多尺度卷积特征融合的SSD目标检测算法

提出了一种改进的多尺度卷积特征目标检测方法,用以提高SSD(single shot multibox detector)模型对中目标和小目标的检测精确度。该方法先对SSD模型低层特征层采用区域放大提取的方法以提高对小目标的检测能力,再对高层特征层进行特征提取以改善中目标的检测效果。最后,利用SSD模型中原有的多尺度卷积检测方法,将改进的多层特征检测结果进行融合,并通过参数再训练以获得最终改进的SSD模型。实验结果表明,该方法在MS COCO数据集上对中目标和小目标的测试精确度分别为75.1%和40.5%,相比于原有SSD模型分别提升16.3%和23.1%。

基于深度学习SSD算法的高密度电法智能解译方法技术研究

高密度电法在探测灰岩区地下溶洞病害体方面得到广泛应用,但高密度电法反演结果依赖于初始模型,存在多解性,地质解译容易受专业人员主观因素影响。为此,本文从具有唯一性的视电阻率数据出发,研究了基于深度学习的SSD(Single Shot Multi-box Detector)目标检测算法的视电阻率异常智能解译方法技术。针对岩溶地质病害,设计了不同填充类型、形状、规模、数量的溶洞电性异常模型,利用Res2dmod软件进行视电阻率正演计算,构建了包含1400个样本的高密度电法视电阻率智能解译学习样本库(样本和标签)。基于TensorFlow框架,建立了基于深度学习SSD算法的高密度电法视电阻率异常智能解译方法技术,使用学习样本库训练网络权值,训练结束后对高密电法温纳装置视电阻率异常进行智能解译,单个视电阻率剖面异常智能解译耗时不到1 s,各类目标(填充型溶洞、未填充型溶洞)平均准确率为90.68%。研究结果表明:基于SSD算法的高密度电法视电阻率异常智能解译技术可显著提高高密度电法视电阻率解译效率,避免专业人员主观因素影响。

多传感器融合的割草机器人障碍物检测方法

为了提高割草机器人自主作业时的环境感知能力,提出一种基于相机和低成本固态激光雷达融合的障碍物检测方法.首先,基于改进的DBSCAN聚类算法,得到一种可自适应确定聚类参数的KANN-DBSCAN算法,利用该算法对固态激光雷达采集到的三维点云聚类分析,得到障碍物点云并通过相机和固态激光雷达联合标定结果投影到二维图像上;其次,基于SSD目标检测网络完成障碍物样本训练,并对图像信息进行检测识别;最后,为了避免因光线不足或远距离雷达点云稀疏聚类困难,导致视觉或雷达检测性能受限,提出一种优势互补的目标级信息融合策略.试验结果表明:所提信息融合策略在融合两传感器检测结果的基础上,有效避免了环境条件改变单一传感器检测性能受限时,环境感知出现的漏检和误检,经过信息融合后的障碍物综合检出率约为87.5%,相较于单一传感器具有很大的提高,使环境感知信息更加全面可靠.

基于改进SSD的轧制设备手部安全检测方法研究

针对轧制行业容易发生机器轧伤工人手部的安全事故,研究一种视觉快速识别手部进入危险区域的方法,提出一种基于SSD(Single Shot Multibox Detector)改进的轻量型手部检测算法。将改进的神经网络MobileNet作为SSD主干网络对输入数据进行特征提取,并重新设计六个特征提取层;借鉴特征金字塔网络(Feature Pyramid Networks,FPN)设计特征融合策略,使较浅特征层获取更丰富的语义信息;使用K-means聚类算法对模型默认框进行调整,使模型检测更加具有针对性;最后引入迁移学习策略对网络训练进行加速。从现场生产视频中获取真实环境下的人手数据样本进行实验,该改进算法检测速度达到20FPS,平均精度均值(mAP)可以达到99.44%,模型大小仅为25.7MB,检测性能优于当前主流的目标检测方法。

基于SSD的小目标特征强化检测算法

为解决原始单次多框目标检测(single shot multibox detector,SSD)目标检测算法中对小目标物体检测能力不足的问题,提出一种改进的SSD目标检测算法。采用VGG19作为特征提取网络,在低层特征图部分引入Conv3_3卷积特征图,对Conv4_4进行转置卷积操作,将转置卷积后得到的Conv4_3同Conv3_3的特征图进行特征拼接,实验部分使用VOC数据集对模型进行训练与测试。结果表明:该算法可提高检测能力,目标检测精度能比原始SSD算法提高3.6%,小目标检测效果比改进前也有明显提升。

