多尺度特征和极化自注意力的Faster-RCNN水漂垃圾识别

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。

基于Faster-RCNN网络的接箍自动识别方法

在可视化测井中,深度对于判断油管缺陷位置、射孔位置至关重要,而现有的测深系统具有一定的深度误差。在观测井下视频人工查找接箍,存在耗时、检测速度慢等问题。先对VideoLog油气井可视化测井技术采集到的井下视频进行图像增强,引入Faster-RCNN模型,采用ResNet50网络作为特征提取网络提取接箍特征,最终通过兴趣区域池化网络和全连接层完成接箍的识别定位。该模型有着0.99的平均精度,在实验中,视频中的接箍均可被准确识别,具有识别速度快和准确率高等优点。

基于改进Faster RCNN的金属丝网缺陷检测方法

作为一种传统的纺织产品,金属丝网在工业生产、日常生活、科研等领域起着举足轻重的作用,而金属丝网在编制过程中,表面会产生斑点、断线等缺陷,严重影响金属丝网的质量。为保障产品质量,研究了一种基于改进Faster RCNN算法的金属丝网表面缺陷检测方法。首先,为提高模型缺陷特征提取能力,特征提取网络选用深度残差网络(ResNet50)代替原视觉几何群网络(VGG16),并引入注意力模块;随后,训练过程中利用有预热的余弦退火学习率衰减机制,以提高网络检测精度;同时引入k-means算法和遗传算法,设计了更适合金属丝网数据集的锚框尺寸,以提高候选框的精度,解决缺陷定位不准的问题。经实验验证,利用改进Faster RCNN算法检测的平均精度均值(mean average precision,mAP)达86.95%,较原Faster RCNN算法提高18.81%,为金属丝网缺陷的检测提供了一个有效可行的方案。

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Faster RCNN的钢板表面缺陷检测研究

钢铁是我国工业生产的重要原材料之一,其表面质量问题会直接影响产品的使用,从而带来无法预知的风险,故对钢铁表面进行缺陷检测具有重要意义。而在缺陷检测过程中,存在因裂痕缺陷特征不明显,导致缺陷定位不准确以及检测难度高等问题。针对以上问题,本研究提出一种改进的Faster RCNN算法,在主干特征提取网络上引入自适应模块,增强网络提取有效特征的能力,同时使用DBSCAN聚类算法取得合适的先验框,大大提高了算法的检测效率。实验结果表明,改进的Faster RCNN算法模型对不明显的缺陷特征检测能力大幅度的提升,相比其他检测算法,在钢板表面缺陷检测中能达到高质量、缺陷定位准确、分类成功率高的效果。

改进型Faster-RCNN配网线路防外破检测方法

配网线路高度较低,铺设密集,由于外界因素干扰易受外力破坏,为此提出一种改进型Faster-RCNN配网线路防外破检测方法。首先针对采集到的数据集的局限性进行图像增强与标注,建立质量较高的配网线路防外破图像数据集;其次,为提高Faster-RCNN的特征提取与特征学习能力,以深度残差网络ResNet101替换VGG16,引入特征金字塔,融入CBAM注意力机制模块进行结构改进;然后为提高学习效果,采用难易样本平衡损失函数优化进行参数改进;最后通过西北某地区图像进行验证。结果表明,所提模型鲁棒性较强,泛化性较好,具有一定优越性。

基于改进Faster RCNN的PCB表面缺陷检测研究

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。

改进Faster RCNN with FPN的素布瑕疵检测的算法研究

纺织行业中的布匹检测仍存在采用人工检测的情况,人工检测效果受工人主观影响较大,易发生检测效率的降低和瑕疵的漏检误检。针对这种现状,探究素布瑕疵检测的算法,改进Faster RCNNwith FPN目标检测算法。首先,为了提升Faster RCNNwithFPN对于多尺度特征的融合能力,丰富各个特征层的上下文信息,引入跨尺度特征融合模块来改进特征金字塔网络结构。其次,为了更好的利用深层特征,加入尺度内特征交互模块来处理ResNet50输出的深层特征层,丰富高级特征层的语义信息。然后,为了增强对于极端尺寸瑕疵目标的检测能力,使用K-means++聚类和遗传算法,改进预设锚框。最后,由于素布瑕疵的尺寸较小,为了平衡正负样本,采用Focal Loss,增加对于素布瑕疵的检测效果。经过实验,使用COCO指标进行评价,该改进后的网络模型与Faster RCNNwithFPN相比,在mAP_(50)、mAP_(75)和mAP_(50:95)指标上分别提升6.5%、4.4%和4.0%,平均准确率有了明显提升,可以更好地完成素布瑕疵的检测任务。

