基于改进快速区域卷积神经网络的视频SAR运动目标检测算法研究

针对传统视频SAR(ViSAR)运动目标检测方法存在的帧间配准难度大、快速运动目标阴影特征不明显、虚警概率高等问题,该文提出一种基于改进快速区域卷积神经网络(Faster R-CNN)的视频SAR运动目标检测方法。该方法结合Faster R-CNN深度学习算法,利用K-means聚类方法对anchor box的长宽及长宽比进行预处理,并采用特征金字塔网络(FPN)架构对视频SAR运动目标的“亮线”特征进行检测。与传统方法相比,该方法具有实现简单、检测概率高、虚警概率低等优势。最后,通过课题组研制的Mini-SAR系统获取的实测视频SAR数据验证了新方法的有效性。

基于生成对抗网络改进的更快速区域卷积神经网络交通标志检测

针对小尺寸、远距离的交通标志检测过程中缺少信息的问题,以改进的更快速区域卷积神经网络(Faster R-CNN)检测器为基础,结合生成对抗网络(GAN)的目标检测算法实现对小目标交通标志的检测。Faster R-CNN首先根据期望目标设定合适的锚点数量,生成包含小目标的候选区域,再使用生成网络对候选区域中的模糊小目标进行上采样,生成高分辨率图像,最后使用分类损失函数与回归损失函数对判别网络进行改进。试验结果表明,Faster R-CNN和生成对抗网络相结合的检测算法可以提高远距离小目标交通标志检测性能。

基于快速区域卷积神经网络的电网通信网入侵威胁预先识别方法

为改善传统电网通信网入侵威胁预测机制存在的若干缺陷,提出了一种基于快速区域卷积神经网络的电网通信网入侵威胁预先识别方法。首先构建快速区域卷积神经网络机制实现电网通信网入侵威胁精准预测;然后构建时间正序下的电网通信网入侵威胁核心要素样本精准预测机制;最后借助电网通信网入侵威胁预测函数输出最优预测结果。对模型进行了工程应用实践验证,满足电网通信网入侵威胁预测智慧化改造需求,大幅度优化了电网通信网入侵威胁预测智慧可控感知机制。

改进卷积神经网络的医学图像感兴趣区域识别

图像中的噪声会提高图像特征信息提取难度,影响图像识别时的细节保留效果,为此提出改进卷积神经网络的医学图像感兴趣区域识别方法。分析医学图像主要噪声来源,构建噪声模型,利用非局部均值滤波算法计算图像全部像素的加权平均值,完成图像去噪处理;通过图像求反、对比度增加和灰度调节等操作增强图像细节信息;利用局部区域特征提取方法获取图像基础纹理特征,包括灰度、平滑度与熵值等;建立具有卷积层、池化层、全连接层的卷积神经网络模型,引入区域建议网络对其改进,通过该网络确定识别的候选区域,将图像特征作为网络输入,经过不断学习迭代,输出最终感兴趣区域。实验结果表明,所提方法在提高图像质量的基础上,识别出的感兴趣区域较为完整,包含的有用信息更多。

基于并联卷积神经网络的无人机遥感影像建筑区域测量

无人机遥感影像覆盖范围广,难以区分建筑区域与背景区域,导致无人机遥感影像建筑区域测量结果可靠性下降;以解决这一问题作为研究目标,提出了一种基于并联卷积神经网络的无人机遥感影像建筑区域测量方法;获取无人机遥感影像,通过静态输出、图像融合、去雾等环节完成遥感影像预处理;构建并联卷积神经网络,通过网络训练传播提取预处理后无人机遥感影像建筑区域边缘特征,经过特征匹配实现无人机遥感影像中建筑区域识别,结合面积计算结果得到建筑区域的测量结果;经过精度性能测试实验得出结论,在有雾和无雾环境下所提方法与传统区域测量方法相比的建筑区域测量误差分别降低了0.505 km^(2)和0.305 km^(2),说明该方法的测量结果可靠性更高,可以广泛应用在无人机遥感影像建筑区域测量领域。

基于U-net卷积神经网络的电磁场快速计算方法

有限元法(FEM)是物理场分析常用的方法,但庞大的求解自由度导致FEM计算成本很大。针对FEM计算时间长的问题,构建一种基于U-net卷积神经网络的物理场快速计算方法,将样本数据通过栅格化或点云化处理后作为神经网络的输入和标签数据,通过网络训练实现物理场的快速计算并研究该方法在电磁场计算中的应用。结果表明,该方法能准确有效地预测电势、电场强度、磁感应强度等物理量的分布,且预测时间较FEM仿真计算时间大幅缩短。同时,通过合理选择数据集大小,即使在小数据集下也能有较高的预测精度。

