一种改进的RFB Net遥感影像目标识别算法

针对高分辨率遥感影像场景复杂,现有的目标识别算法检测率较低且速度较慢的问题,提出了一种改进的RFBNet模型。算法在RFBNet模型的基础上构建特征金字塔网络,融合高层语义信息和低层特征信息,提高了网络识别能力。为验证该算法性能,以遥感影像中飞机目标为例进行了实验验证。以油罐和立交桥目标为例,对该算法的推广性进行了实验验证。结果表明,改进的RFBNet模型在遥感影像目标识别中精度较高、速度较快,且具有较好的推广性。

CARFB:即插即用的目标检测模块

针对坐标注意力(CA)在水平和垂直方向特征的平均池化可能丢失目标显著特征,以及使用二维普通卷积对小目标特征学习不足的情况,提出了CARFB(coordinate attention and receptive field block)模块。该模块将CA的平均池化修改为平均+最大池化,以保留输入特征在水平和垂直方向的显著和细节信息;利用RFB具有不同大小感受野的优势,在水平和垂直方向分别使用RFB模块代替CA的融合特征统一卷积,以同时提取不同大小目标的特征;引入包含不同大小卷积核和步长的CBS模块,替换CA的二维普通卷积,进一步提取水平和垂直方向的特征,得到重新加权的输出特征。CARFB模块在水平和垂直方向保存目标位置信息,利用不同感受野提取不同大小目标的强辨别性特征,从而具有更强的特征学习能力。为了验证提出的即插即用模块CARFB的性能,将其嵌入ObjectBox目标检测框架,得到ObjectBox-CARFB模型;用CARFB模块替换RFBnet中的RFB模块,得到CARFBnet目标检测模型。MSCOCO数据集的实验测试表明,ObjectBox-CARFB模型的性能得到全面提升,尤其对小目标的检测性能提升突出;PASCALVOC和MSCOCO数据集的实验结果表明,CARFBnet300和CARFBnet512的目标检测能力分别优于原始RFBnet300和RFBnet512模型,并优于其他同系列对比模型。提出的CARFB模块具有更强的特征学习能力,对不同尺度目标均能取得较好的检测效果,特别是在小目标检测方面,效果提升显著。提出的CARFB模块可以嵌入到任何一个卷积神经网络,能保存更多的目标信息,具有更强的特征学习能力和更高的网络性能,对不同尺度目标均能取得较好的检测效果,尤其对小目标的检测效果提升显著。

基于RFB-Net的摩托车驾驶人头盔检测研究

近年来,计算机视觉方向深度学习的卷积神经网络发展迅速并逐步应用于日常生活的检测之中。针对于摩托车手是否佩戴头盔的检测问题,论文引入RFB网络,采用VGG-16作为基础网络提取网络结构特征,改进使用了余弦衰减学习率更好地训练样本,增加了网络泛化能力。从而完成对摩托车头盔的检测。实验结果表明改进后,RFB-Net模型在摩托车驾驶人头盔检测中精度较高、速度较快,且具有较好的推广性。

改进U-Net网络的结直肠息肉分割模型

针对结直肠息肉边界模糊性和形状、大小多样性导致的分割不精确的问题,基于U-Net网络构建级联卷积注意力模块,以保留更多的有用特征;采用多尺度特征聚合模块来捕捉更多的特征与细节;将空间注意力嵌入到感受野模块,扩大网络感受野的同时提供更丰富的空间信息表示。实验结果表明,该模型在Kvasir数据集上展现出了良好的分割效果。相比传统U-Net模型,其在IoU,Dice上分别提高了3.14%,5.31%,在医学影像计算机辅助诊断中具有很大的应用潜力。

基于感受野扩增和注意力机制的U-Net脑肿瘤MR图像分割

针对U-Net网络感受野受限以及信息丢失导致的分割精度低的问题,提出了一种基于感受野扩增和注意力机制的U-Net脑肿瘤MR图像分割算法.首先,在U-Net网络中引入感受野模块(receptive field block,RFB)来增大网络的感受野,解决了网络由于感受野受限带来的分割精度低的问题.此外在网络中引入有效的通道注意模块(efficient channel attention,ECA)来增加网络对有用特征的响应,抑制网络中的冗余特征.使用BraTS(the brain tumor image segmentation challenge)提供的脑肿瘤MR图像数据对本文算法进行测试,用Dice相似性系数等指标进行评价,结果显示在完整肿瘤、核心肿瘤以及增强肿瘤的Dice值分别可达到0.86、0.86、0.79.与U-Net模型以及其他的网络相比得到了提高.实验结果表明,本文提出的算法能够有效提升脑肿瘤分割的精度,具有良好的分割性能.

