金字塔卷积和改进铰链损失的特征点检测方法

针对传统的特征点检测方法易受视角、光照、图像质量等影响,导致图像的特征匹配不准确,提出了一种基于金字塔卷积和改进铰链损失函数的特征点检测方法用于图像匹配。首先,将金字塔卷积核用于特征点检测和描述子提取算法研究,使用多尺度的卷积核捕捉场景中不同级别的信息;其次,在下采样过程中引入模糊滤波方法,提升平移不变性;然后,考虑到描述子信息对图像的特征匹配起决定性作用,采用基于自定义优化的铰链损失函数,在训练过程中给每一对描述子训练样本增加可变权重;最后,在HPatches数据集上对提出算法的可重复性和单应性估计能力进行测试,在KITTI数据集上对所提算法的视觉里程计应用进行测试。实验结果表明,提出的算法结果优于其他方法,同时能有效提高视觉里程计的定位精度。

基于改进Cascade R-CNN的布匹瑕疵检测算法

布匹瑕疵的自动化检测是目前纺织行业面临的一个难点问题。针对当前布匹瑕疵检测算法对尺度和长宽比变化大、小目标众多的样本检测效果并不理想的问题,提出了基于改进Cascade R-CNN网络的布匹瑕疵检测算法。首先,在特征提取网络ResNet-50中融入可变形卷积,自适应地提取更多的瑕疵形状与尺度特征;其次,在特征金字塔网络上采样前引入平衡特征金字塔,缩小特征融合前各特征层之间的语义差距,得到更具表达力的多尺度特征;然后,根据瑕疵尺度与长宽比特点重新设计更适合的初始锚框;最后,采用具有尺度不变性的GIoU Loss作为级联检测器的回归损失,以获取更加精确的瑕疵预测边界框。实验结果表明,相比基于Cascade R-CNN的算法,改进后的Cascade R-CNN算法对布匹瑕疵检测的平均精确率获得了明显提升。

改进的Faster-RCNN目标检测方法在变电站悬挂异物检测中的应用

针对变电站悬挂异物检测任务中异物形状多样、周围环境条件复杂,现有算法检测的准确率较低的问题,提出一种改进的Faster-RCNN目标检测方法,对变电站悬挂异物进行检测。将Faster-RCNN结合特征金字塔和可变性卷积,形成了改进的Faster-RCNN目标检测方法,扩展了Faster-RCNN网络结构对输入图片中不同尺度语义信息的读取,提升了网络对小目标的检测能力。采用了变电专业设备典型缺陷图像识别竞赛中的悬挂异物图像数据进行仿真实验,并与原有Faster-RCNN算法进行对比,实验结果验证了所提出方法的有效性,算法识别准确率得到提高,在真实样本中表现好,可有效应用于变电站巡检机器人系统中。

基于改进Faster R-CNN的铝型材表面缺陷检测

铝型材加工过程中出现的表面缺陷种类多、大小差距大、随机性强,导致常规的目标检测算法难以快速准确定位识别。针对这一问题,提出一种基于Faster R-CNN的改进算法。通过对Faster R-CNN引入特征金字塔结构(feature pyramid networks,FPN)改变,使用可变形卷积网络(deformable convolution net,DCN)优化特征提取。改进后模型对小像素缺陷识别能力显著提高,综合检测速度快,特征选框大小准确度高。将改进算法在验证集和测试集进行实验,结果表明,改进算法的平均准确率均值(mean average precision,MAP)可以达到86.81%,较原Faster R-CNN算法提高了7.69%,鲁棒性强。

基于细节增强的级联多分类光电船舶检测

为提升无人船航行环境中船舶目标的感知精度,提出一种基于细节增强的级联多分类船舶检测模型。首先,提出混合平移数据增强(pan-mixed data augmentation,PMDA)算法,减少模型对船舶整体轮廓的依赖;其次,设计可变卷积平衡特征金字塔(deformable convolution-balanced feature pyramid,DC-BFP),提高模型对船体细节特征的提取能力;再次,将全连接层和卷积层联合构成级联交叉检测器(cascaded cross detector,CCD),提高模型对船体细节特征的解析能力;最后,采用标签平滑正则化(label smoothing regularization,LSR)方法,改善多分类检测的过拟合问题。在自建11分类光电船舶检测数据集MCSD11上进行消融和对比实验,特征提取结果和实验结果数据可视化表明,模型的各个改进部分能够提升船舶检测效果,平均精度达到了91.53%,相比主流的检测模型,算法得到大幅提升。