小N更快速离散傅立叶变换算法

讨论了用于频谱分析的离散傅立叶变换，得到了一种样本个数为４的倍数时，可使变换的计算复杂性大大减少的算法，比基２ＦＦＴ算法的计算量要少得多；结合ＷＦＡＴ算法，则比原ＷＦＡＴ最优顺序算法的计算量还要少。

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。

高速铁路道岔大部件快速更换工法及装备研制

在对高速铁路道岔大部件更换的施工组织进行深入调研的基础上,提出了一种减少线路占用、适合高速铁路道岔大部件快速更换的作业工法——本线纵移快速置换法。该方法克服了占用邻线更换方法作业效率低、线路占用多、影响范围大的缺点。针对本线纵移快速置换法展开装备研制,保证在电气化区段安全作业,实现高速铁路道岔大部件的快速更换,对提高我国高速铁路道岔大部件伤损应急处置能力具有十分重要的意义。

基于Faster R-CNN的吸烟快速检测算法

针对经典卷积神经网络吸烟检测算法存在速度慢、误检率和硬件占有率高等问题,提出一种基于更快速区域卷积网络(faster region with convolution neural networks,Faster R-CNN)的吸烟快速检测算法。检测人脸并将检测到的人脸图像作为烟支检测区域,以缩小目标检测区域,并过滤掉与烟支相似的目标。使用图像分割方法对人脸区域进行烟支初检,初步判断有无烟支存在。利用Faster R-CNN算法对初步判断可能存在烟支的图像进行烟支目标检测并判断是否存在吸烟行为。实验结果表明,与经典的Faster R-CNN吸烟检测算法相比,提出算法的误检率、检测时间和CPU占用率有了明显降低。

PVC水管弯头快速可换型芯注射模设计

介绍了在UnigraphicsCAD系统上 ,采用参数驱动方法设计的1副孔径可变的PVC水管弯头快速可换型芯注射模 ,该模具通过更换型芯、型腔镶块和侧抽型芯可生产不同孔径的弯头塑件 ,且型芯的更换可直接在注射过程中的开模状态下进行 ,实现了快速可换型芯与一模多用。

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。

基于改进深度学习的航拍滑坡检测方法

为及时发现滑坡险情展开应急救援,提出一种结合逐通道不同阈值的深度残差收缩网络(DRSN-CW)方法的更快速区域卷积神经网络(Faster-RCNN)模型的航拍图像滑坡检测算法。利用图像增强的伽马变换、高斯滤波方法提高图片的质量;使用群组归一化方法消除batchsize大小对模型的影响;为减少噪声以及无关特征区域的干扰,采用DRSN-CW网络对滑坡检测目标进行精准定位。实验结果表明,改进后模型与先前模型相比F1值以及平均精度分别增加了10.7%、10.2%,可以有效检测滑坡险情。

基于深度学习的肺炎图像目标检测

肺炎是一种严重危害身体健康的疾病,通常使用肺部X光片进行检查。肺炎诊断是肺炎治疗前非常重要的环节,但是由于肺部其他疾病的干扰、医疗数据的爆发式增长以及专业病理医生的缺乏等,导致肺炎的准确诊断较为困难。深度学习能够模仿人脑的机制准确高效地解释医学图像数据,在肺炎图像检测方面获得了广泛应用。构建了3种基于深度学习的图像目标检测模型,单发多框探测器(SSD)、faster-RCNN和faster-RCNN优化模型,对来自Kaggle数据集的26 684张带标签的肺部X光图像进行研究。原始X光图像经预处理后输入3种深度学习模型,分别对单处和两处病灶区域进行目标检测。随机选取500张测试图像,利用损失函数、分类准确率、回归精度和误检病灶数等指标对各模型的性能进行评估。结果表明,faster-RCNN的性能指标优于SSD;Faster-RCNN优化模型的性能指标均优于其他两种模型,其损失函数值小且可快速达到稳定,平均分类准确率为93.7%,平均回归精度为79.8%,且误检病灶数为0。该方法有助于肺炎的准确识别和诊断。

基于Faster R-CNN的人体行为检测研究

由于人体行为类内差异大,类间相似性大,而且还存在视觉角度与遮挡等问题,使用人工提取特征的方法特征提取难度大并且难以提取有效特征,使得人体行为检测率较低。针对这个问题,本文在物体检测的基础上使用检测效果较好的Faster R-CNN算法来进行人体行为检测,并对Faster R-CNN算法与批量规范化算法和在线难例挖掘算法进行结合,有效利用了深度学习算法实现人体行为检测。对此改进算法进行实验验证,验证的分类和位置精度达到了80%以上,实验结果表明,改进的算法具有识别精度高的特点。