嵌入CBAM的改进Faster RCNN眼底微动脉瘤检测方法

眼底微动脉瘤检测可以有效地预防和控制糖尿病性视网膜病变,在临床应用中具有重要的意义,但该病灶的目标区域较小且存在眼底出血和其他结构的干扰,同时眼底图像存在亮度、对比度不均的问题,给检测任务带来了巨大挑战。针对此问题提出一种基于Faster RCNN网络的微动脉瘤小目标检测方法,先对数据集进行以病灶为中心的分块处理,提升目标区域的占比;再将主干网络替换为特征表达能力强的ResNet网络,并引入注意力机制,结合加入融合因子的特征金字塔模块进行多尺度特征融合,改善主干网络提取小目标特征信息的能力,增加其对目标区域的关注程度。实验结果表明,算法在E-Ophtha MA数据集上取得了良好的检测效果,精确率为91.3%,召回率为80.2%,较原模型精确率提高了13.1%,召回率提高了8%,且与其他方法相比检测效果更好。

基于Transformer改进的Faster RCNN在复杂环境下的车辆检测

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%。

基于迁移学习和改进Faster-RCNN遥感影像飞机目标检测

为了提高遥感影像飞机目标检测的准确性和泛化能力,需要解决背景复杂、尺度多变、目标密集、飞机朝向不确定和特征不明显等问题。但现阶段训练数据量有限,初始训练需要消耗大量算力和时间,容易出现过拟合现象。因此,需要优化模型结构和训练过程。针对上述问题,首先引入一种迁移学习的策略,在Faster-RCNN模型训练之前,加载MS COCO数据集预先训练好的权重,使模型快速收敛,节约了大量的训练时间。然后以ResNet50替代原Faster-RCNN的VGG16特征提取网络,更好地利用深层次的语义信息,在此基础上结合FPN网络,并对原Faster-RCNN的9种锚框增加为15种锚框,通过融合多尺度特征图以获得更丰富的特征表示,从而提高网络检测和定位目标的能力。以RSOD-Dataset数据集为例进行飞机目标检测实验,同时比较不同检测算法的性能;再以NWPU VHR-10数据集验证模型的泛化性和稳定性,实验结果表明:改进的Faster-RCNN在RSOD-Dataset数据集上的精确率为97.54%;在NWPU VHR-10数据集上的精确率为98.27%。通过迁移学习和改进Faster-RCNN的网络结构,可以实现在数据量较少的情况下高精度目标检测,且泛化能力较强,所提方法可以利用于其他目标检测和识别,具有较好的推广意义。

基于Faster-RCNN的绝缘子缺陷检测

针对传统人工检测绝缘子缺陷效率低的问题,提出一种基于Faster-RCNN的绝缘子缺陷检测方法。首先对航拍的绝缘子缺陷图片进行数据增强,其次算法中使用残差网络结构并引入注意力机制,提升检测效果的同时降低了模型复杂性,使用组归一化方式代替批归一化方式,最后用Soft-NMS代替NMS进行结果优化。试验结果表明,改进后算法的精确率达到90.3%,与改进前相对比精确率提升了14.7%,使绝缘子缺陷检测的有效性与可靠性得到了提升。

多尺度特征融合改进Faster RCNN的铝材表面缺陷辨识

针对铝型材表面缺陷类型多样、缺陷特征复杂,难以自动检测的问题,设计了一种基于改进Faster RCNN的铝材表面缺陷检测模型。以感兴趣区域校准代替感兴趣区域池化,减少Faster RCNN模型自身量化产生的缺陷定位误差;以Darknet-53结合特征金字塔为主干网络提高对微小缺陷的提取能力;利用热重启的余弦退火策略更新模型的学习率,进一步加速模型收敛,提高模型检测精度。通过实际的铝型材表观缺陷数据进行测试,该方法对铝型材表面缺陷识别的平均准确率达到96.5%,单张图片检测时间为0.373 s。综合分析表明,所构建的多尺度特征融合改进Faster RCNN的铝材表面缺陷辨识模型,能够达到工程界对铝型材表观缺陷进行缺陷辨识的实际应用需求。

