期刊文献+
共找到191篇文章
< 1 2 10 >
每页显示 20 50 100
Ozone Depletion Identification in Stratosphere Through Faster Region-Based Convolutional Neural Network
1
作者 Bakhtawar Aslam Ziyad Awadh Alrowaili +3 位作者 Bushra Khaliq Jaweria Manzoor Saira Raqeeb Fahad Ahmad 《Computers, Materials & Continua》 SCIE EI 2021年第8期2159-2178,共20页
The concept of classification through deep learning is to build a model that skillfully separates closely-related images dataset into different classes because of diminutive but continuous variations that took place i... The concept of classification through deep learning is to build a model that skillfully separates closely-related images dataset into different classes because of diminutive but continuous variations that took place in physical systems over time and effect substantially.This study has made ozone depletion identification through classification using Faster Region-Based Convolutional Neural Network(F-RCNN).The main advantage of F-RCNN is to accumulate the bounding boxes on images to differentiate the depleted and non-depleted regions.Furthermore,image classification’s primary goal is to accurately predict each minutely varied case’s targeted classes in the dataset based on ozone saturation.The permanent changes in climate are of serious concern.The leading causes beyond these destructive variations are ozone layer depletion,greenhouse gas release,deforestation,pollution,water resources contamination,and UV radiation.This research focuses on the prediction by identifying the ozone layer depletion because it causes many health issues,e.g.,skin cancer,damage to marine life,crops damage,and impacts on living being’s immune systems.We have tried to classify the ozone images dataset into two major classes,depleted and non-depleted regions,to extract the required persuading features through F-RCNN.Furthermore,CNN has been used for feature extraction in the existing literature,and those extricated diverse RoIs are passed on to the CNN for grouping purposes.It is difficult to manage and differentiate those RoIs after grouping that negatively affects the gathered results.The classification outcomes through F-RCNN approach are proficient and demonstrate that general accuracy lies between 91%to 93%in identifying climate variation through ozone concentration classification,whether the region in the image under consideration is depleted or non-depleted.Our proposed model presented 93%accuracy,and it outperforms the prevailing techniques. 展开更多