基于Faster-RCNN和Level-Set的桥小脑角区肿瘤自动精准分割

桥小脑角区(CPA)肿瘤的精准分割在手术治疗、放疗中有重要影响,本文结合更快速区域卷积神经网络(Faster-RCNN)和水平集(Level-Set)方法对CPA肿瘤的自动分割进行了研究.首先,采集317名CPA肿瘤患者的T1WI-SE序列磁共振图像,使用基于Faster-RCNN主干网络VGG16提取特征,结合区域建议网络(RPN)进行学习训练,建立带有CPA肿瘤位置信息的定位模型,再应用Level-Set对肿瘤进行精准分割.本文对比了不同CPA肿瘤区域勾画范围对分割结果产生的影响,并以精确率、召回率、均值平均精度值(mAP)和戴斯系数(Dice系数)等指标评估了模型定位和分割的性能.实验结果表明,结合Faster-RCNN和Level-Set建立的模型能更有效对CPA肿瘤进行精准分割,减轻临床医生的负担,并提升治疗效果.

基于Faster R-CNN和IoU优化的实验室人数统计与管理系统

针对人员位置相对固定的场景中实时人数统计的管理需求,以普通高校实验室为例,设计并实现了一套基于更快速的区域卷积神经网络(Faster R-CNN)和交并比(IoU)优化的实验室人数统计与管理系统。首先,使用Faster R-CNN模型对实验室内人员头部进行检测;然后,根据模型检测的输出结果,利用IoU算法滤去重复检测的目标;最后,采用基于坐标定位的方法确定实验室内各个工作台是否有人,并将相对应的数据存入数据库。该系统主要功能有:①实验室实时视频监控及远程管理;②定时自动拍照检测采集数据,为实验室的量化管理提供数据支撑;③实验室人员变化数据查询与可视化展示。实验结果表明,所提基于Faster R-CNN和IoU优化的实验室人数统计与管理系统可用于办公场景中实时人数统计和远程管理。

基于CBAM Faster R-CNN的食道癌检测

为解决钡餐造影图像经Faster R-CNN的骨干网络得出的特征图中的食管区域不明显以及背景区域占比较大等问题,提出了CBAM Faster R-CNN,它是在原Faster R-CNN模型的基础上添加卷积注意力模块CBAM,以提升特征图中食管区域的特征的显著性.采用CBAM Faster R-CNN模型对数据增强后的训练集进行了训练,并采用Recall值、Precision值、AP值进行了评价分析.实验结果表明:在不同的IOU阈值下,CBAM Faster R-CNN模型的检测效果明显优于Faster R-CNN,且对实际的临床研究具有一定的意义.

基于深度学习的地铁施工作业人员不安全行为识别与应用

为有效识别地铁施工作业人员不安全行为,基于深度学习与计算机视觉技术,提出融合行为和身份识别的不安全行为识别方法。首先,对更快速的基于区域的卷积神经网络(Faster R-CNN)算法进行优化,引入高效通道注意力(ECA)模块提升行为识别的准确性;其次,将基于人脸超分辨率算法的人脸识别方法与行为识别相结合,提升图像像素水平并准确输出不安全行为执行人员相关信息;然后,行为识别与人脸识别并发进行,识别结果回流至数据库最终输出工人不安全行为报告;最后,选取某地铁施工项目的4种不安全行为进行识别方法的实证应用。研究表明:该方法可在地铁施工场景下进行有效应用,不安全行为识别和执行人员身份识别的准确率均达0.85以上,具有较高的准确度。

基于Faster R-CNN算法的船舶识别检测

目前,检测卫星图像中船舶的常用方法如合成孔径雷达(synthetic-aperture radar,SAR)对多目标仍难以达到精确检测,而更快速的区域卷积神经网络(faster region-based convolutional neural network,Faster R-CNN)算法是一种深度学习算法,用于物体检测和分类时,可以实现高精度实时监测。文章应用Faster R-CNN算法对卫星图像中的船舶进行识别和检测,并与传统尺度不变特征转换(scale-invariant feature transform,SIFT)算法、快速区域卷积神经网络(fast region-based convolutional neural network,Fast R-CNN)算法进行对比。研究结果表明,Faster R-CNN算法比传统SIFT算法和Fast R-CNN算法有更好的收敛速度和识别精度,该算法在船舶识别方面具有较大潜力。

