广域内网不同网段的远程计算机,为此提出了一种基于RFB协议的跨网段远程计算机桌面控制的改进方法,在标准RFB协议的基础上增加完善对通信代理服务的握手与初始化协议,实现同一广域网不同网段IP地址的计算机桌面登录与控制。实际应用表明,改进方法实现简单、运行稳定可靠,对跨网段并存在通信安全隔离架构的分布式设备终端监控与保障维护发挥了重要作用,有效提高了设备保障维护效率。

基于RFB网络的特征融合管制物品检测算法研究

为了提高对管制物品的检测精度,本文提出一种结合RFB(receptive field block)网络结构和特征融合的目标检测算法。首先对采集的安检数据进行无效内容剔除、滤波;接着对安检数据进行人工标注和数据增强;然后在MobileNetV3-SSD算法的基础上,通过引入RFB网络改进其网络结构,以加强网络的特征提取能力,并利用特征融合的方法提高模型的小目标检测能力;最后,构建了一个安检数据集SCCI2020来验证算法的性能,该数据集包含91767张图片。实验结果表明,本算法在安检数据集SCCI2020上的检测精度为87.0%,比MobileNetV3-SSD算法的检测精度高2.7个百分点;在COCO2014和COCO2017通用数据集上的检测精度分别为21.9%和23%,相对于VGG16-SSD、MobileNetV3-SSD算法均有一定提升。

一种改进的RFB Net遥感影像目标识别算法

针对高分辨率遥感影像场景复杂,现有的目标识别算法检测率较低且速度较慢的问题,提出了一种改进的RFBNet模型。算法在RFBNet模型的基础上构建特征金字塔网络,融合高层语义信息和低层特征信息,提高了网络识别能力。为验证该算法性能,以遥感影像中飞机目标为例进行了实验验证。以油罐和立交桥目标为例,对该算法的推广性进行了实验验证。结果表明,改进的RFBNet模型在遥感影像目标识别中精度较高、速度较快,且具有较好的推广性。

基于YOLO-tiny-RFB模型的电站旋钮开关状态识别

针对多类别目标检测在特定场景中数据样本有限的情况,为进一步提高机器人系统中轻量级神经网络对小型物体识别的准确率和稳定性,提出了一种基于机器人操作系统(ROS)的目标状态识别模块。首先,考虑到嵌入式设备的算力限制,目标识别模型采用轻量级的网络YOLO-tiny作为主要架构,并在YOLO-tiny中引入RFB,提出了YOLO-tiny-RFB模型。随后,基于MobileNet对旋钮开关的多种状态实现精准分类。最后,设计数据关联规则,通过图像配准及交并比(IOU)计算等算法使识别模块完成同一场景多次识别结果的融合,从而使用户能够对不同时刻各表计的状态进行追踪。实验结果表明,相较于YOLO-tiny,YOLO-tiny-RFB模型在少量增加模型计算量的情况下,在构建的电站仪器识别数据集上,其目标识别平均精度均值(mAP)提升了17.9%,达到了82.4%。在旋钮数据分布极端不均衡的情况下,通过引入多种数据增广方法使模型的平均准确率达到了90.7%。所提出的目标检测模块和状态识别网络模型能够有效、准确地完成各类仪器的状态识别,同时能够对仪器状态的识别结果在时间跨度上进行融合。

基于双向认证的RFB远程安全数字取证方案

针对远程数字取证过程中存在的易受攻击、被窃听等安全问题,采用双向身份认证、访问控制、传输加密、完整性校验和代理审计等技术设计了一种基于双向认证的RFB远程安全数字取证方案,提高了远程数字取证过程中的安全性与可审计性。该方案在代理审计服务模式下,通过建立基于双向认证协议的RFB远程安全数字取证通道实现远程安全取证。最后,文中基于Open SSL开源算法库实现了远程数字取证安全方案原型系统并对各个模块进行了安全功能和性能测试,测试的结果验证了设计方案的安全性和可靠性。

基于RFB-Net的摩托车驾驶人头盔检测研究

近年来,计算机视觉方向深度学习的卷积神经网络发展迅速并逐步应用于日常生活的检测之中。针对于摩托车手是否佩戴头盔的检测问题,论文引入RFB网络,采用VGG-16作为基础网络提取网络结构特征,改进使用了余弦衰减学习率更好地训练样本,增加了网络泛化能力。从而完成对摩托车头盔的检测。实验结果表明改进后,RFB-Net模型在摩托车驾驶人头盔检测中精度较高、速度较快,且具有较好的推广性。

