复杂背景环境下基于SSD_MobileNet深度学习模型的火焰图像识别研究

针对现有的火灾火焰图像识别方法在光照和红花等类似火焰干扰的复杂环境下存在错检和漏检的问题,提出一种基于SSD_MobileNet的复杂环境火焰区域标记方法。首先,将深度卷积神经网络SSD300的基础卷积网络VGG16替换为MobileNet网络,应用深度可分离卷积,降低网络参数,进而构建一种火焰图像检测的SSD_MobileNet模型;然后,迁移第一次训练模型所有的卷积层参数,初始化新的待训练模型;最后,加入新的数据样本用于削弱光照、红花等干扰对象的影响。通过与SSD300、以及深度学习的目标检测算法Faster R-CNN和YOLOv3-tiny对比,实验结果表明,构建的火焰检测和火焰区域标记SSD_MobileNet模型的综合性能优于Faster R-CNN和YOLOv3-tiny模型,更适用于实时火焰检测领域。

基于深度学习的陶瓷薄片表面划痕检测方法

针对陶瓷薄片表面划痕对其工作可靠性造成影响问题,提出基于深度学习的陶瓷片表面划痕检测方法。通过设计构建划痕检测系统,以判定阈值0.7进行10000次卷积神经网络模型训练,实现表面划痕自动检测。实验选取两阶段算法(Faster R-CNN)和单阶段算法(SSD及SSD_Mobilenet)对比划痕检测模型的检测速度、均值平均精度及准确率。结果显示,SSD及SSD_Mobilenet算法在检测速度和准确率方面均优于Faster R-CNN,且SSD_Mobilenet算法的检测精度达94.5%,单片检测时间小于1min。该系统检测划痕效果良好且效率提高,可以满足工业生产实时检测需求。

基于SSD＿MobileNet模型的ROS平台目标检测

目标检测是机器人技术领域中重要的技术环节,而作为机器人开发领域中最受欢迎的平台之一, ROS(Robot Operating System)平台实现快速准确的目标检测功能是非常必要的.目前深度学习方法是实现目标检测功能的核心技术,但当前ROS平台自带的目标检测数据包实现原理仍是基于传统的局部图像特征描述方法,目标检测鲁棒性差,泛化能力弱.本文就将针对以上问题,提出一种基于SSD_MobileNet框架,结合独立制作的图像数据集训练定制的目标检测模型,并将模型集成到ROS平台实现快速准确的目标检测功能.