基于优化Faster R-CNN算法的金属板材表面缺陷检测

传统的图像处理方法对生产过程中各种金属板材表面缺陷检测效率低,难以满足工业生产的需求。为了提高金属板材表面缺陷检测的精度,文章提出了一种基于优化Faster R-CNN算法的金属板材表面缺陷检测方法,以残差网络ResNet50作为主干特征提取网络。首先,融合特征金字塔网络和可变形卷积网络以提高对小目标和不规则性缺陷的检测能力。然后,采用RoI Align和K-means++聚类算法对候选框进行优化,实现缺陷的精准定位。最后,将提出的模型运用在NEU-DET数据集中进行多次实验。实验结果表明,优化后的Faster R-CNN算法在此数据集上的mAP为78.7%,与原始网络相比提高了7.7%,并且其检测性能优于SSD、YOLOv5s和YOLOv7三类目标检测算法。

基于Faster R-CNN算法的变电站设备识别与缺陷检测技术研究

变电站作为电力运输的中转站,是城市运转、人民生活的重要基础设施。变电站在运行过程中,经常发生因位置偏僻,不支持机器人或无人机直接进行探测而造成的设备运作温度检测不及时的问题。传统的变电站设备缺陷识别算法是基于机器的学习算法,精确度较低,只适合单个设备类别的缺陷检测,易受环境的影响。基于此,文中提出一种识别变电站设备红外缺陷的方法。首先,基于Faster R-CNN算法的设备识别,对6种类型的变电站设备包括套管、绝缘体、电线、电压互感器、避雷针和断路器进行目标识别,以实现设备的精确定位;然后,基于稀疏表示分类(SRC)的算法获得输入样本的实际标签;最后,基于温度阈值判别式算法,在设备区域中识别设备温度的异常缺陷。文中的方法实现了在红外线图像下的设备识别和缺陷检测,运用文中设计的方法对6类设备的红外图像进行检测,准确率达到91.58%,不同类型设备缺陷的平均识别准确率为91.62%,整体缺陷图像的识别准确率达到87.62%。实验结果表明了该方法的有效性和准确性。

基于Faster R-CNN图像处理的变电站异常设备红外检测方法

针对智能变电站内一次设备红外监测图像分析与处理智能化较低的问题,提出了一种基于Faster R-CNN的变电站异常设备红外检测图谱分析方法,并实现了变电站故障设备的智能识别和原因分析。将远程终端单元所采集到的红外图像进行预处理,并对图中的变电站设备进行识别;采用大津算法结合图像灰度值的特殊性对图像进行分割与图像配准;Faster R-CNN则用于对比判断设备是否处于故障状态并分析原因。实验测试结果表明,所提方法对于多种故障设备的识别准确率均在90%以上,具有较优的鲁棒性。

改进Faster R-CNN的视频SAR动目标检测算法

针对当前可用于深度学习的视频SAR数据稀少的现状,以及动目标检测算法中存在较多的漏检和虚警问题,基于美国桑迪亚国家实验室真实视频SAR数据制作深度学习数据集,提出一种改进Faster R-CNN的视频SAR动目标检测算法。算法以截取后的ResNet50为特征提取网络,利用K-means加遗传算法自适应计算锚框,并在数据预处理环节加入S型曲线增强方法,来增强图像的对比度信息。经实验验证,所提出方法能够显著提升动目标检测率和检测速度,其中,平均精度(AP)和F1分数提升均达到10个点以上,有效降低了虚警和漏检,整体表现优于一阶段算法SSD和RetinaNet。

基于Faster-RCNN的智能机器人自动抓取系统研究

为实现复杂场景、多模态目标物体的自适应定位、抓取,文章设计一种基于改进Faster-RCNN算法的智能机器人自动抓取系统。首先,以DSFPN算法改进Faster-RCNN的特征提取方法,通过低、高层次语义信息融合,改进小尺寸目标特征提取精度;并采用CDN通过可变形卷积的逐层叠加,提升复杂环境下多模态目标体检测精度,而后,引人NP层对训练进行自适应反馈调节,以控制候选区数量,优化目标检测的效率,由此,基于ROS机器人操作系统,利用Kinect相机获取目标物体的位姿,通过手眼标定数据完成目标物体位姿转换,实现自适应抓取。最后,通过对比实验,验证基于改进Faster-RCNN算法的抓取系统,目标检准率、检全率、综合检测率分别达到93.68、92.71%、93.06%,尤其对小尺寸目标的检测准确性更优,可满足多变环境下不同目标物体的抓取需求。