改进SSD算法在零部件检测中的应用研究

针对生产线上运动过程中的零部件类型检测的实时性和准确度要求高,部分零件体积较小难以检测的问题,提出一种基于改进SSD(Single Shot MultiBox Detector)目标检测算法的零部件检测方法。使用轻量级网络MobileNetV3-Large替代SSD算法的主干网络VGG-16,图像输入长宽尺寸由300×300像素改为224×224像素,利用特征金字塔网络提升对体积较小零件的检测效果。以气动马达零部件的检测为例进行仿真实验;网络训练中,利用数据增强提高模型的鲁棒性。实验结果表明,改进后的SSD算法在提高对零部件实时性检测速度的同时,保证了检测的准确率。

一种基于改进SSD的原木端面识别方法

自然环境下的原木楞堆摆放参差不齐,端面大小不一,且存在遮挡、重叠、被阴影覆盖等现象,识别效果不理想。为了提高原木端面识别率,笔者对原木端面识别方法进行了研究。采用深度学习的方法,针对混楞堆原木端面大小差距较大、较小原木难以检测以及遮挡情况下不容易提取有效特征等问题,以速度较快的SSD(single shot multibox detector)网络为基础网络,对conv_fc7使用上采样后与conv4_3融合替换原conv4_3,将conv4_3和conv_fc7两个有效特征层进行结合,增加了感受野,提高了该特征层对较小原木端面的特征提取能力;在整体结构上加入融合多尺度卷积核和空洞卷积的RFB(receptive field block)模块,又在网络中引入能够使网络学习特征权重加强对有效特征关注的CBAM (convolutional block attention module),增强了特征识别能力。实验使用从原木验收现场采集的图像,结果表明:改进SSD目标检测网络对清楞原木的检测精确率达96.37%,召回率96.81%,AP值99.06%;在含有较多小目标原木的混楞测试集检测中改进SSD检测精确率97.00%,召回率92.90%,AP达到95.33%,召回率比SSD提高了14.03%。改进SSD网络增强了SSD目标检测网络的抗干扰能力,扩大了感受野,提高了原木端面实时检测性能。

基于改进SSD和Jetson Nano的口罩佩戴检测门禁系统

为了减少疫情期间人们未佩戴口罩造成的交叉感染概率,设计一款基于改进的SSD和Jetson Nano的口罩佩戴检测门禁系统,以快速检测进出口行人是否佩戴口罩,控制闸机的开合。首先,从MAFA和WIDER FACE这2个数据集中抽取适合用于该系统的训练图片,其中6000张作为训练集,2000张作为测试集;其次,利用随机色相、饱和度等像素级变换和随机扩展、随机裁剪等几何级变换,对数据集中的小目标进行数据增强,使数据集更加多样,增强该检测网络的泛化能力;再次,将原始SSD的VGG特征提取网络替换为MobileNet-V3,利用其深度可分离卷积的速度优势,以及计算量较小的H-Swish激活函数、轻量化的注意力机制等优化策略,加速检测、提高精度;最后,将该检测网络移植到计算能力有限的人工智能边缘计算设备Jetson Nano上,加装高清显示器,并设计可折叠的平行四边形挡板,选择合适的外围设备,构成了一个具有防疫价值的快速检测公共场所进出口行人是否佩戴口罩的多功能门禁系统。在该嵌入式设备上的测试结果表明:以MobilNet-V3为特征提取网络的目标检测算法SSD,取得了78%的MAP,FPS为12,与以VGG为特征提取网络的原始SSD算法(FPS为2)相比,检测速度是原始SSD算法的6倍。该系统在保证实时性的同时也兼顾了检测精度,达到了精度和速度的平衡。

基于改进SSD算法的电厂设备油液渗漏检测

为能实现对电厂充油设备和管道的油液渗漏现象快速、准确地检测与识别,通过引入高分辨率网络实现高分辨率特征提取,改进特征融合模块以融合高分辨率特征信息强化特征表达,提出了一种基于改进SSD的油液渗漏图像检测算法;此外,针对油液渗漏现象构建一个电厂设备的油液渗漏数据集并提出了一种随机种子遮挡的数据图像增广策略;经实验测试表明,算法在检测效果上提升明显,相比于基于SSD算法的的漏油检测模型的准确率和召回率分别提高了3.1%和3.7%,满足了工程实际需求,具有较高的实用性。