基于改进掩膜区域卷积神经网络的输电线路绝缘子自爆检测

由于背景复杂、目标所占像素比例较小,掩膜区域卷积神经网络(Mask R-CNN)模型对输电线路绝缘子缺陷检测能力不足,该文提出一种改进的MaskR-CNN模型。具体地,首先,在特征提取网络中引入卷积注意力模块(CBAM),分别从通道和空间提升小目标特征保持性;其次,使用全局交并比(GIoU)计算目标间的相似度,提升定位准确性;最后,使用Tversky损失计算掩膜分支的损失,以提升不平衡样本下的检测效果。使用某输电运检中心无人机巡检作业所得具有自爆缺陷的绝缘子照片作为数据集对该模型进行验证,实验结果表明,与原始Mask R-CNN模型相比,该方法的平均精确率AP50:90、AP50和AP75分别提升至0.56、0.79和0.72;与三种经典目标检测算法相比,该算法具有较高的检测精度,模型的分割性能有一定提升,且比原始模型具有更好的鲁棒性,可以满足电力巡检中准确性和快速性的要求。

基于卷积神经网络的实时视频目标检测优化方法

文章引入动态感兴趣区域(Dynamic Region of Interest,DROI)策略,提高基于区域卷积神经网络的快速目标检测(Faster Region-based Convolutional Neural Networks,Faster R-CNN)模型在实时视频目标检测任务中的性能。首先,分析Faster R-CNN;其次,提出一种基于DROI的优化方法,通过动态调整感兴趣区域以适应目标的运动和变化;最后,在MOT17数据集上进行实验,验证该优化方法的有效性。

基于深度卷积神经网络的异常行为快速识别

针对异常行为快速识别问题,提出了一种基于深度卷积神经网络的视频检测和定位方法。该方法利用全卷积神经网络和时间数据,将一个预先经过训练和监督的全卷积神经网络转移到一个无监督的全卷积神经网络,确保能够检测全局场景中的异常,提出利用级联检测的方式来降低算法的计算复杂度,从而使其在速度和精度方面获得较高的性能。提出的基于全卷积神经网络的异常行为检测架构解决了两个主要任务,即特征表示和级联离群值检测。实验结果表明,所提方法在检测和定位精度上优于现有算法,且运行速度更快,从而表明所提算法的有效性和可行性。

基于更快区域卷积神经网络的多视角船舶识别

针对在复杂海洋环境下采集船舶多视角图像难度大、不同视角下船舶外观差异显著的问题,本文以自制的不同类型的多艘船舶的多视角图像为数据集训练更快区域卷积神经网络模型,利用平均F1分数、平均精度和平均误检率作为评价指标评估更快区域卷积神经网络模型对不同视角船舶的识别性能,并通过识别不同船舶的F1分数和误检率分析更快区域卷积神经网络对不同质量、背景图像的识别能力。实验结果表明,更快区域卷积神经网络识别多角度船舶的平均F1分数为0.6969,平均精度为92.88%,平均误检率为8.34%,即更快区域卷积神经网络对多视角船舶有较高的识别能力,但对于有雾或昏暗环境下的低像素图像识别能力明显下降。

基于快速区域卷积神经网络胰腺癌增强CT自动识别系统的建立及临床测试

目的验证基于快速区域卷积神经网络(Faster R-CNN)胰腺癌增强CT自动识别系统,并探讨其临床应用价值。方法回顾性收集青岛大学附属医院2013年1月至2016年5月收治的315例胰腺癌患者的4024张增强CT影像序列,将2614张影像序列作为训练组输入Faster R-CNN系统,建立影像自动识别模型,通过读取135例胰腺癌的1410张增强CT影像进行验证。为了进一步测试其临床应用效果,读取150例胰腺占位患者的3750张增强CT影像并对其诊断结果进行随访。记录结节类别的精准率和召回率,绘制精确回归曲线,分析Faster R-CNN诊断的准确性、灵敏度、特异度,生成受试者工作特征(ROC)曲线,并计算曲线下面积。结果基于135例胰腺癌增强CT影像,得到Faster R-CNN的人工智能辅助诊断的ROC曲线的曲线下面积为0.927,准确性、特异度、灵敏度分别为0.902、0.913、0.801。经过150例胰腺占位患者资料的验证,判定阳性893张,阴性2857张,Faster R-CNN诊断为胰腺癌患者98例,对其诊断结果进行随访,其中53例经外科手术后病理证实为胰腺导管癌、21例为胰腺囊腺癌、12例为胰腺囊腺瘤、5例为胰腺囊肿,7例患者未手术治疗。在术后5~17个月内6例死于腹腔肿瘤浸润、肝转移或肺转移。在Faster R-CNN诊断为阴性的52例患者中,有9例经外科术后证实为胰腺导管癌。结论Faster R-CNN系统能够帮助影像科医师对胰腺癌进行诊断,具有一定的临床应用价值。

