改进的SSD-ResNet算法

单次多边界框检测器(single shot multibox detector,SSD)算法因其性能优良已被应用于许多场景中,但该算法对小目标物体的检测精度偏低,主要原因是高层的语义信息没有被充分利用。为解决该问题,文章将其基础网络替换为残差网络(residual network,ResNet),同时融合深浅层的特征信息来增强浅层特征图的语义信息,此外还引入注意力模块,保留更多的目标特征信息,抑制无关信息,进一步提升对小目标物体的检测效果。在PASCAL VOC2007数据集上进行实验测试,平均精度均值为80.2%,优于其他SSD改进算法。由于增加了特征融合和注意力模块,所提算法检测速度有所下降,但相比于SSD改进算法,检测速度仍有明显的优势。

基于改进SSD模型的风电叶片内腔缺陷检测

针对风电叶片内腔结构复杂、缺陷种类多样、难以准确检测等问题,提出了改进的单次多边界框检测器(SSD)缺陷检测算法,并提出3方面改进:通过将SSD基础网络由可变形卷积神经网络(VGG-16)变成残差网络(ResNet101)以优化预测边界框的回归和分类任务的输入特征;通过加入全卷积空间注意力模块(FCSE)使模型更加关注重要特征,从而提高检测的准确性;通过在损失函数中添加超参数来控制平滑区域,使模型更加稳定。在自建风电叶片内腔数据集上的对比实验表明,改进的SSD模型平均精度(mAP)值为83.6%,比原始SSD模型提升了9.4个百分点,检测精度优于其他基于SSD框架的主流模型,同时该模型大幅减少了模型参数量,降低了模型的复杂度和存储需求,检测速度为31.6 f/s,可满足实际生产工作中的检测速度需要。