增韧型硼酚醛RFB树脂的性能研究及应用

把耐高温、耐烧蚀和洁净阻燃的THC系列硼酚醛树脂,通过与橡胶进行化学反应,得到一种新型聚合物——RFB增韧型硼酚醛树脂,RFB树脂同时具有耐高温、耐烧蚀、阻燃、增韧和防中子射线等5项功能。该树脂既可单独使用,又可作为环氧树脂固化剂。这种酚醛—环氧—橡胶三元体系,可产生交互反应,形成配比可调、性能各异的无数产物,使之自由过渡,打破了热固性、热塑性、酚醛、环氧和橡胶一系列的固有概念,使高分子科学进入了功能化时代。

BP网络与RFB网络预测性能对比研究

本文首先介绍了BP网络与RFB网络的基本原理,其次利用以河道浅滩演变问题数据对两种网络在处理预测问题过程中的性能和特点进行对比,最后给出了两个网络特点的比较分析.

基于RFB协议的Linux远程桌面程序的分析与研究

为基于国产平台研发安全可靠的远程桌面程序,对目前已有的各种远程桌面程序进行分析与研究,其中重点研究Linux平台上基于RFB协议的VNC程序。针对基于RFB协议的VNC程序,对其基本框架及工作流程进行分析与研究,重点研究图像消息的传输、屏幕变化的检测以及图像的压缩编码方式,针对目前国产化发展应用需求以及现状,为进一步提升VNC程序的性能,以满足国产信息系统的新需求,提出未来需改进的方向。

基于轻量化SSD的交通标志检测算法

实时精确的交通标志检测是自动驾驶和智能交通的关键技术。针对现有智能检测算法检测复杂真实道路场景下的交通标志速度慢、无法较好地适用于嵌入式终端设备的问题,提出了一种基于轻量化SSD的交通标识检测算法。该算法采用MobileNetV3_large网络替代VGG16网络,可减少模型参数,提高检测实时性;利用添加SE模块的逆残差结构B-neck替换对应的标准卷积增强低层特征层的语义信息;设计改进RFB网络提升小交通标志的检测能力,重新设置预设先验框的尺寸,提升模型对特定数据集的检测能力。实验结果表明,改进SSD算法在中国交通标志检测数据集上的mAP值可达89.04%,比MobileNet-SSD算法提高了5.26%;帧率可达60 frames/s,比SSD算法提高了23 frames/s。所提算法具有较高的实时性和检测精度,对复杂交通环境具有更好的鲁棒性。

基于改进YOLOv4的混凝土裂缝检测方法

为了解决深度学习目标检测模型在混凝土裂缝应用上检测精度低、检测速度慢等问题,提出一种基于改进YOLOv4的混凝土裂缝检测方法。首先将YOLOv4的主干特征提取网络替换为轻量级网络Mobilenetv1,并且将YOLOv4加强特征提取网络中的普通标准卷积修改为深度可分离卷积;其次在PANet模块部分添加轻量级注意力模块CBAM(Convolutional Block Attention Module),在控制参数量的基础上提高裂缝目标检测的精度;最后用模拟人类视觉的RFB-s模块代替YOLOv4中的空间金字塔池化模块(Spatial Pyramid Pooling, SPP),扩大感受野,提高检测精度。实验结果表明,与传统YOLOv4相比,本模型的mAP增加三个百分点,参数量减少至14 M,检测速度可达42帧每秒。

非定常对流占优扩散方程的非协调RFB稳定化方法分析

针对非定常对流占优扩散方程,我们采用非协调的Crouzeix-Raviart元逼近.基于Residual-FreeBubble方法思想,对时间项采用向后差分,提出了两种特殊的稳定化有限元格式;分析了与FDSD方法,TG方法的内在联系.最后,我们给出了一致的稳定性与误差分析.

