基于Faster-RCNN算法的玉米叶面病害识别系统

针对玉米种植面积广,但易受病害影响导致产量下降,农民对玉米叶面病害识别困难的问题,以玉米叶面健康、大斑病、小斑病和锈病4种叶面种类为研究对象,采用Faster-RCNN建立识别模型,并在此基础上开发智能玉米叶面识别系统。首先对5998张图片的数据集采用LabelImg工具进行分类标注,训练集和验证集比例为9:1;然后使用ResNet50神经网络架构对标注好的数据集进行训练,得到最优权重的PTH文件;最后将算法通过API接口部署到使用Django搭建的后端框架中,在前端调用算法进行玉米叶面检测识别,结合Neo4j知识图谱,将玉米叶面病害种类的详细信息以及解决方案,通过知识图谱进行展示。玉米叶面病害识别结果表明:平均识别很高,达到96%。

基于改进Faster-RCNN算法的软包装印刷缺陷检测研究

本文提出了一种改进的Faster-RCNN算法进行缺陷检测,针对软包装漏印的特点,将原来的VGG16网络替换成运算量更小、网络深度更深的残差网络(ResNet-50),可以提取丰富的特征。为了使卷积神经网络自适应注意,在ResNet-50的残差网络中添加了CBAM自注意力机制模块。对于数据集,对采集的图像通过旋转、平移、亮度调整、加入噪声、Cutout等操作进行数据增强,避免数据样本不均衡,提升模型的鲁棒性。结果显示,改进后的Faster-RCNN模型与未改进的Faster-RCNN模型相比准确率提高了12%,mAP达到92.95%。证明改进后模型的有效性,节省大量人工成本,提高企业生产效率。

基于改进Faster-RCNN算法的边坡行人安全检测研究

当边坡出现地质灾害时,边坡上的滚石会对下方公路上的行人带来危险,造成人员伤亡和直接的经济损失。对此提出一种视觉行人检测算法,当检测有行人出现时进行警示,避免安全隐患。为提升视觉算法的检测精度,提出了一种改进的Faster-RCNN目标检测算法。首先,将最大池和平均池分别引入到ResNet残差结构中,保存更完整的特征信息;其次,提出Fpnc-ResNet50结构,在ResNet结构的基础上,融合多尺度特征和CBAM注意力机制,提高对小目标和行人遮挡问题的识别能力;最后,将EIoU损失与均方误差损失相结合,加快模型的收敛速度,提高模型在未知数据的检测效果,并进一步改善背景混乱下的行人遮挡问题。通过实验验证,本文提出的算法相比原算法在检测精度上提升了4.01%,有良好的实际应用效果。

基于改进Faster-RCNN算法的带钢缺陷检测

针对目前带钢表面缺陷检测方法无法适应缺陷形状不规则、尺度不一、背景复杂等问题,提出了一种基于Faster-RCNN的改进网络,在主干网络中采用可变形卷积模块,FPN多尺度检测模块及在RPN网络中融合CBAM注意力模块。实验结果表明,改进后的网络可有效地提高带钢表面缺陷检测的精度。

基于改进Faster-RCNN算法的行人检测

行人检测是汽车智能化进程中十分重要的任务,而深度学习的蓬勃发展为其指明了新的方向。文章通过对Faster-RCNN算法进行改进,将其应用于车载摄像头下的行人检测。将特征提取网络由原来的Vgg16网络改为ResNet50网络,并增加了锚点个数,提高了算法对小目标行人的检测效果。文章还引入了FPN金字塔结构,其更适用于多尺度的行人检测。最后将改进后的算法在Caltech行人数据集上进行了试验,取得了较好的检测效果,mAP达到了95%。

基于改进Faster-RCNN算法的地铁车辆车侧下结构检测识别

地铁车辆车侧下人工巡检存在漏检、劳动强度大、效率低等问题,本文提出一种基于改进Faster-RCNN算法的地铁车辆车侧下结构检测识别方法,分别采用MobileNetV2、ResNet-101+FPN和DarkNet53+FPN三种特征提取网络替换原Faster-RCNN的特征提取网络VGG16,再通过5 000张地铁车辆车侧下结构的图像对更换特征提取网络的Faster-RCNN进行训练以及检测验证.实验结果表明,以DarkNet53+FPN为特征提取网络的Faster-RCNN模型比其余两种模型检测效果好,模型平均精确度AP达到96.7%,均值平均精度mAP达到92.7%,检测速度可达20.5 fps.改进算法成功将巡检由线下改为了线上,地铁车辆车侧下各结构的检测识别都取得很好的效果.