关键词 Deep learning image processing CLASSIFICATION climate variation ozone layer depleted region non-depleted region UV radiation faster region-based convolutional neural network
下载PDF
多尺度特征和极化自注意力的Faster-RCNN水漂垃圾识别
2
作者 蒋占军 吴佰靖 +1 位作者 马龙 廉敬 《计算机应用》 CSCD 北大核心 2024年第3期938-944,共7页
针对小目标水漂垃圾形态多变、分辨率低且信息有限,导致检测效果不理想的问题,提出一种改进的Faster-RCNN(Faster Regions with Convolutional Neural Network)水漂垃圾检测算法MP-Faster-RCNN(Faster-RCNN with Multi-scale feature an... 针对小目标水漂垃圾形态多变、分辨率低且信息有限,导致检测效果不理想的问题,提出一种改进的Faster-RCNN(Faster Regions with Convolutional Neural Network)水漂垃圾检测算法MP-Faster-RCNN(Faster-RCNN with Multi-scale feature and Polarized self-attention)。首先,建立黄河兰州段小目标水漂垃圾数据集,将空洞卷积结合ResNet-50代替原来的VGG-16(Visual Geometry Group 16)作为主干特征提取网络,扩大感受野以提取更多小目标特征;其次,在区域生成网络(RPN)利用多尺度特征,设置3×3和1×1的两层卷积,补偿单一滑动窗口造成的特征丢失;最后,在RPN前加入极化自注意力,进一步利用多尺度和通道特征提取更细粒度的多尺度空间信息和通道间依赖关系,生成具有全局特征的特征图,实现更精确的目标框定位。实验结果表明,MP-Faster-RCNN能有效提高水漂垃圾检测精度,与原始Faster-RCNN相比,平均精度均值(mAP)提高了6.37个百分点,模型大小从521 MB降到了108 MB,且在同一训练批次下收敛更快。 展开更多
关键词 目标检测 水漂垃圾 faster-RCNN 空洞卷积 多尺度特征融合 极化自注意力
下载PDF
基于改进Faster R-CNN与U-Net算法的桥梁病害识别与量化方法
3
作者 乔朋 梁志强 +3 位作者 段长江 马晨 王思龙 狄谨 《东南大学学报(自然科学版)》 EI CAS CSCD 北大核心 2024年第3期627-638,共12页
为实现桥梁病害检测的自动化,对基于图像处理技术的混凝土桥梁表观病害的智能识别和尺寸确定方法展开研究.提出基于改进Faster R-CNN算法的病害识别方法,利用K均值聚类和遗传算法对区域候选网络锚框进行优化设计;以裂缝预测区域为基础,... 为实现桥梁病害检测的自动化,对基于图像处理技术的混凝土桥梁表观病害的智能识别和尺寸确定方法展开研究.提出基于改进Faster R-CNN算法的病害识别方法,利用K均值聚类和遗传算法对区域候选网络锚框进行优化设计;以裂缝预测区域为基础,提出ResNet34结合U-Net的裂缝形态提取方法,并结合裂缝形态学研究了裂缝像素宽度和长度的确定方法.结果表明:锚框优化设计可改进Faster R-CNN算法的表观病害识别效果,5类常见病害的预测准确率、召回率、平均精确率分别由68.40%、69.87%、74.64%提升到85.40%、83.59%、83.72%;利用病害预测框,结合改进U-Net算法的裂缝像素尺寸计算,可实现裂缝病害尺寸的自动测量;基于改进Faster R-CNN和改进U-Net的方法可实现混凝土桥梁常见病害的智能识别和尺寸量化,从而提高桥梁病害检测效率并促进桥梁技术状况评定的智能化. 展开更多
关键词 桥梁工程 表观病害识别 裂缝尺寸确定 改进faster R-CNN 改进U-Net
下载PDF
基于改进Faster R-CNN的变电站设备外部缺陷检测
4
作者 张铭泉 邢福德 刘冬 《智能系统学报》 CSCD 北大核心 2024年第2期290-298,共9页
针对变电站设备外部缺陷目标检测任务中目标形状多样,周围环境复杂,当前代表性算法识别准确度低,错检漏检严重的问题,对比了众多目标检测算法在变电站设备缺陷数据集上的检测结果,检测精度较高的是添加了特征融合金字塔结构的Faster R-C... 针对变电站设备外部缺陷目标检测任务中目标形状多样,周围环境复杂,当前代表性算法识别准确度低,错检漏检严重的问题,对比了众多目标检测算法在变电站设备缺陷数据集上的检测结果,检测精度较高的是添加了特征融合金字塔结构的Faster R-CNN(faster region-based convolutional network)算法,但其对小目标物体和设备渗漏油的检测精度仍有提升空间,为此设计一种基于Faster R-CNN的改进算法。改进算法通过对输入图像进行数据增强,在网络中添加SPP(spatial pyramid pooling)结构以及改进特征融合方式,对分类以及边界框回归损失函数进行改进的方式来提高缺陷的检测精度。与原Faster R-CNN算法进行对比,改进算法在变电站设备缺陷目标检测数据集的检测结果中AP(average precision)(0.5∶0.95)提高了2.7个百分点,AP(0.5)提高了4.3个百分点,对小目标物体的检测精度也提高了1.8个百分点,试验结果验证了该方法的有效性。 展开更多