福建省O157大肠杆菌的rfb及fliC基因的研究

目的 对福建省分离的O15 7大肠杆菌的O抗原编码基因 (rfb基因 )及H抗原编码基因 (fliC基因 )进行研究分析 ,以明了福建省O15 7大肠杆菌的抗原特征。方法 应用聚合酶链反应 (PCR) ,以O15 7抗原编码基因 (rfbO157基因 )、H7抗原编码基因 (fliCH7基因 )为靶基因进行检测。将rfbO157基因PCR扩增产物进行DNA测序 ,使用NCBIgenBank进行DNA序列相似性比较。结果 rfbO157基因PCR扩增产物经DNA测序 ,片段序列与O15 7∶H7大肠杆菌国际参考株EDL933完全一致。福建省分离的 80株O15 7大肠杆菌的rfbO157基因均为阳性。fliCH7基因仅 6 2 5 % (5 / 80 )阳性。结论 福建省分离的O15 7大肠杆菌少部分 (6 2 5 % )为O15 7∶H7,并携带毒力基因 ;大部分为O15 7非H7,且未检测到毒力基因。

基于RFB协议的跨网段远程桌面控制改进

基于标准RFB协议的远程桌面控制软件无法登录同一广域内网不同网段的远程计算机,为此提出了一种基于RFB协议的跨网段远程计算机桌面控制的改进方法,在标准RFB协议的基础上增加完善对通信代理服务的握手与初始化协议,实现同一广域网不同网段IP地址的计算机桌面登录与控制。实际应用表明,改进方法实现简单、运行稳定可靠,对跨网段并存在通信安全隔离架构的分布式设备终端监控与保障维护发挥了重要作用,有效提高了设备保障维护效率。

基于RFB网络的特征融合管制物品检测算法研究

为了提高对管制物品的检测精度,本文提出一种结合RFB(receptive field block)网络结构和特征融合的目标检测算法。首先对采集的安检数据进行无效内容剔除、滤波;接着对安检数据进行人工标注和数据增强;然后在MobileNetV3-SSD算法的基础上,通过引入RFB网络改进其网络结构,以加强网络的特征提取能力,并利用特征融合的方法提高模型的小目标检测能力;最后,构建了一个安检数据集SCCI2020来验证算法的性能,该数据集包含91767张图片。实验结果表明,本算法在安检数据集SCCI2020上的检测精度为87.0%,比MobileNetV3-SSD算法的检测精度高2.7个百分点;在COCO2014和COCO2017通用数据集上的检测精度分别为21.9%和23%,相对于VGG16-SSD、MobileNetV3-SSD算法均有一定提升。

基于YOLO-tiny-RFB模型的电站旋钮开关状态识别

针对多类别目标检测在特定场景中数据样本有限的情况,为进一步提高机器人系统中轻量级神经网络对小型物体识别的准确率和稳定性,提出了一种基于机器人操作系统(ROS)的目标状态识别模块。首先,考虑到嵌入式设备的算力限制,目标识别模型采用轻量级的网络YOLO-tiny作为主要架构,并在YOLO-tiny中引入RFB,提出了YOLO-tiny-RFB模型。随后,基于MobileNet对旋钮开关的多种状态实现精准分类。最后,设计数据关联规则,通过图像配准及交并比(IOU)计算等算法使识别模块完成同一场景多次识别结果的融合,从而使用户能够对不同时刻各表计的状态进行追踪。实验结果表明,相较于YOLO-tiny,YOLO-tiny-RFB模型在少量增加模型计算量的情况下,在构建的电站仪器识别数据集上,其目标识别平均精度均值(mAP)提升了17.9%,达到了82.4%。在旋钮数据分布极端不均衡的情况下,通过引入多种数据增广方法使模型的平均准确率达到了90.7%。所提出的目标检测模块和状态识别网络模型能够有效、准确地完成各类仪器的状态识别,同时能够对仪器状态的识别结果在时间跨度上进行融合。

增韧型硼酚醛RFB树脂的性能研究及应用

把耐高温、耐烧蚀和洁净阻燃的THC系列硼酚醛树脂,通过与橡胶进行化学反应,得到一种新型聚合物——RFB增韧型硼酚醛树脂,RFB树脂同时具有耐高温、耐烧蚀、阻燃、增韧和防中子射线等5项功能。该树脂既可单独使用,又可作为环氧树脂固化剂。这种酚醛—环氧—橡胶三元体系,可产生交互反应,形成配比可调、性能各异的无数产物,使之自由过渡,打破了热固性、热塑性、酚醛、环氧和橡胶一系列的固有概念,使高分子科学进入了功能化时代。