一种基于改进Faster-RCNN算法的车身螺栓识别方法

针对传统检测算法在汽车车身螺栓目标检测上的局限性以及准确率较低等问题,构建了一种基于改进Faster-RCNN车身螺栓识别模型。首先,将特征提取网络由原来的Vgg16网络改为Res-Net101网络,提高了算法对螺栓小目标的检测效果;然后,引入了更适用于多尺度的螺栓检测的FPN金字塔结构,提高检测效率;最后,将所设计的车身螺栓识别方法应用于某型车的实际装配过程进行测试,对采集的1397张车身螺栓图片制作的数据集进行了训练和识别,对数据集中的螺栓识别mAP达到了98.5%,实际现场测试表明模型对螺栓识别准确率达到了99%以上。

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。

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。

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Faster-RCNN改进算法的纸张缺陷自动检测方法

纸张生产过程中经常出现破损、污渍、褶皱、杂质等质量问题,针对这些纸张缺陷检测采用图像处理的方式进行自动检测,提出一种改进的Faster-RCNN算法,来提升纸张缺陷检测效率.检测先是通过Faster-RCNN进行训练,获取缺陷图像后,再引入非局部均值算法进行降噪处理,之后对缺陷图像进行精准定位及分割.在这个过程中,为提高算法的效率与精度,对Faster-RCNN中的RPN和ROI进行了改进,并对非局部均值算法进行优化.实验表明,与现有的算法相比,本文提出的算法有效提升了检测的准确度和效率,特别是近似背景情境下的精准度.

DAO媒介:驱动未来社会算法化与自组织的元媒介

DAO媒介是以区块链算法等技术为基础,支持数字社群协同自治的媒介,具有区块链、智能合约与投票等功能特性和要素确权、技术信任、规则构架以及场景聚合等价值禀赋。对于数字生态显露的各种问题,“算法化”是重构数字生态、降解社会系统复杂性的关键机制,DAO媒介是支撑“自组织式”算法化的元媒介。DAO媒介与数字文明时代喷发的微粒个体、微资源、微价值、微需求、微场景等相匹配,能够深度匹配人的个性与自我,形成有效的趣缘连接,进而极大地释放数字文明的生产力。DAO媒介将深刻影响社会系统的构造,将微粒个体与相关社会要素“包裹”为闭环子系统,支持其准开放的系统边界、有效的异质性整合、可持续的规则重构、子系统与父级系统的持续分化和快速进化,等等。在数字文明时代,DAO媒介将使“重新部落化”的“地球村”变为现实,其驱动构筑的DAO社会将更加多元、更加富有创造力,不断拓展人类群体实践的自由度,使人类在高度异质性聚合基础上更加和谐有序地整合协同。

面向小目标的多尺度Faster-RCNN检测算法

小目标是指图像中覆盖区域较小的一类目标.与常规目标相比,小目标信息量少,训练数据难以标记,这导致通用的目标检测方法对小目标的检测效果不好,而专门为小目标设计的检测方法往往复杂度过高或不具有通用性.在分析现有目标检测方法的基础上,提出了一种面向小目标的多尺度快速区域卷积神经网络(faster-regions with convolutional neural network, Faster-RCNN)检测算法.根据卷积神经网络的特性,修改了Faster-RCNN的网络结构,使网络可以同时使用低层和高层的特征进行多尺度目标检测,提升了以低层特征为主要检测依据的小目标检测任务的精度.同时,针对训练数据难以标记的问题,使用从搜索引擎上获取的数据来训练模型.因为这些训练数据与任务测试数据分布不同,又利用下采样和上采样的方法对目标高分辨率的训练图像进行转化,使训练图像和测试图像的特征分布更类似.实验结果表明:所提出的方法在小目标检测任务上的平均精度均值(mean average precision, mAP)可以比原始的Faster-RCNN提高约5%.

基于自适应变异粒子群算法的风光储微网调度

为克服传统粒子群算法在求解时容易形成局部最优,求解精度低的不足,提出了一种基于自适应变异粒子群优化的微电网调度求解方法。惯性权重采用自适应正态分布递减,随着迭代次数的增加更新粒子位置的移动策略,并且在算法后期引入变异环节。为验证算法的有效性,文章与其他算法进行收敛性能对比,并对两种典型天气情况下的微网运行成本模型仿真求解,得到最优调度。算例结果表明,改进算法能够对粒子全局最优搜索优化,效果优于其他算法,可合理调配分布式电源出力时段,具有良好的可行性。

短定子磁浮列车基于悬浮间隙实现测速和定位的算法仿真及应用

短定子磁浮列车测速和定位技术实现方式与传统轮轨不同,目前有多种技术实现方式,但都需要在磁浮列车上设置测速和定位设备或系统,且与悬浮控制系统相互独立,但悬浮控制系统对速度信号和位置信号又有一定的依赖性。因此,设计了一种基于悬浮间隙实现测速和定位的算法,并通过仿真达到算法设计预期目的,最后通过编程将算法嵌入磁浮列车的悬浮控制系统硬件平台,实现测速和定位的算法应用,测速和定位信号完全集成于悬浮控制系统中,摆脱悬浮控制系统对外置测速定位系统的依赖,提升磁浮列车在轨道交通市场的竞争力。

