基于深度学习SSD的变电站设备故障视频识别

变电站设备故障视频识别结果受随时间呈动态性改变视频图像影响,导致识别精度较低。为此提出了基于深度学习SSD的变电站设备故障视频识别方法。设计固定大小的滑动时间窗口,采集并标注变电站设备故障图像;构建基于深度学习SSD识别框架,计算卷积层感受野,获取故障设备及其周围环境信息尺度信息;计算各个特征层像素上默认框大小,结合目标损失函数,改善识别框位置可信度,设计识别规则,实现变电站设备故障视频的识别。实验结果证明,该方法能够保证识别框与真实框重合程度在0.8以上,说明使用该方法能够相对精准地识别变电站设备故障。

基于SSD算法的航空发动机内部凸台缺陷检测

基于深度学习的背景,提出将目标检测算法用于航空发动机内部凸台缺陷的检测研究。首先介绍了算法的主要特点,通过使用聚类分析方法改进算法产生默认框的生成方式,提高了算法模型对发动机内部凸台缺陷的匹配能力;并采用多种图像处理算法相结合,对目标图像进行预处理来突出凸台缺陷的主要特征,增强了算法模型提取待检测目标的特征信息,从而进一步提高检测算法对于航空发动机凸台缺陷的检测精度。最终检测算法对于凸台缺陷的检测精度达到了95%以上。

基于视频信息的港口滞留船舶检测研究

本文研究基于视频信息的港口滞留船舶检测方法,通过港口滞留船舶的精准检测提升港口管理水平。利用多结构形态学滤波方法,滤波处理港口视频图像。选取局部自适应阈值分割方法,将滤波处理后的港口视频图像,划分为前景图像与背景图像。将港口视频的前景图像作为SSD算法的输入,SSD算法利用卷积层提取图像特征,生成默认框,利用固定匹配策略,匹配真实框与默认框,将匹配结果传送至预测网络,利用预测网络输出港口滞留船舶检测结果。实验结果表明,该方法有效检测港口视频信息中的滞留船舶,阴天、黑夜等复杂环境下仍然可以精准检测船舶目标。

基于改进SSD的食物浪费行为识别方法

为更准确地识别现实生活中复杂环境下的食品浪费行为,提出一种改进单激发多盒检测器(SSD)算法,增强算法在检测遮挡对象时的鲁棒性。将SSD基础网络替换成Resnet,增强特征提取能力。以实际应用中数据集真实框大小为依据,重新设计SSD检测时默认框的生成比例。通过添加SE模块,使模型在训练过程中增强重要通道信息。利用双向融合特征金字塔网络(BiFPN)对不同检测层中的特征进行融合。实验结果表明,改进后的SSD目标检测算法在自制的浪费行为数据集中检测精度达到88.49%,相比原始SSD提高了5.09%。

基于SSD算法的口罩检测

佩戴口罩是预防呼吸道疫病传播的有效办法之一,快速检测人员是否佩戴口罩成为当前目标检测中热点问题。本文基于SSD网络实现了口罩的实时检测,通过在多尺度特征图上进行预测,并且采用不同尺度长宽比的默认框,在分类器末端进行非极大值抑制处理,提高了口罩的检测精度,实现了端到端的检测任务。实验结果表明,SSD算法的检测精度高,能够正确区分是否佩戴口罩,对于小目标检测有很好的效果,mAP可以达到91.5%,满足实际的使用需求。

基于深度学习的实时车辆检测研究

针对城市交通复杂场景下车辆检测存在准确率低的问题,提出改进SSD(单发多箱探测器)目标检测算法。首先基于轻量化的PeleeNet(一种基于密集卷积网络的轻量化网络变体)网络结构改进SSD算法中VGG16(视觉几何群网络)特征提取网络,在保证提取丰富特征的前提下,有效地减少模型参数,提高模型的实时性;其次设计了多尺度特征融合模块和底层特征增强模块,提高特征的表达性能;最后根据数据集中目标的大小调整默认框的长宽比例,并在后三个特征层的每个单元上增加默认框。实验结果表明,改进后的目标检测算法的准确率mAP(平均精度)为79.83%,与原始SSD相比提高了2.25%,并验证了改进SSD算法的有效性。

基于并行局部特征金字塔的弱势道路使用者检测

针对现实环境中弱势道路使用者(Vulnerable Road Users,VRU)检测准确率低的问题,提出并行局部特征金字塔检测模型。该模型以SSD(Single Shot Multibox Detector)为基础,针对SSD中默认框过大不能涵盖小尺度VRU的问题,重新设计默认框来匹配更多尺度的VRU;使用两阶段回归策略解决正负样本数不平衡的问题;通过并行的局部特征金字塔结构将高层的语义特征融合到底层特征中来增强模型对VRU的检测能力。相比SSD网络,提出方法的mAP(mean Average Precision)提升了7%,且检测速度满足实时性要求。由此验证了该模型对VRU检测的有效性。

全卷积语义分割与物体检测网络

目的目前主流物体检测算法需要预先划定默认框,通过对默认框的筛选剔除得到物体框。为了保证足够的召回率,就必须要预设足够密集和多尺度的默认框,这就导致了图像中各个区域被重复检测,造成了极大的计算浪费。提出一种不需要划定默认框,实现完全端到端深度学习语义分割及物体检测的多任务深度学习模型(FCDN),使得检测模型能够在保证精度的同时提高检测速度。方法首先分析了被检测物体数量不可预知是目前主流物体检测算法需要预先划定默认框的原因,由于目前深度学习物体检测算法都是由图像分类模型拓展而来,被检测数量的无法预知导致无法设置检测模型的输出,为了保证召回率,必须要对足够密集和多尺度的默认框进行分类识别;物体检测任务需要物体的类别信息以实现对不同类物体的识别,也需要物体的边界信息以实现对各个物体的区分、定位;语义分割提取了丰富的物体类别信息,可以根据语义分割图识别物体的种类,同时采用语义分割的思想,设计模块提取图像中物体的边界关键点,结合语义分割图和边界关键点分布图,从而完成物体的识别和定位。结果为了验证基于语义分割思想的物体检测方法的可行性,训练模型并在VOC(visual object classes)2007 test数据集上进行测试,与目前主流物体检测算法进行性能对比,结果表明,利用新模型可以同时实现语义分割和物体检测任务,在训练样本相同的条件下训练后,其物体检测精度优于经典的物体检测模型;在算法的运行速度上,相比于FCN,减少了8ms,比较接近于YOLO(you only look once)等快速检测算法。结论本文提出了一种新的物体检测思路,不再以图像分类为检测基础,不需要对预设的密集且多尺度的默认框进行分类识别;实验结果表明充分利用语义分割提取的丰富信息,根据语义分割图和边界关键点完成物体检测的方法是可行的,该方法避免了对图像的重复检测和计算浪费;同时通过减少语义分割预测的像素点数量来提高检测效率,并通过实验验证简化后的语义分割结果仍足够进行物体检测任务。