改进区域卷积神经网络的传送带撕裂检测

针对传送带撕裂检测中对破损目标检测精度不足和检测性能低下的问题,提出一种改进区域卷积神经网络Light-Head R-CNN的传送带撕裂检测方法。将特征提取模块设置为轻量化卷积网络MoblieNetV2有效降低模型参数,采用大尺度卷积核扩大网络感受野,增强模型特征提取能力;引入特征金字塔结构融合不同层次的特征信息,优化模型对微小破损的识别效果;结合注意力机制对特征权重进行调整,突出破损目标的特征信息。实验结果表明,所提算法对传送带破损目标的平均检测精度提高了2.78%,检测速度提高了22.9%,具有良好的实时检测效果。

应用掩码区域卷积神经网络的文本检测模型

要:提出一种基于掩码区域卷积神经网络的文本检测模型。首先从扩大模型感受野并尽可能保持模型效率的角度出发,针对残差神经网络中的瓶颈结构进行优化,构建基于结构优化的残差神经网络(residual network based on structural optimization,ResNetSO);然后去除冗余特征以提高融合后特征质量,并将空间注意力机制应用于特征金字塔网络,构建了基于下层特征指导的特征金字塔网络(feature pyramid network based on lower feature guidance,FPNetLFG)。在两个公开数据集上的实验结果表明:包含ResNetSO和FPNetLFG两个模块的模型应用在级联区域卷积神经网络、递归特征金字塔和可切换空洞卷积的目标检测模型中,分别可以带来0.8%和0.3%左右的F1值提升,从而说明了该方法的有效性和普遍适用性。

基于改进双目视觉和掩膜区域卷积神经网络的 空间定位方法研究

针对实际应用时监控图像中外破危险点选取不准和标定空间不足等问题,提出外破危险点自动选取算法并改进了双目立体视觉的标定过程,实现了双目立体视觉测距技术在复杂环境廊道外破距离测量中的实际应用。总结了理想状况下大场景中外破风险测距的双目立体视觉算法。使用掩膜神经网络识别外破轮廓和距离线路最近的危险点。针对可能出现的复杂地形,提出减少标定区域的部分标定法。选取部分典型外破入侵场景验证危险点提取算法和标定方法的有效性。结果表明,此改进算法在监测施工机械类外破时的危险点识别精度保持在0.3 m以下,且可以使双目测距应用于复杂环境下的线路外破监测任务。

基于双流快速区域卷积神经网络改进的人体动作识别算法

深度神经网络在静态图像领域已取得突破性进展,并逐步扩展到视频识别领域。人体动作识别是视频识别领域的研究热点和难点,因此,提出了一种基于双流快速区域卷积神经网络(Faster RCNN)改进的人体动作识别算法。首先,用RGB(Red,Green,Blue)图像和光流数据作为网络的输入,分别训练Faster RCNN;然后,将训练好后的网络模型进行融合,并引入改进的压缩和激励模块对特征通道进行处理,以突出重要特征;最后,用完全的交并比损失函数作为边框回归损失函数,以优化某些预测框与真实框不能相交等问题。实验结果表明,相比传统的Faster RCNN,本算法在动作识别数据集UCF101上的准确率得到了一定的提高。