基于Faster-RCNN与自注意力机制的矿山图像异常检测算法

矿山异常行为检测是一项重要工作,有助于提高采场安全生产监管效率。提出了一种基于自注意力机制的Faster-RCNN算法,用于矿山图像异常行为检测。该算法通过自注意力机制对特征图进行加权,有效提取关键特征,并减少冗余信息干扰。首先,从图像中提取RoI区域,并通过自注意力机制对RoI区域内的特征图进行加权,使得关键特征得到更准确的提取。同时,对RoI区域内的特征图进行细粒度融合,以捕捉更多的图像细节信息。最后,使用分类器对每个RoI区域进行分类,以检测图像中的异常行为。在自建数据集上对算法进行了训练与评估,试验结果表明:所提算法在矿工图像异常行为检测工作上表现出更高的准确性和鲁棒性,与传统的Faster-RCNN算法相比,该算法检测精度提高了4.8%。此外,该算法对于光照和角度等变化具有更好的鲁棒性,可以有效应对实际场景中的复杂环境。

基于改进的Faster RCNN的仪表自动识别方法

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。

基于Faster RCNN的轻量化车辆测距模型

道路上车辆安全事故的发生常见于车辆之间不同程度的碰撞,多是由于车辆没有保持安全的行驶距离,因此在实际道路行驶中,对于车辆距离感知至关重要。本文基于Faster RCNN深度神经网络对目标车辆进行识别,利用Inception v2模型对原有网络结构进行调整,在保持目标特征量的同时减少计算量,提升模型收敛速度。同时基于数据回归原理搭建图像像素与实际距离映射模型,隐性解决了单目相机成像过程中存在的畸变问题。实验结果表明,搭建的模型对车辆识别的精度达到82.83%,在前方40 m范围内车辆测距误差小于4%,可以实现前方目标车辆的距离判断,为安全驾驶决策提供理论依据。

基于Faster-RCNN和先验知识的车架VIN码识别方法

为了提高车检所工作效率,同时克服对VIN(Vehicle Identification Number)这类长字符串识别准确率低的难题,基于现有深度卷积神经网络的模型,提出以Faster R-CNN为主干网络,并结合先验知识的车架VIN识别模型。根据车架号图像特点,选择Faster R-CNN进行字符级定位和识别的方案。针对长字符识别容易漏字符的现象,使用被遗漏位置的前后字符坐标来定位缺失字符。使用inception网络对补漏得出的字符区域进行识别。灵活使用先验知识使得该方法比只使用Faster R-CNN识别车架号的准确率提高了31.7百分点,识别率达到了64.77%,这也高于当前主流OCR模型在长度超过15位的文本上的准确率。

改进Faster RCNN的遥感图像建筑物检测

为解决现有检测算法对遥感建筑图像检测率低,定位不准确等问题,提出一种改进Faster RCNN的遥感图像建筑物检测方法。在特征提取网络ResNet50上加入注意力机制SE模块,提升网络效率;将感兴趣区域校准(ROI Align)替换原有的感兴趣区域池化(ROI Pooling),消除两次量化带来的误差;利用GA-K-means算法获得更适合数据集的锚框。在WHU building dataset数据集上进行仿真实验,结果显示,改进后的Faster RCNN算法对遥感图像建筑检测的平均精度为92.21%,相较于原算法提升了10.79%,验证了改进方法的有效性。

基于改进Faster-RCNN的无人驾驶目标检测

针对Faster-RCNN主干特征提取网络Resnet50原本的ReLU函数性能仍有提升空间这样的问题。论文探索使用高斯误差线性单元激活函数GELU去提升原网络的性能。高斯误差线性单元激活函数GELU相较于ReLU激活函数,用概率的方法去保留有效信息,而不是ReLU函数那样单纯的对于大于0的信息保留,小于0的信息舍弃。这使得用GELU作为激活函数能更准确反映图像信息,从而提高网络整体的目标检测性能。实验表明,改进后的网络的mAP相较于原网络有了一定的提升,在识别道路信息时有更好的表现,能够更好地应用于无人驾驶技术。

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。