基于Faster RCNN与Mean-Shift的电缆附件缺陷红外图像自动诊断方法

红外热成像测温是及时发现电缆附件异常发热缺陷的重要方法,但面对海量巡检图像,传统的人工诊断方式费时费力,且过分依赖人工经验。已有研究中为了实现电气设备红外图像的智能诊断,大多提取特定特征量作为所搭建神经网络模型的输入,而所提取的特征量也依赖于人工选择。为此,提出了一种基于Faster RCNN(faster regions with convolutional neural networks features)与Mean-Shift的电缆附件缺陷红外图像自动诊断方法。该方法首先基于Faster RCNN网络实现诊断对象的识别定位;之后利用Mean-Shift聚类算法提取过热区域;最后计算温度参数,并根据相应诊断标准得到诊断结果。利用实际巡检图像进行测试,结果表明:所提方法能够在不同拍摄角度、不同背景下准确定位诊断目标与过热区域,继而实现过热缺陷的自动诊断。研究对于实际工程中电缆附件的缺陷诊断具有一定的参考价值。

基于Faster R-CNN的人脸面部情感识别方法

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。

基于Faster-RCNN的自然环境下苹果识别

针对苹果园中存在的果实相互重叠、枝叶干扰以及复杂背景等问题,本文提出Faster-RCNN一种改进的模型。该模型通过增强Mosaic数据,使得识别小物体目标果实能力得到提升,同时,对Faster-RCNN结构中的锚框进行优化,优化后的锚框能更好地检测出距离相机较远的目标果实,以及使用Soft NMS算法对密集区域的识别效果进一步得到改进。通过对300幅未参与识别的自然环境下的苹果图像进行验证,验证结果表明:召回率为91.44%,准确率为93.35%,F1值为92.38%,每幅图像的检测可在0.2 s内完成。改进后的算法鲁棒性得到增强,能够满足在自然环境下对苹果果实的识别工作。

综合应用Faster R-CNN和U-net的心脏MRI图像分割

为解决现有MRI神经网络分割中存在因输入端图像信息多样导致分割精度下降的问题,提出了引入Faster R-CNN和U-net机制的MRI图像分割方法。选择公开心脏MRI分割挑战赛数据集ACDC和SCD,清洗和修改数据集格式后送入后续神经网络。首先,应用Faster R-CNN对目标图像进行检测,以对原始输入图像进行预处理,并去掉冗杂的背景信息。其次,对预处理后的图像进行U-net分割,同时为检验引入Faster R-CNN后,对分割网络的性能和精度是否提高,采用了消融实验和对比实验。消融实验去掉了U-net分割网络中的检测裁剪模块,选择U-net及其改进网络分别做一组消融实验结果。实验结果表明,新方法的平均交并比和Dice系数在ACDC数据集上为0.89和0.94,分别提高了7.3%和5%,在SCD数据集上为0.96和0.98,分别提高了5%和3%,实现了MRI图像的自动预处理和分割。

基于Faster-RCNN改进的目标检测算法

以Faster-RCNN目标检测算法为基础,用(1×3+3×1+3×3)非对称卷积块替代Faster-RCNN网络模型的3×3卷积核,提出一种基于Faster-RCNN的改进目标检测算法。首先,将残差网络ResNet作为算法骨干,用于提取图像的特征图(Feature map),将Feature map先通过(1×3+3×1+3×3)的卷积核块之后经过两个1×1的卷积核。其次,利用区域建议网络(Regional proposal network,RPN)获得共享特征层的建议框,把建议框映射到卷积的最后一层Feature map上,通过感兴趣区域池化层(Region of interest,RoI)将不同尺寸的锚框进行归一化。最后,利用探测分类概率(Softmax loss)和探测边框回归(Smooth L1 loss)进行训练。本文使用的是PASCAL_VOC数据集,平均查确率(Mean average precision,mAP)结果表明,相比于原始Faster-RCNN算法,mAP值提高了0.38%,相比于RetinaNet算法,mAP值提高了2.68%,相比于YOLOv4算法,mAP值提高了3.41%。

