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。

基于区域卷积神经网络Faster R-CNN的手势识别方法

为提升手势识别算法的准确率,引入深度学习中区域卷积神经网络Faster R-CNN (faster region-convolution neural network)。利用该网络的卷积神经网络自动提取手势目标特征,采用RPN(region proposal networks)机制提取候选框以提高搜索效率,采用Faster R-CNN网络对建议框做目标检测和分类以实现手势端到端的识别。结果表明,该方法能够更加准确高效地完成手势特征提取和分类任务,有效提高手势识别准确率。

基于区域的快速卷积神经网络的焊缝TOFD检测缺陷识别

受扫查图像效果和检测人员能力与主观因素的影响,检测人员在使用超声衍射时差法(TOFD)的D扫描图像判断焊缝缺陷类型时,存在可靠性低、争议大、速度慢的问题。为了提高缺陷类型识别的准确性及效率,分析了焊缝缺陷的TOFD-D扫描图像特征,构建了一种基于区域的卷积神经网络(Faster RCNN),对焊缝缺陷D扫描图像中的缺陷类型进行自动识别;在网络训练过程中,提出了采用样本扩展及建议框优化方法以提高网络训练的稳定性及效率。结果表明:缺陷的TOFD-D扫描图像的轮廓与缺陷几何形状密切相关,可用于判断缺陷类型;Faster RCNN网络虽然可能对界面波及噪声造成误判,但对缺陷类型的识别率可达到97%以上,可实现缺陷类型的自动识别,并具有高识别率、鲁棒性和抗干扰能力。

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。

基于改进区域卷积神经网络的SAR图像船只检测方法

准确地掌握船只目标的位置和分布对海上交通管理、海洋事故救援及海洋环境保护等非常重要。近年来,合成孔径雷达(SAR)广泛应用到海上船只目标探测中。本文提出一种基于深度学习框架的船只检测方法,该方法根据SAR图像中船只目标的特点,对区域卷积神经网络的输入部分及目标候选框提取部分做出了适应性改进,并对训练方法进行了优化。实验表明,本文提出的方法能够在不同分辨率的SAR图像中检测出密集分布、沿岸分布等不同场景下不同大小的船只目标,且检测结果不受旁瓣等噪声的干扰,能够完整地保留船只目标的细节信息,实现整体检测。

基于改进的更快的卷积神经网络特征区域的淡水鱼鱼鳃切口点定位

为了提高鱼产品加工过程中鱼鳃切口点定位的准确度,采用改进的更快的卷积神经网络特征区域(faster convolutional neural network feature region,Faster RCNN)对淡水鱼的鱼鳃部位进行检测和定位。首先,为了增强主干网络VGG16的特征提取能力,加入批归一化(batch normalization,BN)层对其进行结构优化,提高了网络识别的准确率。其次,当物体处于预设的交叉阈值范围时,非最大值抑制(non-maximum suppression,NMS)算法存在目标漏检的问题。采用Soft-NMS算法替代NMS算法,增强了目标检测的性能。通过在淡水鱼数据集进行的实验结果表明,改进的Faster RCNN网络对鱼鳃切口定位准确率达到了96%,较未改进网络提高了6%,为后续生产线中鱼鳃的精准切割奠定了基础。

基于深度卷积神经网络的糖尿病视网膜病变分期及病灶检测

针对糖尿病视网膜病变(DR)图像分辨率过大、病灶特征过于分散难以获取以及正负难易样本不平衡而导致DR分期精确率一直无法得到有效提高的问题,提出了改进的基于快速区域的卷积神经网络(Faster R-CNN)和子图分割相结合的DR分期方法。首先,使用子图分割解决视盘区域对于病灶识别的干扰问题;其次,在特征提取阶段使用深度残差网络以解决病灶在高分辨率眼底图像中占比小而导致的特征难以获取的问题;最后,在感兴趣区域(ROI)生成时采用在线困难样本挖掘(OHEM)方法解决正负难易样本不平衡的问题。在国际公开数据集EyePACS进行DR分期实验,所提方法在DR病分期中精确率0期达到94.83%,1期达到86.84%,2期达到94.00%,3期达到87.21%,4期达到82.96%。实验结果表明,改进后的Faster R-CNN能对DR图像高效分期并自动标注出病灶。

