基于改进单点多盒检测器的麻醉复苏目标检测方法

麻醉复苏目标检测模型常被用于帮助医护人员检测麻醉病人的复苏。病人复苏时面部动作的目标较小且幅度不明显,而现有的单点多盒检测器(SSD)难以准确实时地检测病人的面部微动作特征。针对原有模型检测速度低、容易出现漏检的问题,提出一种基于改进SSD的麻醉复苏目标检测方法。首先,将原始SSD的主干网络VGG(Visual Geometry Group)16更换为轻量级的主干网络MobileNetV2,并把标准卷积替换成深度可分离卷积;同时,通过对病人照片的特征提取采用先升维再降维的计算方式减少计算量,从而提高模型的检测速度;其次,将SSD提取的不同尺度特征层中融入坐标注意力(CA)机制,并通过对通道和位置信息加权的方式提升特征图提取关键信息的能力,优化网络的定位分类表现;最后,闭眼数据集CEW(Closed Eyes in the Wild)、自然标记人脸数据集LFW(Labeled Faces in the Wild)和医院麻醉病患面部数据集HAPF(Hospital Anesthesia Patient Facial)这3个数据集上进行对比实验。实验结果表明,所提模型的平均精度均值(mAP)达到了95.23%,检测照片的速度为每秒24帧,相较于原始SSD模型的mAP提升了1.39个百分点,检测速度提升了140%。因此,所提模型在麻醉复苏检测中具有实时准确检测的效果,能够辅助医护人员进行苏醒判定。

基于改进单点多盒检测器的大坝缺陷目标检测方法

为提升大坝安全运维的效率,大坝缺陷目标检测模型有助于辅助巡检人员进行缺陷检测。大坝缺陷几何形状多变,而采用传统卷积方式进行特征提取的单点多盒检测器(SSD)模型无法适应缺陷的几何变换。针对上述问题,提出可变形卷积单步多框检测器(DFSSD)模型。首先将原始SSD的主干网络VGG16中的标准卷积替换为可变形卷积,用于处理缺陷的几何变换,并且通过学习卷积偏移量来提升模型的空间信息建模能力;其次针对不同特征的尺寸,改进先验框比例,从而提高模型对条形特征的检测精度与模型的泛化能力;最后为解决训练集正负样本不均衡的问题,采用改进的非极大值抑制(NMS)算法来优化学习效果。实验结果表明:DFSSD模型较基准模型SSD在大坝缺陷图像上的平均检测精度提升了5.98%。相较于基于区域的更快卷积神经网络(Faster R-CNN)和SSD模型,DFSSD模型在大坝缺陷目标检测精度提升上有较好的效果。

基于单点多盒检测器的全局-局部层级的域适应目标检测

在目标检测领域里通常希望在拥有大量标记的场景中训练好的模型能够应用在无标记的其他场景中,但是不同的域分布往往是不同的,这样往往导致域迁移时模型性能的急剧下降。为了提高域迁移时模型的目标检测性能,通过两个层级来解决域迁移问题,包括全局层级迁移和局部层级迁移。这两种层级迁移分别对应不同的特征对齐方式,即全局层级采用选择性对齐方式,局部层级采用完全对齐方式。所提域迁移框架基于单点多盒检测器(SSD)模型,在全局和局部层级分别配置相应的域适配器以减少域间差异,通过对抗网络算法实现具体训练,再通过一致性正则化来进一步提高模型的域迁移性能。通过大量实验验证了提出的域迁移模型的有效性,结果表明同目前常见的域适应-快速区域卷积(DA-FRCNN)模型、对抗识别域适应(ADDA)模型以及动态对抗适应网络(DAAN)模型等三种域迁移模型相比,该模型在不同数据集上的均值平均精度(mAP)可以提高5%~10%。

基于残差网络和改进特征金字塔的油田作业现场目标检测算法

针对单点多盒检测器(single shot multibox detector,SSD)对小目标识别率低的问题,提出一种基于残差网络和改进特征金字塔(feature pyramid networks,FPN)的RP-SSD(residual and pyramid SSD)算法,并将其应用于油田安防领域。为了得到小物体更多的信息,首先在特征金字塔中增加上采样模块,并在上采样模块之后添加预测模块,之后采用空洞卷积增大Conv43的感受野。RP-SSD网络变深,针对RP-SSD在反向传播过程中存在梯度爆炸或梯度消失的问题,采用跳层连接的方式改进基础网络。RP-SSD在PASCAL VOC测试的准确率(meanaverage precision,mAP)为78.9%,比SSD提高了1.7%,其中对于目标较小的bottle类提高了8.9%。实验结果表明,RP-SSD对小目标检测的性能提高显著,同时RP-SSD在GTX 1080Ti上测试的速度为32帧/s,可见RP-SSD可以达到实时处理的要求。

施工现场火焰检测和预警机器人设计及应用

为预防施工现场火灾事故,提高火焰检测性能,设计基于单点多盒检测器(SSD)和MobileNet模型相结合的火焰检测和预警机器人。首先,处理采集的火焰视频图像数据集,并将其划分为真实火焰图片与疑似火焰图片2类;其次,结合迁移学习思想,微调SSD_MobileNet模型中的网络参数值;最后,将获得的检测模型集成到机器人视频监控平台,进行火焰检测与预警,并在某工地上测试其应用效果。结果表明:在检测模型50%的置信度阈值下,机器人能够准确检测出工地场景中的火焰,多帧视频准确率达到90%以上,并可实现实时预警。