深度学习改进FasterRCNN算法皮革材料缺陷机器视觉检测研究

FastRCNN或FasterRCNN算法常用于对皮革材料表面缺陷进行检测,但其存在检测精度不高、准确率一般等问题。本文以深度学习改进传统算法得到改进Faster RCNN算法,并将改进后的算法用于皮革材料缺陷机器视觉检测工艺中,通过原图位置坐标改进、池化层算法设计及卷积神经网络特征提取等步骤实现了皮革材料缺陷机器视觉检测的优化。

边缘算法优化Faster R-CNN算法下的输电线路缺陷识别方法

为提升输电线路缺陷识别效果,研究了一种利用边缘算法优化Faster R-CNN算法的输电线路缺陷识别方法。通过无人机采集输电线路图像,采用极值中值滤波算法降噪,输入Faster R-CNN模型,提取缺陷特征,利用RPN网络确定目标候选区域;利用边缘算法优化Faster R-CNN算法以确定像素点梯度幅值,并抑制非极大值;训练模型,完成输电线路缺陷识别。测试结果显示,该算法能够提升各主要缺陷类别的识别准确率,准确率达85%以上。

基于改进的Faster R⁃CNN的肺结节检测方法研究

研究使用相同的CT图像数据集,对几种常见的肺结节检测方法进行对比试验,最终选取了检测精度高的Faster R⁃CNN进行了实验.然而,即使是本领域内检测精度最高的Faster R⁃CNN方法在肺结节检测领域的效果也难以令人满意.原始的Faster R⁃CNN中的锚框尺寸大,在肺结节检测领域无法达到好的应用效果,为了提高结节检测的精度,在Faster R⁃CNN的基础上进行了改进,改进的内容主要包括:(1)更多层的特征提取使得检测精度提高,因此,在网络特征提取时采用ResNet替换掉原始网络中的VGG16网络,采用ResNet⁃101进行后续实验的改进.(2)引入了一种K⁃Means聚类算法分析anchor的尺寸,选择合适的k值后,重新设置锚框的大小.通过对锚框的尺寸的改进,数据与锚框大小的匹配度提高了,模型的整体性能有了提升.实验证明:所提出的方法具有较高的精度和效率.

基于改进Faster R-CNN绪下茧形态识别与计数方法的研究

目的:为解决解舒试验过程中绪下茧人工识别与计数劳动强度大等问题,提出一种基于改进Faster R-CNN绪下茧形态识别与计数方法。方法:首先,根据解舒试验过程中绪下茧呈现的不同形态,将绪下茧分为新茧、中茧、薄茧3种。采集绪下茧图像,构建数据集,使用ResNet50残差网络作为Faster R-CNN的特征提取网络,提取3种绪下茧形态图像特征;其次,调整区域建议网络(RPN)中锚点(Anchor)的比例,使检测结果中的目标矩形框更加精确;再次,将SENet注意力模块加入到特征提取网络中;最后,在形态识别的基础上,统计绪下茧数量。结果:改进算法训练的模型对绪下茧的3种形态的平均准确率达到了86.37%,召回率达到了90.3%。检测的平均速度0.17 s/幅。结论:该算法满足绪下茧形态识别与计数的要求。

