基于改进Faster RCNN的金属丝网缺陷检测方法

作为一种传统的纺织产品,金属丝网在工业生产、日常生活、科研等领域起着举足轻重的作用,而金属丝网在编制过程中,表面会产生斑点、断线等缺陷,严重影响金属丝网的质量。为保障产品质量,研究了一种基于改进Faster RCNN算法的金属丝网表面缺陷检测方法。首先,为提高模型缺陷特征提取能力,特征提取网络选用深度残差网络(ResNet50)代替原视觉几何群网络(VGG16),并引入注意力模块;随后,训练过程中利用有预热的余弦退火学习率衰减机制,以提高网络检测精度;同时引入k-means算法和遗传算法,设计了更适合金属丝网数据集的锚框尺寸,以提高候选框的精度,解决缺陷定位不准的问题。经实验验证,利用改进Faster RCNN算法检测的平均精度均值(mean average precision,mAP)达86.95%,较原Faster RCNN算法提高18.81%,为金属丝网缺陷的检测提供了一个有效可行的方案。

基于改进Faster RCNN的钢板表面缺陷检测研究

钢铁是我国工业生产的重要原材料之一,其表面质量问题会直接影响产品的使用,从而带来无法预知的风险,故对钢铁表面进行缺陷检测具有重要意义。而在缺陷检测过程中,存在因裂痕缺陷特征不明显,导致缺陷定位不准确以及检测难度高等问题。针对以上问题,本研究提出一种改进的Faster RCNN算法,在主干特征提取网络上引入自适应模块,增强网络提取有效特征的能力,同时使用DBSCAN聚类算法取得合适的先验框,大大提高了算法的检测效率。实验结果表明,改进的Faster RCNN算法模型对不明显的缺陷特征检测能力大幅度的提升,相比其他检测算法,在钢板表面缺陷检测中能达到高质量、缺陷定位准确、分类成功率高的效果。

嵌入CBAM的改进Faster RCNN眼底微动脉瘤检测方法

眼底微动脉瘤检测可以有效地预防和控制糖尿病性视网膜病变,在临床应用中具有重要的意义,但该病灶的目标区域较小且存在眼底出血和其他结构的干扰,同时眼底图像存在亮度、对比度不均的问题,给检测任务带来了巨大挑战。针对此问题提出一种基于Faster RCNN网络的微动脉瘤小目标检测方法,先对数据集进行以病灶为中心的分块处理,提升目标区域的占比;再将主干网络替换为特征表达能力强的ResNet网络,并引入注意力机制,结合加入融合因子的特征金字塔模块进行多尺度特征融合,改善主干网络提取小目标特征信息的能力,增加其对目标区域的关注程度。实验结果表明,算法在E-Ophtha MA数据集上取得了良好的检测效果,精确率为91.3%,召回率为80.2%,较原模型精确率提高了13.1%,召回率提高了8%,且与其他方法相比检测效果更好。

基于Transformer改进的Faster RCNN在复杂环境下的车辆检测

在监控视角中目标车辆较小、遮挡较为严重,导致检测精度低。通过探讨卷积神经网络和Transformer模型的互相借鉴和联系,并结合损失函数等常规改进,提出了新的Faster RCNN模型。通过借鉴Transformer模型的思想,对原有的特征提取网络进行了改进,将原block比例3∶4∶6∶3改为3∶3∶27∶3、卷积核由3×3改为7×7,增大其感受野,能够更好捕捉图像中的全局特征,使用DW卷积来减少参数量并略微提高性能,使用Channel shuffle解决通道间信息不交流的问题。将原先交并比IoU改为CIoU,与改进后的特征提取网络结合,进一步提高小目标和遮挡目标的检测效果。在UA-DETRAC数据集上,改进后的模型在mAP@0.5:0.95方面比原算法提高了20.20%,并在大、中、小目标下分别提高了15.8%、23%和45.8%,相较于其他模型,如YO⁃LOv7、YOLOv5和Cascade RCNN,mAP@0.5:0.95分别提高了3.3%、5%和6.69%。