关键词 变电站设备外部缺陷 深度学习 目标检测 卷积神经网络 faster R-CNN 特征提取 特征融合金字塔结构 损失函数
下载PDF
基于改进Faster RCNN的PCB表面缺陷检测研究
5
作者 龚陈博 南卓江 陶卫 《自动化仪表》 CAS 2024年第7期99-103,109,共6页
印刷电路板(PCB)在制造过程中不可避免地存在焊点缺焊、短路、毛刺、缺口、开路、余铜等微小缺陷。传统的基于机器视觉检测的缺陷检测方法存在检测速度慢、误检率和漏检率高、抗干扰能力弱等问题。为解决上述问题,提出一种基于改进快速... 印刷电路板(PCB)在制造过程中不可避免地存在焊点缺焊、短路、毛刺、缺口、开路、余铜等微小缺陷。传统的基于机器视觉检测的缺陷检测方法存在检测速度慢、误检率和漏检率高、抗干扰能力弱等问题。为解决上述问题,提出一种基于改进快速区域卷积神经网络(Faster RCNN)的PCB表面缺陷检测方法。首先,在传统Faster RCNN框架的基础上,融入扩展特征金字塔网络(EFPN)以实现特征提取与融合,并进行多尺度检测,从而尽可能保留图像细节信息以提高检测性能。其次,利用K-means算法结合交并比(IoU)优化区域建议网络(RPN)结构中的锚框参数,使得生成的锚框方案更有针对性。试验结果表明,改进Faster RCNN在PCB缺陷数据集上的全类平均正确率(mAP)值达到93.4%、检测速度达到每秒21.79帧。所提方法可推广应用至芯片、光学器件表面微小缺陷在线检测,从而提升工业生产效率。 展开更多
关键词 印刷电路板 缺陷检测 快速区域卷积神经网络 扩展特征金字塔网络 K-MEANS 小目标检测 机器视觉
下载PDF
基于Transformer改进的Faster RCNN在复杂环境下的车辆检测
6
作者 王鑫泽 何超 《机电工程技术》 2024年第4期106-110,共5页
在监控视角中目标车辆较小、遮挡较为严重,导致检测精度低。通过探讨卷积神经网络和Transformer模型的互相借鉴和联系,并结合损失函数等常规改进,提出了新的Faster RCNN模型。通过借鉴Transformer模型的思想,对原有的特征提取网络进行... 在监控视角中目标车辆较小、遮挡较为严重,导致检测精度低。通过探讨卷积神经网络和Transformer模型的互相借鉴和联系,并结合损失函数等常规改进,提出了新的Faster RCNN模型。通过借鉴Transformer模型的思想,对原有的特征提取网络进行了改进,将原block比例3∶4∶6∶3改为3∶3∶27∶3、卷积核由3×3改为7×7,增大其感受野,能够更好捕捉图像中的全局特征,使用DW卷积来减少参数量并略微提高性能,使用Channel shuffle解决通道间信息不交流的问题。将原先交并比IoU改为CIoU,与改进后的特征提取网络结合,进一步提高小目标和遮挡目标的检测效果。在UA-DETRAC数据集上,改进后的模型在mAP@0.5:0.95方面比原算法提高了20.20%,并在大、中、小目标下分别提高了15.8%、23%和45.8%,相较于其他模型,如YO⁃LOv7、YOLOv5和Cascade RCNN,mAP@0.5:0.95分别提高了3.3%、5%和6.69%。 展开更多
关键词 TRANSFORMER CIoU损失函数 卷积神经网络改进 改进的faster RCNN
下载PDF
基于改进的Faster RCNN的仪表自动识别方法
7
作者 王欣然 张斌 +1 位作者 湛敏 赵成龙 《机电工程》 CAS 北大核心 2024年第3期532-539,共8页
在环境复杂的工业场景中,仪表盘存在类别多、相似性高等问题,导致检测的识别效果较差、准确率不高。针对这一问题,提出了一种基于改进的更快速的区域卷积神经网络(Faster RCNN)的仪表自动识别方法。首先,采用残差网络(Resnet)101代替视... 在环境复杂的工业场景中,仪表盘存在类别多、相似性高等问题,导致检测的识别效果较差、准确率不高。针对这一问题,提出了一种基于改进的更快速的区域卷积神经网络(Faster RCNN)的仪表自动识别方法。首先,采用残差网络(Resnet)101代替视觉几何群网络(VGG)16,进行了网络结构简化;然后,引入了特征金字塔网络(FPN),并将其改进为递归特征金字塔网络后进行了迭代融合,输出了特征图;接着,引入了注意力机制模块,根据特征的重要程度,完成了对输出通道权值的重新分配,增强了Faster RCNN对目标的运算能力;提出了改进非极大值抑制算法(Softer-NMS),通过降低置信度来确定准确的目标候选框;最后,采用Mosaic数据增强技术对可视对象类(VOC)2007数据集进行了扩充,对改进后的Faster RCNN模型进行了仪表自动识别的实验。研究结果表明:在相同工业环境下,与传统的Faster RCNN算法模型相比,改进后的Faster RCNN模型准确率为93.5%,较原模型提高了3.8%,mAP值为92.6%,较原模型提高了3.7%,可见该方法在实际生产中具有较强的鲁棒性与泛化能力,可满足工业上对智能检测的要求。 展开更多
关键词 仪表识别 更快速的区域卷积神经网络 递归特征金字塔网络 注意力机制 非极大值抑制算法 Mosaic数据增强技术
下载PDF
Leguminous seeds detection based on convolutional neural networks:Comparison of Faster R-CNN and YOLOv4 on a small custom dataset 被引量:1
8
作者 Noran S.Ouf 《Artificial Intelligence in Agriculture》 2023年第2期30-45,共16页
