用于ADAS实时目标车辆检测的改进SSD算法

以实际交通场景中存在重叠小目标车辆为重点,为提升汽车辅助驾驶系统(ADAS)对目标车辆检测的准确性,建立了一种实时目标车辆检测改进算法SSD-P。该算法基于2种方法:1)通过增加小目标特征的提取数量,提出了一种浅层特征图像分辨率重建的方法;2)在非极大抑制中嵌入特征向量进行二次判定方法,以克服单发多盒探测器(SSD)算法对小目标检测精度不高、重叠目标检测能力弱的问题。在PASCAL VOC2012数据集、虚拟交通场景以及实际交通场景中,进行了相关实验验证。结果表明:用该SSD-P算法进行目标车辆检测的平均精度(mAP)为92.4%,比改进前的SSD算法精度提升了4.8%。因此,该改进算法能够改善ADAS的准确性。

基于深度学习的间隔棒故障识别方法

间隔棒作为输电线路的重要金具,对输电线路和电网的正常运行具有重要意义。针对传统人工巡检、仪器探测和传感器监测等方式巡检周期长、效率低等问题,结合深度学习技术提出了一种智能高效的间隔棒故障诊断方法。选择全卷积神经网络DenseNet预训练模型和单发多盒探测器目标检测算法(Single Multibox Detector,SSD),建立间隔棒故障样本数据集,对算法模型进行测试。结果显示,该算法有效地对间隔棒的故障区域进行检测,与基于VGG-16网络模型的SSD算法相比较,取得91.2%的平均精确度,在满足高识别率的同时满足实时性要求。

基于SSD-MobileNet的安全帽检测算法研究

文章提出以单发多盒探测器为基础检测框架,MobileNet为特征提取网络,在人体区域内检测安全帽,根据两个检测模型的输出结果判断安全帽是否被正确佩戴。根据测试结果,人体检测模型针对人体的检测精确率达到91.52%,召回率达到89.25%;安全帽分类检测模型针对安全帽的检测精确率达到88.32%,召回率达到85.08%;针对头部的检测精确率达到88.02%,召回率达到86.02%。在真实环境中对本文提出的检测方法的检测效果进行验证,相比传统的单发多盒探测器检测方法,平均精确率均值上升了2.79%,模型体积缩小为传统单发多盒探测器检测方法的五分之一,检测速度也提升了两倍。

空对地高度自适应目标智能检测算法

在空基平台对地成像应用领域,由于高度变化差异大,成像视场广、视角单一、地物背景干扰多,这些特点使得现有深度学习检测算法面临新的挑战。针对此问题,提出了一种面向空基平台的高度自适应目标智能检测算法。首先,分析了高度变化和区域候选框尺寸设置对检测算法的影响。其次,建立了高度和目标检测候选框尺寸之间的关系模型,提出了高度自适应的目标检测候选框生成算法。最后,建立了不同高度下目标检测任务数据集,验证了所提算法的有效性。检测结果证明所提算法能够有效地减小空基平台飞行过程中的高度变化对目标检测算法的影响,提高检测算法的适应性。

一种基于深层次多尺度特征融合CNN的SAR图像舰船目标检测算法

基于深度学习的目标检测技术在目标检测领域有强大的生命力,但是将其用于合成孔径雷达(SAR)图像舰船目标检测时并没有达到预期的效果。提出了一种基于卷积神经网络的SAR图像舰船目标检测算法用来检测多场景下的多尺度舰船目标,在单发多盒探测器检测框架的基础上,使用性能更好的Darknet-53作为特征提取网络,加入更深层次的特征融合网络,生成语义信息更加丰富的新的特征预测图。同时在训练策略上使用了一种新的二分类损失函数来解决训练过程中难易样本失衡的问题。在扩展的公开SAR图像舰船数据集上进行验证实验,实验结果表明,所提方法对复杂场景下不同尺寸的舰船目标的检测展现出了良好的适应性。