基于卷积神经网络的道路目标检测算法

针对实际交通场景下道路目标检测时存在检测精度低、检测速度慢以及难以检测小目标的问题,构建一种基于Faster R-CNN的快速、精确道路目标检测算法。该算法包括一个精确目标区域网络(AORN)和一个目标属性学习网络(OALN)。通过引入反卷积结构,设计AORN网络和OALN网络的损失函数,提高小目标的检测性能,为加快算法的计算速度,AORN和OALN交替优化、联合训练。实验结果表明,其测试的平均准确率较先进的目标检测算法Faster R-CNN 提高了0.15,检测速度提高了3 fps。

基于改进Mask-RCNN的飞行器结构裂纹自动检测方法

计算机视觉的裂纹自动识别算法在飞机结构疲劳试验中具有较好的工程应用前景,但由于飞机结构构型多样及疲劳试验环境复杂,传统方法的裂纹识别准确率难以满足要求。针对此问题,设计了一种基于关键结构定位的检测策略,并以目标分割算法掩码-区域卷积神经网络(Mask-regionconvolutionalneuralnetwork,简称Mask-RCNN)为基础对模型架构和非极大值抑制模块进行了适应性改进,提出了一种裂纹自动识别方法。该方法具有主动避开干扰因素、对图片质量要求较低的特点,同时利用Mask-RCNN将像素信息引入参数优化的特性,具备更高的识别准确率。在元件疲劳试验中,该方法对铆钉、裂纹的识别准确率分别为100%和87.5%,相较于现有方法优势显著。