This paper help with leguminous seeds detection and smart farming. There are hundreds of kinds of seeds and itcan be very difficult to distinguish between them. Botanists and those who study plants, however, can ident... This paper help with leguminous seeds detection and smart farming. There are hundreds of kinds of seeds and itcan be very difficult to distinguish between them. Botanists and those who study plants, however, can identifythe type of seed at a glance. As far as we know, this is the first work to consider leguminous seeds images withdifferent backgrounds and different sizes and crowding. Machine learning is used to automatically classify andlocate 11 different seed types. We chose Leguminous seeds from 11 types to be the objects of this study. Thosetypes are of different colors, sizes, and shapes to add variety and complexity to our research. The images datasetof the leguminous seeds was manually collected, annotated, and then split randomly into three sub-datasetstrain, validation, and test (predictions), with a ratio of 80%, 10%, and 10% respectively. The images consideredthe variability between different leguminous seed types. The images were captured on five different backgrounds: white A4 paper, black pad, dark blue pad, dark green pad, and green pad. Different heights and shootingangles were considered. The crowdedness of the seeds also varied randomly between 1 and 50 seeds per image.Different combinations and arrangements between the 11 types were considered. Two different image-capturingdevices were used: a SAMSUNG smartphone camera and a Canon digital camera. A total of 828 images wereobtained, including 9801 seed objects (labels). The dataset contained images of different backgrounds, heights,angles, crowdedness, arrangements, and combinations. The TensorFlow framework was used to construct theFaster Region-based Convolutional Neural Network (R-CNN) model and CSPDarknet53 is used as the backbonefor YOLOv4 based on DenseNet designed to connect layers in convolutional neural. Using the transfer learningmethod, we optimized the seed detection models. The currently dominant object detection methods, Faster RCNN, and YOLOv4 performances were compared experimentally. The mAP (mean average precision) of the FasterR-CNN and YOLOv4 models were 84.56% and 98.52% respectively. YOLOv4 had a significant advantage in detection speed over Faster R-CNN which makes it suitable for real-time