牛源大肠杆菌O_(157)Rfb基因PCR检测方法的建立

为了建立牛源大肠杆菌O157Rfb基因的PCR检测方法,试验利用Gen Bank中公布的大肠杆菌O157Rfb基因序列设计1对特异性引物进行PCR扩增,并研究该方法的特异性和敏感性。结果表明:大肠杆菌O157Rfb基因PCR检测方法得到的片段大小为259 bp,灵敏度可达到1×104模板稀释度。

BP网络与RFB网络预测性能对比研究

本文首先介绍了BP网络与RFB网络的基本原理,其次利用以河道浅滩演变问题数据对两种网络在处理预测问题过程中的性能和特点进行对比,最后给出了两个网络特点的比较分析.

基于RFB模块与注意力机制的目标检测算法

针对目标检测算法中深度卷积网络提取特征图关联性不足导致的检测精度下降问题,提出一种基于群体感受野模块(Receptive Field Block, RFB)与坐标注意力(Coordinate Attention, CA)的改进SSD目标检测算法。使用深层特征提取网络ResNet50作为主干网络,并在卷积层结构中添加坐标注意力模块,捕获方向和位置感知的信息;为充分利用不同特征图之间的关联信息,在特征提取与预测中采用反卷积与上采样等方式,融合低层位置特征和高层语义信息。同时在网络结构中引入多尺度卷积核与空洞卷积的RFB模块,以提高感受野的方式提高网络的特征提取能力。实验表明:该算法在PASCAL VOC 2007数据集上的mAP为78.08%,相较于传统的SSD算法检测能力得到了显著提升。

基于轻量化SSD的交通标志检测算法

实时精确的交通标志检测是自动驾驶和智能交通的关键技术。针对现有智能检测算法检测复杂真实道路场景下的交通标志速度慢、无法较好地适用于嵌入式终端设备的问题,提出了一种基于轻量化SSD的交通标识检测算法。该算法采用MobileNetV3_large网络替代VGG16网络,可减少模型参数,提高检测实时性;利用添加SE模块的逆残差结构B-neck替换对应的标准卷积增强低层特征层的语义信息;设计改进RFB网络提升小交通标志的检测能力,重新设置预设先验框的尺寸,提升模型对特定数据集的检测能力。实验结果表明,改进SSD算法在中国交通标志检测数据集上的mAP值可达89.04%,比MobileNet-SSD算法提高了5.26%;帧率可达60 frames/s,比SSD算法提高了23 frames/s。所提算法具有较高的实时性和检测精度,对复杂交通环境具有更好的鲁棒性。

多病害并发复杂场景下的道路病害检测RGT-YOLOv7模型

随着我国公路网的不断扩展,道路病害检测已经成为道路养护与行车安全保障必不可少的组成部分,基于深度学习的道路病害检测已经成为该领域的研究热点.针对多种病害并发的复杂场景下道路病害识别精度不高、泛化能力不足的问题,提出了一种复杂场景下的道路病害检测模型RGT-YOLOv7(Receptive Ghost Triplet-YOLOv7).在主干网络部分引入三重注意力机制,提高病害特征在不同通道与空间的相关性,解决了特征提取效率不高的问题;将原有的全连接空间金字塔卷积模块替换为快速全连接空间金字塔卷积模块,并加入幻影卷积模块,提高冗余特征的使用率,将原有的冗余特征与新提取到的特征融合,得到包含不同尺度的特征信息;为了扩大模型感受野,在特征增强部分加入改进的感受野模块,利用不同尺寸的空洞卷积从不同方向对特征图进行提取,加强对横向和纵向特征的提取.实验结果表明,与YOLOv7相比,识别的平均正确率(mean average precision,mAP)和平衡F分数分别提升了6.9、3.9个百分点,尤其是对纵向裂缝危害识别的平均正确率提高了22.3个百分点,与Faster R-CNN、YOLOv5等模型相比也有良好的性能提升,表明RGT-YOLOv7是一种有效的复杂场景下的道路病害检测模型.

