改进Faster R-CNN的交通标志检测算法

针对目前交通标志检测方法受光照影响较大,模型精度低等问题,提出一种更快基于区域卷积神经网络(faster region-based convolutional neural network,Faster R-CNN)的交通标志检测算法。针对图像中天空与非天空区域的光照不均匀现象,引入伽马变换增强交通标志在模型中的特征表达能力;利用基于卷积注意力模块的高效网络(convolutional block attention module-based an efficient network,CBAM-EfficientNet)解决网络深度退化问题,提高浅层网络的特征获取能力,降低参数量;在网络中引入特征金字塔网络以检测不同尺寸目标,增强网络对不同尺寸交通标志的感知能力,解决交通标志尺寸差异问题。试验结果表明,该算法在GTSDB数据集上的平均准确率均值P_(mA)达到99.79%,在CCTSDB2021数据集上的P_(mA)达到87.62%。为光照不均匀图像的交通标志检测提供一种高准确性的方法。

冷轧铜带表面缺陷智能识别方法

表面质量是冷轧铜带重要质量指标之一。为实现铜带表面缺陷的精准自动检测,首先对常见表面缺陷进行分类,并制作了铜带表面缺陷图像数据集(YSU_CSC);然后,以卷积神经网络EfficientNet为核心,基于迁移学习策略,通过训练实验建立了冷轧铜带表面缺陷智能识别模型,同时与其他三种常用的卷积神经网络缺陷识别结果进行对比。结果表明:该模型的精度较高,准确率达到93.05%,单张缺陷图像平均识别时间为197 ms,综合性能较好,可以满足工程要求;最后,将该模型在测试集上的缺陷识别结果进行可视化,分析了该模型对部分图像识别错误的原因,给出了进一步优化的方向。