identification as well where high accuracy andlow false positives are needed. The results showed that YOLOv4 had better accuracy, and detection ability, as wellas faster detection speed beating Faster R-CNN by a large margin. The model can be effectively applied under avariety of backgrounds, image sizes, seed sizes, shooting angles, and shooting heights, as well as different levelsof seed crowding. It constitutes an effective and efficient method for detecting different leguminous seeds incomplex scenarios. This study provides a reference for further seed testing and enumeration applications. 展开更多
关键词 Machine learning Object detection Leguminous seeds Deep learning convolutional neural networks faster R-CNN YOLOv4
原文传递
Diagnosis of primary clear cell carcinoma of the liver based on Faster region-based convolutional neural network
9
作者 Bin Liu Jianfei Li +3 位作者 Xue Yang Feng Chen Yanyan Zhang Hongjun Li 《Chinese Medical Journal》 SCIE CAS CSCD 2023年第22期2706-2711,共6页
Background:Distinguishing between primary clear cell carcinoma of the liver(PCCCL)and common hepatocellular carcinoma(CHCC)through traditional inspection methods before the operation is difficult.This study aimed to e... Background:Distinguishing between primary clear cell carcinoma of the liver(PCCCL)and common hepatocellular carcinoma(CHCC)through traditional inspection methods before the operation is difficult.This study aimed to establish a Faster region-based convolutional neural network(RCNN)model for the accurate differential diagnosis of PCCCL and CHCC.Methods:In this study,we collected the data of 62 patients with PCCCL and 1079 patients with CHCC in Beijing YouAn Hospital from June 2012 to May 2020.A total of 109 patients with CHCC and 42 patients with PCCCL were randomly divided into the training validation set and the test set in a ratio of 4:1.The Faster RCNN was used for deep learning of patients’data in the training validation set,and established a convolutional neural network model to distinguish PCCCL and CHCC.The accuracy,average precision,and the recall of the model for diagnosing PCCCL and CHCC were used to evaluate the detection performance of the Faster RCNN algorithm.Results:A total of 4392 images of 121 patients(1032 images of 33 patients with PCCCL and 3360 images of 88 patients with CHCC)were uesd in test set for deep learning and establishing the model,and 1072 images of 30 patients(320 images of nine patients with PCCCL and 752 