基于Faster R-CNN改进算法的遥感技术及其在地质灾害监测中的应用研究

为了减少地质灾害带给人类的破坏,对自然环境中的地质信息进行精确监测具有极为重要的意义.在对地质灾害和遥感技术之间的关联性进行描述的基础上,本研究引入Faster R-CNN算法,进一步运用特征提取网络,修改训练方法并对该算法进行优化,使之应用于遥感技术以提升检测地质灾害的速度和精度,最终通过PASCAL VOC数据集与COCO数据集对所提出方法模型进行实验评价及论证.结果发现,GIOU值为0.6时,检测精度达到最优,且在算法对比中,本研究所设计的Faster R-CNN改进算法的AP@0.5达到了59,证明该算法兼顾了速度与精确性,达到了预期的目标检测目的.同时,发现本次研究设计的Faster R-CNN改进目标检测算法能够有效应用于卫星遥感技术,达到快速检测到自然环境中的地质信息,并能够通过判断其属性变换而做出预警措施,从而使得人类因地质变化引起的损失得以减少.

基于改进的Faster-RCNN的人群密度预警方法

本文提出了一种改进的基于Faster-RCNN的人群密度预警方法。通过引入软非极大值抑制算法,对Faster-RCNN进行了优化,显著提升了对密集人群的检测能力。经过改进的算法在测试集上的平均绝对误差和均方误差分别降低至3.4和9.8,表现出色。该方法不仅可用于行人检测,还能实时生成人群密度热力图,并根据平均密度分级划分拥挤程度。

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

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。

基于Faster R-CNN和图像增强的水下鱼类目标检测方法

为了克服水下鱼类图像样本量不足及实现对水下低清晰度图像中鱼类的快速检测,提出了一种基于Faster R-CNN二次迁移学习和带色彩恢复的多尺度视网膜增强算法(MSRCR)的方法,首先通过ImageNet预训练模型对Open Images高清鱼类数据集进行一次迁移学习初步训练网络,然后固定检测模型低3层的卷积网络参数,再用水下拍摄的小规模鱼类数据集进行二次迁移学习微调网络,最后通过MSRCR算法对水下拍摄图像进行处理以增强其与高清鱼类图像的相似性,解决水下图像降质问题,让二次迁移学习高效进行。结果表明,该方法利用小规模水下拍摄鱼类数据集训练出的网络查准率可达到98.12%,网络检测能力及后续提升能力优于传统机器学习方法,并能够实现鱼类目标的快速检测,本研究结果可为深海探测作业与海底鱼类等生物资源的监测、保护和可持续开发等工程应用提供一定的参考。

基于改进Faster R-CNN算法的舰船目标检测与识别

Faster R-CNN算法是一种基于区域建议网络的深度学习网络模型,近年被提出并应用于目标检测与识别领域.Faster R-CNN算法中区域建议网络的创新性提出,使之相对于经典的R-CNN算法和Fast R-CNN算法有效地提高了目标检测的速度.本文分析了Faster R-CNN算法中区域建议网络的实现方法,并在区域建议网络的包围盒尺寸设置中引入了K-Means聚类算法,通过聚类方法对图像中目标大小进行聚类分析,将聚类结果直接输入区域建议网络中,从而实现对Faster R-CNN算法中的区域建议网络进行改进.对舰船目标的检测与识别的,实验结果表明:该方法在提高了Faster R-CNN算法识别精度的同时,显著地缩短了算法的识别时间.

融合引导锚框算法的Faster-RCNN缺陷检测

针对传统零件表面缺陷检测方法准确性差效率低,无法满足智能制造需求的问题,提出基于Faster-RCNN深度学习算法的缺陷检测方法。在Faster-RCNN基本算法的基础上,引入引导锚框算法生成anchor方案,解决算法中anchor方案对本次检测的缺陷目标缺乏针对性、产生大量的冗余区域建议窗口的问题,以提高检测的准确性和效率;通过对比非极大值抑制中不同的IOU阈值对检测结果的影响,确定最优的IOU阈值,并设计零件缺陷样本采集方案,建立三种零件缺陷数据集,在此基础上对方法的有效性进行试验验证。实验结果表明,该方法能够大幅度提高零件表面缺陷检测的准确性和效率,各缺陷检测结果的平均精度可达97.7%以上,平均检测速度达到4.3 fps,满足了智能制造的急迫需求。