基于SMT-YOLOv8的PCB缺陷检测研究

针对PCB缺陷检测中目标尺寸小、权重文件庞大难以部署的问题,提出一种改进的YOLOv8小目标缺陷检测方法。该方法将SE注意力机制融入C2f中,使网络能够根据通道域的信息给图像不同位置赋予不同的权重,获取更重要的特征信息;在SPPF中引入Basic RFB以增强网络感受野,提升网络的特征提取能力;新增小目标检测尺度,提升模型对微小缺陷的检测能力;舍弃大目标检测尺度,降低计算负荷并缩小权重文件。实验结果表明,在公开的PCB缺陷数据集,改进后的YOLOv8较原算法平均精度提升了2.6%、权重文件缩小了27.3%、FPS达到34.4 ms/帧。

基于改进YOLOv5s的车载人员安全带行为检测

车载人员佩戴安全带行为的检测对于人的生命安全保障具有重要作用;针对目前车内复杂环境下车载人员佩戴安全带检测精度不高的问题,提出一种基于改进的YOLOv5s车载人员佩戴安全带的检测方法;该检测方法将YOLOv5s作为基础网络,在此基础上进行改进;为改善深度模型对特征信息的提取能力,采用RFB模块增大网络的感受野,并利用RFB模块多分支结构获得混合的感受野;加入ECA注意力通道模块,使得整个网络更加专注特征信息的提取;将原YOLOv5s的损失函数替换为EIOU,进一步提高网络对安全带的检测精度;经过实验结果表明,改进后网络与原YOLOv5s网络相比,其平均精度均值mAP提高了2.2%,查准率提升了5.1%;改进后的网络具有良好的提升效果,表明了该方法的有效性。

改进YOLOv8的航拍小目标检测方法:CRP-YOLO

无人机航拍目标检测是近些年研究的热点,由于无人机航拍视角下的小目标图像及被遮挡情况严重,导致出现漏检、误检等问题。针对以上问题,提出了一种改进YOLOv8的航拍小目标检测方法:CRP-YOLO。为提升颈部网络PANet的特征提取能力,提出一种多分支部分空洞卷积结构,将RFB模块与PConv结合改进颈部网络的特征融合方式,增大颈部网络的感受野;在主干网络SPPF层前的C2f中引入CoT(contextual Transformer)结构改进Bottleneck块,利用全局上下文信息,提升网络特征提取能力;在检测层增加一个尺寸为160×160的小目标检测头,提高对小目标的检测能力。在公开数据集VisDrone2019上进行实验,结果表明,相较于基线模型YOLOv8s,CRP-YOLO在mAP@0.5上提升3.8个百分点,mAP@0.5:0.95提升1.7个百分点,参数量降低1.5 MB,与其他主流目标检测方法相比也得到较好的检测性能。

KThin-YOLOV7:轻量级的焊接件表面缺陷检测

针对目前市面主流焊接件表面缺陷的模型检测精度不高,模型复杂和不满足实时监测等问题,提出了一种基于YOLOV7-tiny改进得到的焊接件表面缺陷新型检测模型KThin-YOLOV7。首先,设计了基于模拟人类视觉感受野的EMA-BasicRFBC模块,更换YOLOV7-tiny模型的空间特征金字塔SPP模块,从而加强模型特征表达的性能。其次,以SlimNeck设计范式结构为基础设计了ThinNeck结构,并用其更换YOLOV7-tiny的NECK特征融合部分,减少模型的参数量和计算量的同时提高了模型的平均检测精度。最后,引入K-means++算法找出合适的锚框,并用FEIOU损失函数更换原模型的LOSS,进一步帮助模型优化目标框的位置和大小。KThin-YOLOV7相对原始YOLOV7-tiny模型的mAP提升了7.11%,达到87.64%,同时模型的参数量和计算量分别下降了11.14%和15.26%。实验结果表明,KThin-YOLOV7能够高效且准确地定位检测焊接件表面的缺陷。

基于改进卷积神经网络的小目标检测算法

对于在检测时存在小尺度检测目标漏检、不精确等问题,提出一种改进的YOLO v4算法模型(F-YOLO v4)。利用改进的K均值聚类算法对数据集进行聚类,使得锚点框的大小更适用于目标检测;采用深度卷积和逐点卷积相结合的方法对通道内和通道间的卷积进行分离,从而改善了原有的残差块;采用通道注意力机制对骨干网络进行改进的同时在PANet网络中添加RFB模块,增强特征提取能力,从而提高了对小目标的检测效果。实验结果表明,F-YOLO v4算法在KITTI数据集上平均精度均值达到了93.67%,与原算法对比提高了1.52百分点,并且比较目前其他主流网络有着较高的精确度。