images of 21 patients with CHCC)were used to test the model.The accuracy of the model for accurately diagnosing PCCCL and CHCC was 0.962(95%confidence interval[CI]:0.931-0.992).The average precision of the model for diagnosing PCCCL was 0.908(95%CI:0.823-0.993)and that for diagnosing CHCC was 0.907(95%CI:0.823-0.993).The recall of the model for diagnosing PCCCL was 0.951(95%CI:0.916-0.985)and that for diagnosing CHCC was 0.960(95%CI:0.854-0.962).The time to make a diagnosis using the model took an average of 4 s for each patient.Conclusion:The Faster RCNN model can accurately distinguish PCCCL and CHCC.This model could be important for clinicians to make appropriate treatment plans for patients with PCCCL or CHCC. 展开更多
关键词 Primary clear cell carcinoma of the liver Common hepatocellular carcinoma Differential diagnosis faster RCNN CT faster region-based convolutional neural network
原文传递
基于Faster R-CNN的密集人群检测算法 被引量:4
10
作者 邹斌 张聪 《计算机应用》 CSCD 北大核心 2023年第1期61-66,共6页
为提高拥挤场景下的人群检测准确率,提出一种基于改进Faster R-CNN的密集人群检测算法。首先,在特征提取阶段添加空间与通道注意力机制,使用加强的双向特征金字塔网络(S-BiFPN)替代原网络中的多尺度特征金字塔(FPN),使网络对重要特征进... 为提高拥挤场景下的人群检测准确率,提出一种基于改进Faster R-CNN的密集人群检测算法。首先,在特征提取阶段添加空间与通道注意力机制,使用加强的双向特征金字塔网络(S-BiFPN)替代原网络中的多尺度特征金字塔(FPN),使网络对重要特征进行自主学习并加强对图像深层特征的提取;其次,引入多实例预测(MIP)算法对实例进行预测,以避免模型对拥挤场景下的目标造成漏检;最后,对模型中的非极大值抑制(NMS)进行优化,并额外增设一个交并比(IoU)阈值,以对检测结果的干扰项进行精确抑制。在开源的密集人群检测数据集上进行测试的结果显示,相较于原Faster R-CNN算法,所提算法的平均精度(AP)提升5.6%,Jaccard指数值提升3.2%。所提算法具有较高检测精度和稳定性,可以满足密集场景人群检测的需求。 展开更多
关键词 密集人群检测 faster R-CNN 注意力机制 多实例预测 加强的双向特征金字塔网络
下载PDF
基于FasterMDNet的视频目标跟踪算法 被引量:3
11
作者 王玲 王辉 +1 位作者 王鹏 李岩芳 《计算机工程与应用》 CSCD 北大核心 2020年第14期123-130,共8页
多域卷积神经网络(MDNet)算法在卷积层采用选择性搜索的方式来提取候选框,因此它没有共享完整图像特征,从而导致在线视频目标跟踪速度慢。针对这个问题,提出一种快速多域卷积神经网络(FasterMDNet)视频目标跟踪算法。FasterMDNet是建立... 多域卷积神经网络(MDNet)算法在卷积层采用选择性搜索的方式来提取候选框,因此它没有共享完整图像特征,从而导致在线视频目标跟踪速度慢。针对这个问题,提出一种快速多域卷积神经网络(FasterMDNet)视频目标跟踪算法。FasterMDNet是建立在MDNet基础上的一种模型,在卷积层后面引入RPN(Region Proposal Network)网络,优化了损失函数,共享完整图像卷积特征,加快候选区域建议框(ROI)更高效的生成;为了更好地获得目标和背景信息表示,在RPN网络后加入ROIAlign层,对提取的候选区域建议框特征图用双线性插值方法来提高感受野的分辨率。该算法对目标跟踪基准数据集OTB2013、OTB2015、VOT2016进行了评估,并与前沿的跟踪算法做对比,实验结果证明,该算法跟踪准确率优于其他对比方法,并且对比相同实验环境下MDNet算法,在线跟踪速度提高了近12倍。 展开更多
关键词 多域卷积神经网络(MDNet) 快速多域卷积神经网络(fastermdnet) 视频目标跟踪 区域建议网络(RPN) 候选区域建议框(ROI) ROIAlign
下载PDF
基于改进Faster R-CNN算法的行人识别系统设计与研究
12
作者 蔡劲松 李伟 《信息与电脑》 2023年第20期163-167,共5页