基于快速区域卷积神经网络对于胸部数字X线摄影图像异物的自动检测

目的探讨快速区域卷积神经网络(Faster RCNN)在胸部数字X线摄影(DR)图像异物位置和类型自动检测中的应用价值。方法对960张胸部DR图像进行Faster RCNN训练、验证及测试,按3∶1∶1的比例随机划分数据集为训练集(576张)、验证集(192张)和测试集(192张)。使用开源分割工具ImageJ对左、右肺野及异物(共13类)进行标注,其中左、右肺野采用区域标记,异物采用包围框标记。肺野分割精确程度采用肺野预测模型度量函数IoU值表示。异物位置标注结果分为三类:图像无异物,图像有肺野内异物,图像有肺野外异物。将检测结果用三分类混淆矩阵表示,并计算三类图像的召回率、精确率及最终分类的准确率。并输出对各类异物检测的平均精确率(AP)和总平均精确率(mAP)。结果训练集和验证集共768张胸部DR中的645张含有异物,共4655个。测试集左肺分割平均IoU值为0.959,右肺分割平均IoU值为0.958。单例测试耗时5 s。图像无异物,图像有肺野内异物和图像有肺野外异物三类图像的召回率分别为94%、75%和82%,精确率分别为88%、98%和70%;总准确率为86%。对各类异物检测的AP范围为66%~100%,mAP为81%。结论 Faster RCNN可满足影像质量控制工作中自动检测DR图像异物的要求。

基于改进掩码-区域卷积神经网络的混凝土病害实例分割

为对混凝土病害图像进行更精确的实例分割,提出改进掩码-区域卷积神经网络(Mask Region Convolution Neural Network,Mask-RCNN)。该网络采用轻量级的可移动网络(MobileNetV2)代替原始Mask-RCNN中卷积层过大的主干网络——残差网络(ResNet101),加入路径聚合网络(PANet),以提高Mask-RCNN提取浅层特征信息的能力。为验证改进Mask-RCNN的识别精度及其在实际工程中的可行性,首先构建多类混凝土病害图像数据集,利用K-means聚类算法确定最适合该数据集的先验边界框的长宽比,然后对比改进Mask-RCNN与原始Mask-RCNN、其它主流深度学习网络对混凝土五类病害(裂缝、露筋、剥落、白皙和空洞)的识别结果;最后利用无人机采集到的钢筋混凝土桥梁病害图像作为测试集进行测试。结果表明:改进Mask-RCNN在提高计算速度的同时能更准确地定位病害,减少了误检和漏检,识别精度高于原始Mask-RCNN及其它深度学习网络;改进Mask-RCNN可以识别无人机拍摄的未经训练的新的混凝土病害图像,识别精度满足实际工程需求。

基于卷积神经网络和Transformer的目标快速识别

由于传统目标识别方法识别速度缓慢,识别效果差,提出了基于卷积神经网络和Transformer的目标快速识别。首先,以像素为单位判断目标点定位,查询数据向量,分配像素点的特征和位置信息训练权重;其次,将不同维度中的特征注意力合并,解码序列信息的计算关联性,添加新的位置信息;再次,在图像中布满卷积核,通过运算得到输出图像中的目标像素值,建立目标特征数据库,对特征目标进行训练得到对应数据集;最后,运用LSD(Least-Significant Difference)算法检测图像中的目标局部最优,根据先验知识还原后的线段进行分组,得到对应的候选窗口。遍历区域内数据获得近似值,选择最大的值为最优识别从而实现快速识别。实验结果表明,所提方法的抗噪识别率高,在干扰条件下识别速度快,目标识别效果好。

基于卷积神经网络的长江河口潮位站潮汐频段特征信号快速捕捉方法

进行潮汐频段特征信号快速捕捉时,未对最优频段进行估计,导致潮汐频段特征信号快速捕捉效果价较差,对此,文章提出基于卷积神经网络的长江河口潮位站潮汐频段特征信号快速捕捉方法。采用卷积神经网络算法构建潮汐频段的三角函数,得到其最优频段估计,基于最优频段进行潮汐频段特征信号提取,通过建立损失函数模型获取样本真实值,得到其潮汐频段特征信号。实验结果显示,该信号捕捉方法所得的信号特征与实际信号相符,具备较高的精度。

基于卷积神经网络快速区域标定的表面缺陷检测

为检测生产线中产品的表面缺陷,提出一种基于卷积神经网络快速区域标定(FasterR-CNN)的缺陷检测方法,用于识别缺陷类型并标记出缺陷位置。预处理阶段提出区域规划方法粗略裁剪出缺陷主体,以避免产生大量冗余窗口,从而提升检测速度和精度。所提算法结合数据扩充方法增加了图像数量,通过划分K折交叉验证数据集改善了算法的鲁棒性;同时,将稀疏滤波思想融入卷积神经网络,提取双重深度特征作为FasterR-CNN的输入,提升了FasterR-CNN位置检测和识别的精度。通过油辣椒灌装生产线的封盖面典型缺陷检测验证了所提方法的可行性。