基于卷积神经网络的半身裙款式特征分类识别

针对服装特征分类识别不够全面、较多分类特征导致效果较差的问题,提出一种带有Inception v2模组的快速区域卷积神经网络模型的女装半身裙多特征分类识别方法。建立一个包含8类款式、11种颜色、5种图案、4种长度,共计28种类别标签的女装半身裙样本库;以快速区域卷积神经网络(Faster r-cnn)结构为基础,引入一个Inception v2模组,对半身裙的款式及多种特征进行学习训练,通过全连接层将来自Faster r-cnn主干网络和Inception v2的分类信息进行特征融合并共享损失,以提高算法的准确率;将目标检测框与分类结果一起输出,在对半身裙图像精准定位的基础上实现了半身裙款式及常见特征的分类识别。结果表明:该方法的平均分类准确率为92.8%,可以有效地对女装半身裙款式、特征进行分类识别,并且可用于实际场景的服装图片中。

基于卷积神经网络的车辆和行人检测算法

针对传统的车辆和行人检测算法在提取特征时鲁棒性较差的问题,提出一种基于深度学习的车辆和行人检测算法。该算法利用更快速的区域卷积神经网络(Faster RCNN)开源框架和Squeezenet网络,通过在线负样本学习(OHEM)算法和可变的非极大值抑制(Soft-NMS)算法来改进算法的检测精度。首先采用Squeezenet网络框架对图片提取特征,然后通过区域提取网络算法(RPN)获取图片中待检测的区域,最后在检测阶段加入OHEM算法对疑难样本进行重新学习和Soft-NMS抑制重叠矩形框,从而得到目标的得分和边界框。结果表明,基于卷积神经网络的车辆和行人检测算法能够获得较好的检测效果。

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。

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。

基于改进的Faster RCNN的仪表自动识别方法

在环境复杂的工业场景中,仪表盘存在类别多、相似性高等问题,导致检测的识别效果较差、准确率不高。针对这一问题,提出了一种基于改进的更快速的区域卷积神经网络(Faster RCNN)的仪表自动识别方法。首先,采用残差网络(Resnet)101代替视觉几何群网络(VGG)16,进行了网络结构简化;然后,引入了特征金字塔网络(FPN),并将其改进为递归特征金字塔网络后进行了迭代融合,输出了特征图;接着,引入了注意力机制模块,根据特征的重要程度,完成了对输出通道权值的重新分配,增强了Faster RCNN对目标的运算能力;提出了改进非极大值抑制算法(Softer-NMS),通过降低置信度来确定准确的目标候选框;最后,采用Mosaic数据增强技术对可视对象类(VOC)2007数据集进行了扩充,对改进后的Faster RCNN模型进行了仪表自动识别的实验。研究结果表明:在相同工业环境下,与传统的Faster RCNN算法模型相比,改进后的Faster RCNN模型准确率为93.5%,较原模型提高了3.8%,mAP值为92.6%,较原模型提高了3.7%,可见该方法在实际生产中具有较强的鲁棒性与泛化能力,可满足工业上对智能检测的要求。

基于改进Faster RCNN的PCB表面缺陷检测研究

印刷电路板(PCB)在制造过程中不可避免地存在焊点缺焊、短路、毛刺、缺口、开路、余铜等微小缺陷。传统的基于机器视觉检测的缺陷检测方法存在检测速度慢、误检率和漏检率高、抗干扰能力弱等问题。为解决上述问题,提出一种基于改进快速区域卷积神经网络(Faster RCNN)的PCB表面缺陷检测方法。首先,在传统Faster RCNN框架的基础上,融入扩展特征金字塔网络(EFPN)以实现特征提取与融合,并进行多尺度检测,从而尽可能保留图像细节信息以提高检测性能。其次,利用K-means算法结合交并比(IoU)优化区域建议网络(RPN)结构中的锚框参数,使得生成的锚框方案更有针对性。试验结果表明,改进Faster RCNN在PCB缺陷数据集上的全类平均正确率(mAP)值达到93.4%、检测速度达到每秒21.79帧。所提方法可推广应用至芯片、光学器件表面微小缺陷在线检测,从而提升工业生产效率。