文章基于改进更快的区域卷积神经网络(Faster Region Convolutional Neural Networks,Faster R-CNN)模型,提出了一种行人识别系统设计。介绍了计算机视觉常用技术手段与方法、通行检测步骤,分析了主流的算法优缺点,利用深度学习方法提... 文章基于改进更快的区域卷积神经网络(Faster Region Convolutional Neural Networks,Faster R-CNN)模型,提出了一种行人识别系统设计。介绍了计算机视觉常用技术手段与方法、通行检测步骤,分析了主流的算法优缺点,利用深度学习方法提取图像特征,然后使用改进Faster R-CNN模型进行目标检测。在改进Faster R-CNN模型中,采用了自适应尺度池化和增强的感兴趣区域(Region of Interest,RoI)池化技术,可以提高模型检测精度和速度。 展开更多
关键词 行人检测 机器学习 更快的区域卷积神经网络(faster R-CNN) 深度学习
下载PDF
基于Faster R-CNN的人脸面部情感识别方法
13
作者 王潇 《信息与电脑》 2023年第21期148-150,共3页
常规人脸面部情感识别方法不准确,存在识别后的情感反馈误差大的问题,为此提出基于更快的区域卷积神经网络(Faster Region-Convolutional Neural Network,Faster R-CNN)的人脸面部情感识别方法。首先,采集人脸图像数据,通过面部检测、... 常规人脸面部情感识别方法不准确,存在识别后的情感反馈误差大的问题,为此提出基于更快的区域卷积神经网络(Faster Region-Convolutional Neural Network,Faster R-CNN)的人脸面部情感识别方法。首先,采集人脸图像数据,通过面部检测、面部对齐、面部数据增强、面部归一化4个步骤预处理面部图像;其次,基于多尺度特征融合算法提取表情特征,生成情感识别数据标签;最后,利用FasterR-CNN构建人脸面部情感识别模型,并识别人脸面部情感。实验结果表明,基于FasterR-CNN的人脸面部情感识别方法在6种基本表情中均具有90%以上的识别准确率。 展开更多
关键词 更快的区域卷积神经网络(faster R-CNN) 人脸识别 面部情感识别 多尺度特征融合算法
下载PDF
基于Faster R-CNN的海底管道智能检测方法 被引量:4
14
作者 俞进 唐建华 +1 位作者 神祥凯 刘金海 《中国安全科学学报》 CAS CSCD 北大核心 2023年第6期80-87,共8页
为提高海底管道缺陷及组件的检测精度并实现智能化海底管道安全检测,提出一种基于快速区域卷积神经网络(Faster R-CNN)的海底管道智能检测方法。首先,通过基值校正和分段映射-伪彩色化方法,将漏磁检测信号转化为伪彩色图,以增强漏磁信... 为提高海底管道缺陷及组件的检测精度并实现智能化海底管道安全检测,提出一种基于快速区域卷积神经网络(Faster R-CNN)的海底管道智能检测方法。首先,通过基值校正和分段映射-伪彩色化方法,将漏磁检测信号转化为伪彩色图,以增强漏磁信号的关键特征;其次,基于多模态数据增强来提升检测模型的泛化能力;然后,基于多模态数据增强后的样本训练改进的Faster R-CNN网络,建立最优的智能检测模型;最后,以试验场和渤海在役管道为例,验证所提方法的有效性。结果表明:所提方法的平均检测精度可达93.8%,相较原始的Faster R-CNN算法提高8%,且平均交并比达到0.75,能够精准地实现海底油气管道多目标检测,保障海底管道的安全运行。 展开更多
关键词 快速区域卷积神经网络(faster R-CNN) 海底管道 智能检测 漏磁内检测 多目标检测
下载PDF
一种基于改进Faster RCNN的易拉罐印刷缺陷检测方法 被引量:1
15
作者 梁承权 吕德深 陆晓 《印刷与数字媒体技术研究》 CAS 北大核心 2023年第6期22-29,共8页
针对现有易拉罐印刷缺陷检测方法对小尺度缺陷检测难、漏检率高、检测精度低等问题,本研究提出一种基于改进Faster RCNN的易拉罐印刷缺陷检测方法。首先,以Faster RCNN的检测框架为基础,选取改进的VGG16模型作为特征提取网络,提取出卷... 针对现有易拉罐印刷缺陷检测方法对小尺度缺陷检测难、漏检率高、检测精度低等问题,本研究提出一种基于改进Faster RCNN的易拉罐印刷缺陷检测方法。首先,以Faster RCNN的检测框架为基础,选取改进的VGG16模型作为特征提取网络,提取出卷积特征图;其次,针对缺陷目标的小尺度结构特点,通过改进RPN网络生成更具表征能力的缺陷目标候选框;最后,对缺陷目标候选区域进行分析,通过数学形态算法将缺陷目标从背景中分割出来,实现对目标区域的缺陷识别和形态提取。实验结果表明,本研究检测方法可准确且完整地提取缺陷目标,在易拉罐罐体印刷缺陷数据集上平均准确率达到94.78%,与现有的目标缺陷检测算法相比,识别性能更优、智能化程度更高,对提升易拉罐智能化生产具有现实意义。 展开更多
关键词 印刷品 缺陷检测 快速区域卷积神经网络 深度学习
下载PDF
基于卷积神经网络的纸张表面缺陷智能检测算法研究 被引量:1
16
作者 王娟 王卫斌 康晓梅 《造纸科学与技术》 2024年第3期115-118,共4页
针对纸张缺陷检测领域中如何有效提升缺陷特征提取能力、提高检测精度以及减少小目标缺陷漏检的难题,创新性地提出了一种基于改进Faster R-CNN算法的检测方法。该方法通过采用ResNet-50代替传统的VGG16作为特征提取的骨干网络,有效地增... 针对纸张缺陷检测领域中如何有效提升缺陷特征提取能力、提高检测精度以及减少小目标缺陷漏检的难题,创新性地提出了一种基于改进Faster R-CNN算法的检测方法。该方法通过采用ResNet-50代替传统的VGG16作为特征提取的骨干网络,有效地增强了对纸张缺陷特征的捕获能力;进一步引入CBAM模块,实现了对空间及通道注意力的双重优化,显著提升了缺陷检测的准确度。此外,通过将ROI-Pooling技术升级为ROI-Align技术,本方法进一步增强了模型对纸张缺陷检测的泛化性能。经验证,该改进算法在常见纸张缺陷检测方面的平均精度达到了98%,不仅显著提高了检测精度,还有效减少了小目标缺陷的漏检,降低了错误检测率,为纸张缺陷检测技术的发展提供了新的思路和方法。 展开更多