基于激光雷达和视觉信息融合的车辆识别与跟踪

为提高自动驾驶系统对车辆目标的识别和跟踪精度,提出一种基于激光雷达和单目视觉的信息融合框架。利用改进的DBSCAN算法对障碍物点云数据进行聚类,采用更快速区域卷积神经网络(Faster R-CNN)识别单目视觉图像中的车辆目标,融合两种传感器的信息获得完整的车辆目标信息,使用联合概率数据关联(JPDA)算法实时跟踪目标车辆的运动状态。试验结果表明,该算法可有效避免传感器杂波的干扰,能够适应车辆目标的数量变化并及时更新航迹信息,具有较高的精度和鲁棒性。

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Faster R-CNN的卫星图像污水处理厂识别

针对卫星图像中污水处理厂目标识别性能低的问题,提出了更快速区域卷积神经网络(Faster R-CNN)和工艺环节相结合的方法,检测污水处理厂、生化池和污泥泵房目标。在污水处理厂识别过程中,使用数据扩充技术、引入负样本等方法来扩充训练集样本;选用ZFNet、VGG和ResNet三种神经网络进行特征提取,采用Faster R-CNN方法训练目标检测模型,同时根据图像检出的工艺环节与污水处理厂之间的从属关系,过滤掉孤立的污水处理厂目标和工艺环节目标,提升污水处理厂的目标识别性能。实验结果表明,结合ResNet、Faster R-CNN和工艺环节方法的识别效果最好,相较于ResNet结合Faster R-CNN方法:准确率可以达到79.68%,提升了5.92%;召回率可以达到93.45%,提升了3.32%;F-measure可以达到86.2%,提升了4.84%。实验结果表明,该方法对不同结构、不同工艺环节的污水处理厂都有不错的识别效果,能夠兼顾识别精确率和召回率。

面向室内环境控制的人员信息检测系统的设计与实现

为了自动获取室内环境中人员信息(数量、性别、体表温度信息),实现对室内环境设备进行有效调节及控制,提升室内人员的舒适度,提出一套基于红外热图像及可见光图像融合的面向室内环境控制的人员信息检测系统.系统通过同步采集室内场景中的可见光图像及红外热图像,并利用相机的视场角进行图像配准.针对传统基于面部的人员检测方法易受到侧脸、背身等头部多姿态的影响,而导致检测精度下降的问题,采用基于更快速区域卷积神经网络(faster region-based convolutional neural network,Faster R-CNN)的头部检测算法在可见光图像中精准检测人员的头部位置,并进行人数统计;依据头部区域采用基于深度学习的性别检测算法,判断人员性别;将可见光图像中捕获的人员头部区域映射在红外热图像对应位置,利用红外热图像的温度标尺以及颜色映射关系,自动计算得到室内人员的体表温度,提高系统的独立性和可操作性.实验结果表明,本系统可以自动准确地检测实际场景中的室内人员,并获取人员个数、性别以及体表温度,实现对上述信息的有效统计和可视化显示,为控制室内环境提供良好的技术基础和数据支撑.

一种改进Faster RCNN的工件检测算法

针对在工业自动化生产过程中,光线不佳,工件尺寸较小等外在因素导致的多种工件检测精度不高以及特征提取困难的问题,提出一种改进更快速区域卷积网络(faster region with convolution neural networks,Faster RCNN)的工件检测算法。在原有网络基础上,结合自动色彩均衡算法增加图像预处理模块,改善光照不均匀问题,获得高质量图像。此外,通过增加锚点个数并修改其尺寸优化网络模型,提高网络的拟合能力。实验结果表明,该算法对多种工件的平均检测精度提高了3.6%,符合工业自动化场景要求。

柚树高位换种三红蜜柚及其早结丰产的管理技术

高接换种是利用原有树木嫁接优良品种三红蜜柚,在多年生沙田柚、蜜柚、文旦柚树体上进行高接换种,缩短了三红蜜柚果树的营养生长期,有效提早1~2a进入结果盛期。是品种结构调整,满足市场需求,能快速实现品种更新的技术。对高接换种后三红蜜柚加强和改进栽培技术,以达到早结丰产目的。