基于CA-FasterR-CNN的甲骨文原始拓片单字分割方法

甲骨文拓片经过长时间的埋藏和侵蚀,变得形态复杂,字体模糊,单字之间缺乏明确的分隔,这给甲骨文识别带来了极大的困难。基于此,本文提出了一种基于坐标注意力机制的快速区域卷积神经网络(Coordinate Attention Mechanism-based Faster Region Convolutional Neural Network,CA-Faster R-CNN)模型以实现对甲骨文拓片图像中的单字分割。通过坐标通道注意力机制的引入,模型能够更加关注甲骨文字形特征,从而提升了对甲骨文图像细节的捕捉能力,最后训练结果框线与标准框线基本重合,证明模型分割效果良好。

一种基于神经网络快速检测震后坍塌房屋的方法

在地质灾害发生后快速进行房屋坍塌检测,可以有效地进行灾害评估,并实施抢险救援工作。传统的房屋坍塌检测方法难以适应现代海量无人机影像处理工作,既需要大量的人力、时间成本,又不能保证检测的精度,无法满足应急测绘的要求。本文提出了一种基于卷积神经网络(convolutional neural network,CNN)快速检测震后坍塌房屋的方法,介绍了该方法原理和流程。以2008年汶川地震和2010年玉树地震无人机影像数据为例,进行了实验验证,结果表明:该方法应用于房屋坍塌检测,训练速度、准确率等都优于传统方法以及传统神经网络。

基于Faster R-CNN的除草机器人杂草识别算法

针对当前除草机器人杂草识别定位不准确、实时性差等问题,提出一种基于Faster R-CNN的草坪杂草识别算法。该方法首先使用快速区域卷积神经网络(Faster R-CNN)算法训练初始化模型,然后通过在网络池化层后添加生成对抗网络(GAN)噪声层来提高网络的鲁棒性。试验结果表明,该种方法在正常拍摄的测试集图片中识别率达到97.05%,在加噪图片测试集的识别率达到95.15%,识别结果均优于传统的机器学习方法。同时,本方法具有识别速度快的特点,可用于实时检测,在园林杂草清理等方面具有应用价值。

基于改进深度置信网络的木板表面缺陷检测模型

为了提高木板表面缺陷检测精度,采用连续型深度置信网络(DBN)建立木板表面缺陷检测模型。首先,对待检测的木板图片进行关键特征提取,并建立DBN检测模型。然后,将木板图片特征输入DBN的多个受限玻尔兹曼机(RBM)层进行深度训练,从而利用DBN的深度优势来获得木板表面缺陷检测结果。最后,引入人工蜂群(ABC)算法对DBN的权重参数进行优化从而缩短训练时间。实例测试实验结果表明:选择学习速率为0.075时,ABC-DBN算法在划痕、刮痕、裂缝、崩缺4类样本集中的均方根误差(RMSE)均值性能更优。采用卷积神经网络(CNN)、快速区域卷积神经网络(Faster R-CNN)、自适应增强卷积神经网络(AdaBoost-CNN)和ABC-DBN算法分别进行检测准确率对比实验。结果显示,ABC-DBN算法检测准确率RMSE为5.067×10^(-2),是最优结果,Adaboost-CNN算法次之,CNN算法最差。

基于改进Faster R-CNN的钢轨踏面块状伤损检测方法

针对钢轨踏面块状伤损存在的尺度变化大、样本数据集小的问题,提出了基于改进Faster R-CNN的钢轨踏面块状伤损检测方法。首先,基于ResNet-101基础网络结构来构建多尺度特征金字塔(FPN),以实现深、浅层特征信息的融合,从而提高了小尺度伤损的检测精度;然后,采用广义交并比(GIoU)损失解决了Faster R-CNN中回归损失SmoothL1对预测边框位置不敏感问题;最后,提出引导锚定的区域提名网络(GA-RPN)方法,从而解决了区域生成网络(RPN)生成的锚点大量冗余而导致的检测网络训练中正负样本失衡问题。训练过程中,基于翻转、裁剪、噪声扰动等图像预处理方法对RSSDs数据集进行扩充,解决了钢轨踏面块状伤损训练样本不充足问题。实验结果表明,所提改进方法对钢轨踏面块状伤损检测的平均精度均值(mAP)可达到82.466%,相较于Faster R-CNN提高了13.201个百分点,能够更加准确地检测钢轨踏面块状伤损。