关键词 卷积神经网络 纸张 缺陷 faster R-CNN算法 注意力机制
下载PDF
基于Faster-RCNN算法的无人机高速铁路接触网开口销缺陷检测方法的研究
17
作者 胡代弟 《电子测试》 2023年第2期104-108,共5页
当前高速铁路接触网参数检测中,存在开口销体积小、分布分散、故障缺陷识别困难,过度依赖综合检测车等问题。本文提出一种采用无人机航拍,结合图像分割与识别技术的基于更快的区域卷积神经网络(Faster R-CNN)算法实现图像处理和优化,进... 当前高速铁路接触网参数检测中,存在开口销体积小、分布分散、故障缺陷识别困难,过度依赖综合检测车等问题。本文提出一种采用无人机航拍,结合图像分割与识别技术的基于更快的区域卷积神经网络(Faster R-CNN)算法实现图像处理和优化,进而对开口销缺陷进行检测识别的方法,有效地提升开口销缺陷识别准确率和有效性。测试结果表明,采用基于Faster R-CNN算法的无人机高速铁路接触网开口销缺陷检测方法的开口销图像缺陷识别准确率可达到98%以上,平均精度约90%,接受者操作特征曲线下的面积(area under curve,AUC)大于0.98。该算法通过软件开发工具包(software development kit,SDK)嵌入到无人机,实现接触网开口销自动巡检、智能识别,为现场作业提供智能化检测设备,提升接触网的智能化检测手段,保障高速铁路安全运行。 展开更多
关键词 faster R-CNN算法 无人机 高速铁路接触网 开口销 故障检测
下载PDF
基于改进Faster-RCNN的生活垃圾分类研究
18
作者 葛焰 刘心中 《信息与电脑》 2023年第8期95-98,共4页
随着人口的增长,生活垃圾分类问题日益突出。文章提出了一种基于改进快速的区域卷积神经网络(Faster-Region Convolutional Neural Network,Faster-RCNN)的生活垃圾分类方法,将特征提取网络改为ResNet50网络,并在区域推荐网络(Region Pr... 随着人口的增长,生活垃圾分类问题日益突出。文章提出了一种基于改进快速的区域卷积神经网络(Faster-Region Convolutional Neural Network,Faster-RCNN)的生活垃圾分类方法,将特征提取网络改为ResNet50网络,并在区域推荐网络(Region Proposal Network,RPN)中使用K-means聚类算法。结果表明,基于改进Faster-RCNN的网络模型的准确率达到94.5%,具有较高的准确率和较快的分类速度,可为解决生活垃圾分类提供一种有效的技术手段。 展开更多
关键词 生活垃圾分类 快速的区域卷积神经网络(faster-RCNN) K-MEANS聚类 深度学习
下载PDF
深度学习与图像融合的行人检测算法研究
19
作者 姜柏军 钟明霞 林昊昀 《激光与红外》 CAS CSCD 北大核心 2024年第2期302-306,共5页
为解决智能辅助驾驶技术中可见光摄像机受光照和气候影响而导致行人目标识别困难的问题。通过研究图像融合技术,结合深度卷积神经网络,实现并改进了一种道路行人目标检测算法。方法是利用多源传感器图像融合技术,采用可见光相机与红外... 为解决智能辅助驾驶技术中可见光摄像机受光照和气候影响而导致行人目标识别困难的问题。通过研究图像融合技术,结合深度卷积神经网络,实现并改进了一种道路行人目标检测算法。方法是利用多源传感器图像融合技术,采用可见光相机与红外热成像相机融合的策略,以Faster RCNN算法为基础,从改进网络结构、特征融合、优化模型训练等方面展开研究,对复杂环境下的行人检测与定位跟踪展开研究,提出一种基于图像融合技术和改进的深度卷积神经网络的道路行人目标检测算法。实验结果表明,该算法对复杂气候环境下行人目标检测提高了检测效率和准确率,增加了智能辅助驾驶汽车的安全性。 展开更多
关键词 红外热成像 可见光图像 faster RCNN 深度卷积神经网络 行人目标检测
下载PDF
基于卷积神经网络的毛巾瑕疵检测系统设计
20
作者 肖金壮 郭辉辉 王宁 《计算机集成制造系统》 EI CSCD 北大核心 2024年第11期3977-3983,共7页
针对毛巾表面小尺寸瑕疵和极端纵横比的经纬向瑕疵,提出基于卷积神经网络的毛巾瑕疵图像检测方法。首先采用所构建毛巾瑕疵检测系统中的面阵工业相机进行毛巾样本图像采集,从中选取150张带有瑕疵的图像,对采集的图像进行数据扩充,并制... 针对毛巾表面小尺寸瑕疵和极端纵横比的经纬向瑕疵,提出基于卷积神经网络的毛巾瑕疵图像检测方法。首先采用所构建毛巾瑕疵检测系统中的面阵工业相机进行毛巾样本图像采集,从中选取150张带有瑕疵的图像,对采集的图像进行数据扩充,并制作数据集;其次,通过融合特征金字塔网络与ResNet-50,并引入K-means聚类优化边界框宽高比,得到适用的Faster R-CNN目标检测算法;最后,用数据集进行网络训练,提取图像中的瑕疵特征,识别瑕疵目标,并对训练所得网络进行实验验证,识别检出率达到95.2%。结果表明,所提出的系统可有效实现毛巾瑕疵自动检测。 展开更多
关键词 卷积神经网络 毛巾瑕疵检测 faster R-CNN 特征金字塔网络 K-MEANS聚类
下载PDF
上一页 1 2 10 下一页 到第
使用帮助 返回顶部