基于嵌入式平台和目标检测算法的室内机器人足球比赛系统

视觉图像信号包含了真实世界的丰富的颜色、纹理、形状等信息,是包括人类在内的许多动物感知世界的主要方式。近年来,图像传感器与图像处理算法越来越成熟,在目标检测、目标识别、物体追踪等方面的应用展现出高性能、高精度、低成本等优势。本文实现了一套基于嵌入式平台和SSD算法的室内物体检测、识别、追踪算法,并且将这一系列算法应用于室内机器人足球赛,搭建了完整的室内机器人对抗系统。本文中提出的基于SSD算法的室内机器人足球比赛系统在目标检测准确率和效率方面都优于传统计算机视觉算法。

基于轻量级神经网络的小尾寒羊面部识别

为实现羊只面部身份快速识别,本文以自建数据集为研究对象,提出了一种基于SSD的轻量化检测算法。首先该算法将SSD的主干网络VGG16替换成轻量级神经网络MobileNetv2,构建了一种轻量化混合神经网络模型。其次在特征提取网络参数量为1122×32的bottleneck层前端和72×160的bottleneck层后端分别引入CA、SE、CBAM和ECA注意力机制,实验结果表明72×160的bottleneck层后端引入ECA注意力机制是最优的。最后将smoothL1损失函数替换成BalancedL1损失函数。最优模型(SSD-v2-ECA2-B)模型大小从SSD的132MB减小到56.4MB,平均精度均值为81.16%,平均帧率为64.21帧/s,相较于基础的SSD模型平均精度均值提升了0.94个百分点,模型体积减小了75.6MB,检测速度提高了5.23帧/s。利用相同数据集在不同目标检测模型上进行对比试验,与SSD模型、Faster R-CNN模型、Retinanet模型相比,平均精度均值分别提升了0.36、2.40和0.07个百分点,与改进前的模型相比具有更好的综合性能。改进模型在大幅减少模型大小及其计算量的同时使模型性能保持在一个较高的水平,为畜牧养殖数字化和智能化提供方法参考,具有较高的应用价值。

基于SSD的多特征刑侦场景识别

将基于深度学习的SSD(Single Shot MultiBox Detector)目标检测方法应用于刑侦图像目标检测中。通过对目标进行多尺度特征提取,将小目标与大目标采用不同级别的特征图方式进行融合识别。实验测试结果表明,SSD方法明显地提高了小目标在刑侦图像中的检测率,且与Faster R-CNN相比发现,在置信阈度为0.5时,SSD的检测精度接近Faster R-CNN,mAP(Mean Average Precision)达到94.8%,检测速度远超Faster R-CNN,帧频FPS达到58Hz。实验结果说明SSD方法在刑侦图像目标识别上具有特别优势。

基于OpenCV+SSD深度学习模型的变电站压板状态智能识别

目前,变电站保护硬压板信息管理处于完全依赖于人工巡检的状态。伴随着人工智能上升为国家战略,深度学习技术进一步发展,提出一种基于OpenCV+SSD深度学习模型的压板状态识别方法。在图像二值化并高斯滤波基础上,基于霍夫直线检测算法进行保护屏柜角点检测,并通过透视变换实现压板图像矫正,从而避免拍摄图像的角度变化对识别结果的影响;利用模板匹配的方法对压板图像进行分割,并建立不同压板与其功能间的映射关系,提升压板状态检测准确度;基于TensorFlow深度学习框架搭建SSD目标检测模型,通过不断调参并采用正则化处理提高训练模型的准确度和泛化能力。经测试验证,该方法目标检测精确率和召回率均大于0.95,相对于传统OpenCV及Hog+SVM的处理方法,压板状态识别效果有明显提高。

基于优化SSD算法的冰鲜鲳鱼新鲜度评估方法研究

保障冰鲜水产品的质量安全是提升水产行业供求效益的关键环节之一,冷链储运的发展急需一种快速无损的鱼肉品质检测技术。以冰鲜鲳鱼为研究对象,提出用于鲳鱼新鲜度质变敏感区域定位与评估的目标检测网络SSD优化方法。首先,建立冰鲜鲳鱼新鲜度目标检测数据集。其次,依据先验知识,以鲳鱼的鱼眼和鱼鳃作为感兴趣区域,基于SSD目标检测算法自动定位与识别图像中的质变敏感区域,构建鲳鱼新鲜度评估目标检测模型,通过改进主干网络和设计自适应先验框提升网络性能。优化后的SSD网络在金鲳鱼和银鲳鱼数据集上的平均检测精度均值分别达到98.97%和99.42%,检测速度达到37帧/s。

