基于FasterMDNet的视频目标跟踪算法

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。

基于改进Faster RCNN的喷水织机织物疵点检测

探讨一种基于Faster RCNN改进的织物疵点检测方法用于喷水织机织物疵点检测的效果。首先,对织物疵点图进行预处理,将疵点与背景有效区分开,凸显出疵点区域;其次,建立一种基于特征融合的ResNet50卷积神经网络模型对织物疵点进行特征提取;采用ROIAlign将经过初步筛选后的预选框映射到固定大小的特征图上,减少映射误差与均分误差;最后进行目标分类与位置回归任务。试验结果表明:该研究算法的mAP值达到95.50%。认为:该检测方法能有效提高喷水织机织物疵点的检测效果。

基于Mask R-CNN的人脸检测与分割方法

针对现有主流的人脸检测算法不具备像素级分割,从而存在人脸特征具有噪声及检测精度不理想的问题,提出了一种基于Mask R-CNN的人脸检测及分割方法。通过ResNet-101结合RPN网络生成候选区域,再利用RoIAlign算法实现像素级的特征点定位,旨在提高定位精度。根据全卷积网络生成相应的人脸二值掩码,实现图像中人脸信息与背景的分割。此外,构建了一个具有分割标注信息的人脸数据集用于训练相应模型。在通用人脸检测数据集的实验结果表明,该方法具有较好的人脸检测效果,并能在准确检测的同时实现像素级的人脸信息分割。

基于深度学习的海上油气平台仪表识别方法

海上油气平台采用巡检机器人开展定期巡检工作,通过图像采集与图像识别的方法实现仪表的自动化读数。为了解决巡检机器人指针式仪表读数受温度、光线、观察距离等导致识别精度不高的问题,结合工艺橇块常见指针式表盘的特点,在MASK R-CNN图像识别的基础上,通过改进实例边框回归算法,提出一种基于改进Mask RCNN算法的指针式仪表自动识别算法。采用倾斜矫正、分辨率提升等图像预处理算法,可以改善数字识别精度。利用改进的MASKR-CNN识别圆刻度线和指针,最后,计算出指针的偏转角度。实验结果表明,该算法具有较高的精度和鲁棒性,具有一定的理论价值。

基于改进Faster RCNN模型的输电线缺陷检测方法

针对目标尺度差异大和小尺度目标条件下输电线缺陷检测效果不佳的问题,提出一种改进Faster RCNN模型的输电线缺陷检测方法。利用多尺度特征提取区域建议网络,基于K-均值聚类生成适合于输电线缺陷目标的锚框集,使用ROIAlign操作实现特征映射。通过在包含绝缘子、防振锤、销钉和鸟巢4类缺陷图像的自建数据集上测试表明,该方法有效提升了不同尺度目标以及小尺度目标的缺陷检测性能,平均准确率均值达到95.57%。