基于图神经网络的瑜伽动作多特征融合识别算法

针对现有瑜伽动作识别方法不能挖掘动作与形体特征等深层次信息的问题,提出了一种基于多特征融合图神经网络的改进瑜伽动作识别算法,该算法利用瑜伽的动作历史和形体信息,结合多特征融合和图神经网络的优势,通过建模形体和动作之间的关系图,得到形体信息对不同瑜伽动作类别的影响程度,以及历史动作的长时和短时性。在实验中,对比了该方法与其他算法在瑜伽动作识别任务中的表现。结果表明,该方法在准确率、精确率、召回率和F_(1)值等指标上有明显的提高,证明了该瑜伽动作识别算法的有效性。

不完整模态数据下基于布谷鸟算法的结构损伤识别研究

鉴于安装在结构上的少量传感器难以获得完整的模态数据,文章提出一种使用不完整模态数据来定位和量化结构损伤的有效方法。首先,采用一种改进的缩聚系统方法来匹配有限元模型和实际测量中的自由度差异,从而解决模态空间不完整性问题。然后,利用不完整模态数据获得的结构柔度矩阵计算结构的静态位移。最后,利用结构的静态位移建立损伤优化函数,并采用布谷鸟算法进行求解。通过数值模拟和试验验证了所提方法的有效性和鲁棒性。数值和试验结果表明,在测量传感器数量有限的情况下,所提出的损伤识别方法仍具有高效且稳定的性能。

麦克纳姆轮农业机器人路径跟踪——基于改进野马算法

针对麦克纳姆轮农业机器人在智能大棚中的路径跟踪问题,建立了运动学模型和动力学模型,设计了一种新型的双环比例微分-分数阶比例积分导数(Proportional Derivative-Fractional Order Proportional-Integral Derivative,PD-FOPID)控制器对全局路径进行动态跟踪控制。对于控制器参数多且整定困难的问题,首先采用帐篷映射初始化种群策略、精英主义记忆策略、动态余弦权重策略和柯西—高斯变异策略对原始野马算法进行改进,然后利用略改进野马算法(Improved Wild Horse Optimizer,IWHO)对控制器最优增益参数优化。实验结果表明:所开发的算法在探索和开发阶段方面性能优异,且PD-FOPID控制器在整定工作中表现突出。路径跟踪仿真证明,设计的双环PD-FOPID控制器比FOPID控制器更具显著的优势,能够避免动态误差累积,快速响应调整到规划路径,在提高农业大棚机器人路径跟踪控制质量方面具有巨大的潜力。

基于改进的Faster-RCNN模型的汽车轮毂表面缺陷在线检测算法研究

目的通过构建轮毂在线生产视觉检测系统,预测轮毂生产过程中轮毂表面的缺陷。方法根据轮毂表面缺陷的定义和评价标准,给出了轮毂表面缺陷的计算模型,采用了改进型的Faster-RCNN目标检测算法,引入了深度生成式对抗网络,消除图像的模糊性,再利用清晰的轮毂表面图像进行模型训练,结合领域专家的判别标准,优化网络参数,构建轮毂表面缺陷检测模型。利用深度学习Pytorch框架,在NVIDIA Tesla P100图像加速卡上进行模型训练,并对模型结果进行对比性实验分析,找出最优的预测模型。结果在基础网络部分,采用残差模型ResNet101网络比采用VGG16模型的准确率提高了24%。在目标检测网络模型中引入了多通道特征融合模块,准确率提升了2%。再引入FPN金字塔模型,融入低级和高级语义信息,使得输出的多尺度的预测特征图谱效果更好。最后把残差网络的ROI-Pooling算法改为ROI-Align算法,准确率提高了5%。通过对网络模型的不断改进和优化,轮毂表面缺陷的识别率不断提高。结论利用改进型的Faster-RCNN网络能够识别出轮毂表面缺陷的种类和位置,满足生产环境的要求,具有一定的工程应用价值。

基于Faster-RCNN的肺结节检测算法

针对目前的肺结节检测中存在的个体差异、同病异影、同影异病的问题,提出一种大样本条件下的基于Faster-RCNN的肺结节检测算法,对比研究目前的深度学习模型的适应性,给出一种通用的随着样本数量增加肺结节检测率持续提升的策略。首先搭建深度学习的软硬件环境,设置影像数据接口与Faster-RCNN的网络接口匹配;然后搭建Faster-RCNN的单类分类网络,并对网络结构的参数进行调整优化;最后用包含2000例病人的肺结节数据集,通过不同的卷积神经网络模型(包括ZF和VGG),计算CT图像在各自模型中的特征。对测试结果进行分析评估,分别统计其漏检率、检测准确率,并探讨不同训练数量和数据增广类型对最终检测准确率的影响。最终ZF模型的检测准确率为90.82%,准确率的波动方差为13.30%;VGG模型的检测准确率为87.02%,准确率的波动方差为37.10%。ZF模型的波动方差小,检测精确度高,综合考虑,ZF模型对肺结节的检测效果优于VGG模型的检出效果。所提出的肺结节检测技术具有良好的理论价值和工程应用价值。