基于卷积神经网络的夜间车辆检测算法

针对夜间车辆检测模型的精度要求,提出以夜间车辆为研究对象,利用深度学习中的卷积神经网络构建检测模型。首先对数据集进行白平衡处理以减少路灯颜色的干扰进而增强图像画质,并用Mosaic数据增强来丰富检测数据集进而提升模型对小目标车辆的检测效果;其次针对先验框的选取采用K-means++算法,并利用交并比距离对先验框进行聚类;接着向主干特征提取网络加入注意力机制模块来增强残差结构特征图中目标的通道和空间特征信息;最后在损失函数的原始置信度交叉熵损失中引入梯度均衡机制,使模型有效衰减难易样本。通过在UA-DETRAC数据集的实验与对比分析可知:本文提出的夜间车辆检测算法的精度可达99.24%,同时每秒处理图像帧数高达19帧,验证了该算法的有效可行性。

基于改进EfficientDet的线束端子线芯检测算法

线束端子压接高度不当会导致线芯被剪断或线芯之间空隙较大,人工检测线芯数量和判断端子压接后线芯是否断裂,存在劳动强度大、易产生视觉疲劳等问题,因此提出一种基于深度学习的线束端子显微图像线芯检测算法,用于线芯计数。针对端子线芯显微成像呈密集且不规则排列的特性,使用Kmeans多维度聚类算法对线芯边界框进行聚类,生成与线芯边界框相匹配的锚框;为处理端子图像中不同属性锚框类别极不均匀的问题,利用梯度均衡机制重构损失函数。与多个目标检测算法的对比实验结果表明,所提改进算法在兼顾实时性的基础上平均精度均值达96.2%,能保持与人工同样的计数精度,可用于线束端子线芯计数和后续的压接质量评估等工作。