基于改进YOLOv5的遥感图像目标检测

目前目标检测技术虽然已经趋于成熟,但是对遥感图像的检测仍存在不少挑战。针对遥感图像的背景复杂、目标尺度差异大、目标方向任意等特点造成目标检测精度低下的问题,提出一种基于改进YOLOv5的遥感图像目标检测算法。首先,构建一种联合注意力的多尺度特征增强网络,充分融合高低层特征,使特征层具有语义信息的同时包含丰富的细节信息,并在融合过程中利用设计的特征聚焦模块帮助模型选择关键特征,抑制无关信息。其次,使用感受野模块(RFB)对融合后的特征图进行更新,扩大特征图的感受野,减少特征信息损失。最后,对目标增加旋转角度,并采用圆形平滑标签将回归问题转化成分类问题,提高遥感目标定位的准确性。在用于航拍图像目标检测的大规模数据集(DOTA)上的实验结果表明,与YOLOv5算法相比,所提算法的交并比(Io U)为0.5和0.5~0.95时的平均精度均值(m AP@0.5和m AP@0.5∶0.95)分别提高了7.3和3.3个百分点,能够明显提高复杂背景下遥感图像目标的检测精度,并改善对遥感目标的漏检和误检情况。

改进YOLOv8的航拍小目标检测方法:CRP-YOLO

无人机航拍目标检测是近些年研究的热点,由于无人机航拍视角下的小目标图像及被遮挡情况严重,导致出现漏检、误检等问题。针对以上问题,提出了一种改进YOLOv8的航拍小目标检测方法:CRP-YOLO。为提升颈部网络PANet的特征提取能力,提出一种多分支部分空洞卷积结构,将RFB模块与PConv结合改进颈部网络的特征融合方式,增大颈部网络的感受野;在主干网络SPPF层前的C2f中引入CoT(contextual Transformer)结构改进Bottleneck块,利用全局上下文信息,提升网络特征提取能力;在检测层增加一个尺寸为160×160的小目标检测头,提高对小目标的检测能力。在公开数据集VisDrone2019上进行实验,结果表明,相较于基线模型YOLOv8s,CRP-YOLO在mAP@0.5上提升3.8个百分点,mAP@0.5:0.95提升1.7个百分点,参数量降低1.5 MB,与其他主流目标检测方法相比也得到较好的检测性能。

基于改进卷积神经网络的小目标检测算法

对于在检测时存在小尺度检测目标漏检、不精确等问题,提出一种改进的YOLO v4算法模型(F-YOLO v4)。利用改进的K均值聚类算法对数据集进行聚类,使得锚点框的大小更适用于目标检测;采用深度卷积和逐点卷积相结合的方法对通道内和通道间的卷积进行分离,从而改善了原有的残差块;采用通道注意力机制对骨干网络进行改进的同时在PANet网络中添加RFB模块,增强特征提取能力,从而提高了对小目标的检测效果。实验结果表明,F-YOLO v4算法在KITTI数据集上平均精度均值达到了93.67%,与原算法对比提高了1.52百分点,并且比较目前其他主流网络有着较高的精确度。

基于改进YOLOv5s的车载人员安全带行为检测

车载人员佩戴安全带行为的检测对于人的生命安全保障具有重要作用;针对目前车内复杂环境下车载人员佩戴安全带检测精度不高的问题,提出一种基于改进的YOLOv5s车载人员佩戴安全带的检测方法;该检测方法将YOLOv5s作为基础网络,在此基础上进行改进;为改善深度模型对特征信息的提取能力,采用RFB模块增大网络的感受野,并利用RFB模块多分支结构获得混合的感受野;加入ECA注意力通道模块,使得整个网络更加专注特征信息的提取;将原YOLOv5s的损失函数替换为EIOU,进一步提高网络对安全带的检测精度;经过实验结果表明,改进后网络与原YOLOv5s网络相比,其平均精度均值mAP提高了2.2%,查准率提升了5.1%;改进后的网络具有良好的提升效果,表明了该方法的有效性。

改进U-Net网络的结直肠息肉分割模型

针对结直肠息肉边界模糊性和形状、大小多样性导致的分割不精确的问题,基于U-Net网络构建级联卷积注意力模块,以保留更多的有用特征;采用多尺度特征聚合模块来捕捉更多的特征与细节;将空间注意力嵌入到感受野模块,扩大网络感受野的同时提供更丰富的空间信息表示。实验结果表明,该模型在Kvasir数据集上展现出了良好的分割效果。相比传统U-Net模型,其在IoU,Dice上分别提高了3.14%,5.31%,在医学影像计算机辅助诊断中具有很大的应用潜力。