基于SSD卷积神经网络的公交车下车人数统计

传统典型的公交车人数统计方法在准确率和速度方面存在一些不足,且提取目标特征的效果较差.本文提出了基于深度卷积神经网络的公交车人数统计系统解决人群计数问题.首先制作数据集,难点在于所有用于训练的数据集均是手工标注.并且公交车摄像头角度比以往文献覆盖更广区域.本文首先比较了多种不同的深度卷积神经网络模型对乘客进行全身检测的效果.综合考虑检测速率、准确率等方面,最终采用单次检测器深度卷积神经网络模型对乘客进行人头目标检测,在线实时目标追踪算法实现人头的多目标追踪,跨区域人群计数方法统计公交车下车人数.系统准确率达到78.38%,运行速率约为每秒识别19.79帧.实现了人群计数.

用于盲人视觉辅助的多目标快速识别并同步测距方法

提出一种以摄像头实现的可用于盲人视觉辅助的多运动目标快速识别并同步测距方法.该方法以深度学习多目标检测算法(single shot multibox detector,SSD)识别各类目标,并通过SSD输出的目标类别及检测框(bounding box)高度来提出测距模型,从而同步地获取多个目标的测量距离.本方法仅通过普通摄像头便能识别较多类物体且识别类别数量可拓展,能够将测距模块和障碍物识别模块同步执行,从而可对多个物体实时识别并同步测距.实验结果表明,本方法能有效地识别障碍物,具有良好的测距精度,为盲人视觉辅助的一种有效探索.

面向暗室照度计检定低对比度示值图像智能识别技术研究

针对照度计检定过程中所存在光照强弱与对比度变化的问题,本文提出采用基于Single Shot MultiBox Detector (SSD)目标检测框架的低对比度照度计示值识别技术。首先对比主流目标检测框架检测精度和检测速度,选择兼具精度与速度的SSD目标检测框架;其次设计针对低对比度目标检测的数据增强算法,用以提高SSD目标检测框架对低对比度示值图像识别准确率;最后进行实验与结果分析,设计4组不同照度环境下照度计示值识别实验,识别准确率为99. 6%,SSD目标检测框架识别一张图像平均耗时25. 9 ms。实验证明,该技术在不同光照、对比度环境下对照度计示值图像都有很好的识别效果,其检测速度也能保证照度计检定的在线识别。

基于区域判别与信息反传的车辆精细定位方法

伴随智能交通图片数据爆炸式增长,交通大数据车辆精确定位管理需求增加.针对SSD(single shot multibox detector)检测算法对小目标定位不稳定与距离弥散导致的车辆定位偏差问题,提出了一种端到端的车辆及内部细节定位方法.包括引入无效目标过滤机制,以有效地抑制定位偏差;添加区域位置信息反传层,共享低卷积层局部特征,扩大小目标局部感受野,有效地进行车辆内部细节定位.采用PASCAL VOC2007数据集进行的实验结果表明,文中方法达到了良好的效果.

复杂背景农作物病害图像识别研究

目前大部分对农作物病害识别的研究都是基于公开数据集进行的,而这些公开数据集大多是简单背景的单一病害图像,当在真实农业生产环境中应用时,往往无法满足需求。本研究采用AlexNet、DenseNet121、ResNet18、VGG16模型在自行构建的复杂背景农作物图像数据集2和公开的简单图像背景数据集1上进行对比实验,结果表明在数据集1上取得了较好的效果,平均识别准确率基本都达到90%左右,而在数据集2上模型的识别效果普遍较差。为此本文在数据集2上采用SSD目标检测模型,实现对复杂背景农作物图像病害区域的预测,实验结果表明,最终模型在测试集的平均精度均值达到83.90%。

基于图像深度学习的牛个体的识别与统计

为进一步协助畜牧养殖业,对传统物理方法及先进的生物检测方法进行了多方面的调研,并从图像深度学习角度出发,基于Google TensorFlow框架及OpenVINO^(TM)工具套件对牛个体的识别与统计进行了研究。利用神经网络对数据集进行训练,并使用SSD目标检测算法对目标对象进行识别,希望为相关行业的监管提供图像处理角度的解决方案并对之后的研究提供一定的参考价值。