基于改进版Faster-RCNN的复杂背景下桃树黄叶病识别研究

由于桃树黄叶病(以下简称PTYLD)初期症状不明显,现有的基于深度学习的桃树病害识别技术,存在识别准确率不高、识别品种单一的问题,提出一种基于Faster-RCNN的PTYLD识别模型。为提高模型对PTYLD识别准确率和识别多样性,提出使用RS-Loss函数代替RPN中的交叉熵函数、使用Soft-NMS算法代替原来的NMS算法,来改进Faster-RCNN。通过试验对比初始版和改进版Faster-RCNN对PTYLD的识别效果。试验结果显示,改进后的Faster-RCNN对黄叶病识别的各类别平均准确率mAP达90.56%、召回率达94.16%、准确率达92.53%,能识别常见的五种PTYLD。

基于改进DenseNet的水果小目标检测

针对自然环境中小目标水果的检测精度普遍较低的问题,提出基于DenseNet改进的水果目标检测框架.构建以DenseNet为核心的多尺度特征提取模块,在DenseNet不同层级的稠密块中建立特征金字塔结构,加强网络层特征复用.结合低层特征的高分辨率和高层特征的高语义性,实现准确定位和预测小目标水果存在的目的.引入软阈值非极大值抑制(Soft-NMS)算法,改善簇状果实结构中检测框被误剔除的情况.与常用的Faster R-CNN网络相比,所提出的框架在苹果、芒果和杏3个数据集中的平均检测速度大于40 FPS,F1值分别为0.920、0.928、0.831,实现了检测效率及精度的提升.

基于Faster R-CNN的光刻热点检测

光刻热点检测是集成电路可制造性设计的一项重要环节。已有研究将卷积神经网络应用于光刻热点的检测,但在卷积运算的重复性、检测结果准确度等方面存在较多问题。为了解决上述问题,提出一种基于Faster R-CNN并结合在线难例挖掘和软性非极大值抑制的光刻热点检测算法。采用ICCAD 2012Contest的版图基准作为验证载体。实验结果表明,该算法能有效提高检测的精度和效率,平均检测耗时为0.6h/mm2,召回率为96.1%,精确率可达40.3%。

基于改进Faster-RCNN的自然场景人脸检测

为实现对自然场景下小尺度人脸的准确检测,提出一种改进的Faster-RCNN模型。采用ResNet-50提取卷积特征,对不同卷积层的特征图进行多尺度融合,同时将区域建议网络产生的锚框由最初的9个改为15个,以更好地适应小尺度人脸检测场景。在此基础上,利用在线难例挖掘算法优化训练过程,采用软非极大值抑制方法解决漏检重叠人脸的问题,并在训练阶段通过多尺度训练提高模型的泛化能力。实验结果表明,该模型在Wider Face数据集上平均精度为89.0%,较原Faster-RCNN模型提升3.5%,在FDDB数据集上检出率也高达95.6%。

基于DenseNet自然场景文本检测

针对自然场景文本图片背景的多样性、多变性、复杂性等问题,提出一种基于密集连接网络(DenseNet)的DenseText模型。使用改进的DenseNet网络进行提取特征;为更好适应文本图片字体较长的特点,采用长方形卷积核代替传统网络的正方形卷卷积核;区别于传统的NMS后处理算法,使用Soft-NMS算法进行优化。识别框架上,采用CRNN网络进行识别,形成一个端到端的自然场景文本检测与识别的一体化网络框架。实验结果表明,该网络模型在ICDAR13数据集上取得了令人信服的结果,提高了检测结果的准确率,降低了假阳性,recall达到0.85,F为0.88。

基于CR-RFPR101的钢板表面缺陷检测

针对钢板表面缺陷种类多、背景复杂、检测精度低等问题,文章首先对钢板表面缺陷数据集进行数据增强,并对原始Cascade区域卷积神经网络(region-basedconvolutional neural netwroks,R-CNN)算法进行改进,将ResNeXt-101-64×4d作为Cascade R-CNN算法的骨干网络,优化特征提取模块,利用递归特征金字塔(recursive feature pyramid,RFP)网络以反馈连接的方式进行特征优化,提出一种CR-RFPR101(Cascade R-CNN RFP ResNeXt-101-64×4d)的检测算法,以更好地保留细节和语义信息;同时使用可切换的空洞卷积替换主干网络的卷积层,以改变感受野的方式提高检测性能;最后使用引入软化非极大值抑制算法,保留有效信息,提高识别率。经实验验证,CR-RFPR101算法的检测率为83.4%,比原Cascade R-CNN算法提高了7.3%,满足了钢板表面缺陷检测要求。

面向跌倒行人的MP-YOLOv5检测模型

跌倒是高龄人群及复杂作业环境中工人死伤的重要因素,针对原始YOLOv5模型漏检、错检、小目标检测效果差等问题,提出一种MP-YOLOv5检测模型,自建跌倒行人数据集用于跌倒检测研究。为增强Backbone的特征提取能力,设计了深度自注意力变换模块(transformer C3,TRC3),运用多头自注意力(multi-head self-attention,MHSA)模型,拓展网络关注不同位置局部信息的能力,捕捉更丰富的上下文信息;针对原始模型feature map分辨率不足的问题,在YOLOv5原有的模型上增加1个prediction head用于小目标检测,使模型更敏锐地识别小目标;为削弱复杂背景对网络特征提取的干扰,提出一种改进的压缩和激励网络(squeeze-and-excitation network,SENet),有助于网络更精确地关注跌倒姿态;引入软非极大值抑制(soft non-maximum suppression,Soft-NMS)替换YOLOv5原始的NMS降低了漏检率。实验结果表明,在不影响算法识别速度的情况下,MP-YOLOv5跌倒行人检测训练集的mAP从97.62%提升至98.87%,证明了MP-YOLOv5模型比未改进的YOLOv5模型更能满足行人跌倒检测的要求。

一种遥感图像车辆检测方法

针对常用的遥感图像车辆检测方法稳定性和效率较差的问题,本文提出一种改进YOLO-V5遥感图像车辆检测方法。首先,使用群归一化层替换YOLO-V5中的归一化层,消除训练数据大小对模型的影响,降低模型训练对显卡显存的需求,增加模型收敛速度;然后,使软非极大值抑制算法选择车辆目标锚框,可更精确地定位车辆,防止因遮挡漏检车辆。由实验可知:相比原YOLO-V5模型的各类别平均精确度提高了1.53%,帧率提高0.83,表明所提方法稳定性更好、检测效率更高,可应用于遥感图像汽车检测领域。

基于改进YOLOv7的道路目标检测方法

针对现有方法在道路场景中实施目标检测时存在对小目标检测精度低、泛化性能不佳等问题,提出一种基于YOLOv7的改进方法。在特征融合结构中,引入通道注意力机制来抑制更多负样本参与特征学习,同时在融合层末端输出四个尺寸的特征图,以强化对小尺寸目标的检测精度;使用改进K均值聚类(K-means++)算法生成与真实目标宽高更贴合的锚点框,让模型在训练前期快速收敛;最后在检测输出端使用软性非极大值抑制算法,精准检测重叠度较高的目标。以开源中国交通标志数据集(CCTSDB)与腾讯-清华100K(TT100K)数据集混合构建训练与测试数据集,实验结果表明,与原始YOLOv7相比,改进后模型在m_(AP)@0.5、m_(AP)@0.5:0.95指标上分别提升7.9%与5.6%,同时检测速度仅有少量下降,但仍能完成实时检测,同时在不同场景下保持性能稳定,充分证明了本文所提方法能够在复杂道路场景下开展多类目标的快速精准检测。

基于跨路径特征聚合的改进型YOLOv3乳腺肿块识别算法

针对基于深度学习的乳腺癌诊断中小肿块和互相遮挡肿块易被漏诊的问题,提出了一种用于乳腺肿块检测的改进型YOLOv3算法。首先,在特征融合模块中添加了自底向上的路径,并采用级联和跨层连接的方式充分利用底层特征信息,提高了小肿块的识别精度;其次,为了筛选出更精确的预测框,避免互相遮挡的肿块出现漏检的情况,在软非极大值抑制(Soft-NMS)算法中引入了距离交并比(DIoU)来抑制冗余的预测框。实验结果表明,所提乳腺肿块检测算法在检测小肿块和互相遮挡的肿块方面有较高的准确率和速度,平均均值精度(mAP@0.5)达到了96.1%,相比于YOLOv3提高了1.8个百分点,且每张钼靶图像的检测时间仅为28 ms。

基于改进的Faster R-CNN目标检测算法

目标检测是计算机视觉研究中的热门问题,其中加速区域卷积神经网络(Faster R-CNN)对目标检测具有指导意义。针对Faster R-CNN算法在目标检测中准确率不高的问题,先对数据进行增强处理;然后对提取的特征图进行裁剪,利用双线性插值法代替感兴趣区域池化操作,分类时采用软非极大值抑制(Soft-NMS)算法。实验结果表明,该算法在PASCAL VOC2007、PASCAL VOC07+12数据集下的准确率分别为76.40%和81.20%,相较Faster R-CNN算法分别提升了6.50个百分点和8.00个百分点。没有进行数据增强的情况下,在COCO 2014数据集上的准确率相较Faster R-CNN算法提升了2.40个百分点。

基于深度学习的OBD端口占用状态自动识别算法

针对光分路器(OBD)端口占用状态不能自动采集的问题,提出了一种改进型YOLOv3算法.增加第4个上采样特征图,提升高分辨率下密集小物体检测敏感度;针对端口固定高宽比特征,利用k-means聚类算法重新确定目标候选框个数和高宽比;提出软非极大值抑制算法,缓解端口靠近且被遮挡情况下引起的漏检、误检;针对4种疑难生产场景下的端口占用状态完成检测.实验结果表明,改进后的YOLOv3准确率达90.12%,相比原YOLOv3提升了5.17%.改进后的算法对于端口类物体具有更高的检测准确率.