多尺度特征融合改进Faster RCNN的铝材表面缺陷辨识

针对铝型材表面缺陷类型多样、缺陷特征复杂,难以自动检测的问题,设计了一种基于改进Faster RCNN的铝材表面缺陷检测模型。以感兴趣区域校准代替感兴趣区域池化,减少Faster RCNN模型自身量化产生的缺陷定位误差;以Darknet-53结合特征金字塔为主干网络提高对微小缺陷的提取能力;利用热重启的余弦退火策略更新模型的学习率,进一步加速模型收敛,提高模型检测精度。通过实际的铝型材表观缺陷数据进行测试,该方法对铝型材表面缺陷识别的平均准确率达到96.5%,单张图片检测时间为0.373 s。综合分析表明,所构建的多尺度特征融合改进Faster RCNN的铝材表面缺陷辨识模型,能够达到工程界对铝型材表观缺陷进行缺陷辨识的实际应用需求。

基于Faster RCNN的轻量化车辆测距模型

道路上车辆安全事故的发生常见于车辆之间不同程度的碰撞,多是由于车辆没有保持安全的行驶距离,因此在实际道路行驶中,对于车辆距离感知至关重要。本文基于Faster RCNN深度神经网络对目标车辆进行识别,利用Inception v2模型对原有网络结构进行调整,在保持目标特征量的同时减少计算量,提升模型收敛速度。同时基于数据回归原理搭建图像像素与实际距离映射模型,隐性解决了单目相机成像过程中存在的畸变问题。实验结果表明,搭建的模型对车辆识别的精度达到82.83%,在前方40 m范围内车辆测距误差小于4%,可以实现前方目标车辆的距离判断,为安全驾驶决策提供理论依据。

基于改进Faster RCNN的PCB表面缺陷检测研究

印刷电路板(PCB)在制造过程中不可避免地存在焊点缺焊、短路、毛刺、缺口、开路、余铜等微小缺陷。传统的基于机器视觉检测的缺陷检测方法存在检测速度慢、误检率和漏检率高、抗干扰能力弱等问题。为解决上述问题,提出一种基于改进快速区域卷积神经网络(Faster RCNN)的PCB表面缺陷检测方法。首先,在传统Faster RCNN框架的基础上,融入扩展特征金字塔网络(EFPN)以实现特征提取与融合,并进行多尺度检测,从而尽可能保留图像细节信息以提高检测性能。其次,利用K-means算法结合交并比(IoU)优化区域建议网络(RPN)结构中的锚框参数,使得生成的锚框方案更有针对性。试验结果表明,改进Faster RCNN在PCB缺陷数据集上的全类平均正确率(mAP)值达到93.4%、检测速度达到每秒21.79帧。所提方法可推广应用至芯片、光学器件表面微小缺陷在线检测,从而提升工业生产效率。

改进Faster RCNN with FPN的素布瑕疵检测的算法研究

纺织行业中的布匹检测仍存在采用人工检测的情况,人工检测效果受工人主观影响较大,易发生检测效率的降低和瑕疵的漏检误检。针对这种现状,探究素布瑕疵检测的算法,改进Faster RCNNwith FPN目标检测算法。首先,为了提升Faster RCNNwithFPN对于多尺度特征的融合能力,丰富各个特征层的上下文信息,引入跨尺度特征融合模块来改进特征金字塔网络结构。其次,为了更好的利用深层特征,加入尺度内特征交互模块来处理ResNet50输出的深层特征层,丰富高级特征层的语义信息。然后,为了增强对于极端尺寸瑕疵目标的检测能力,使用K-means++聚类和遗传算法,改进预设锚框。最后,由于素布瑕疵的尺寸较小,为了平衡正负样本,采用Focal Loss,增加对于素布瑕疵的检测效果。经过实验,使用COCO指标进行评价,该改进后的网络模型与Faster RCNNwithFPN相比,在mAP_(50)、mAP_(75)和mAP_(50:95)指标上分别提升6.5%、4.4%和4.0%,平均准确率有了明显提升,可以更好地完成素布瑕疵的检测任务。

基于改进的Faster RCNN的仪表自动识别方法

在环境复杂的工业场景中,仪表盘存在类别多、相似性高等问题,导致检测的识别效果较差、准确率不高。针对这一问题,提出了一种基于改进的更快速的区域卷积神经网络(Faster RCNN)的仪表自动识别方法。首先,采用残差网络(Resnet)101代替视觉几何群网络(VGG)16,进行了网络结构简化;然后,引入了特征金字塔网络(FPN),并将其改进为递归特征金字塔网络后进行了迭代融合,输出了特征图;接着,引入了注意力机制模块,根据特征的重要程度,完成了对输出通道权值的重新分配,增强了Faster RCNN对目标的运算能力;提出了改进非极大值抑制算法(Softer-NMS),通过降低置信度来确定准确的目标候选框;最后,采用Mosaic数据增强技术对可视对象类(VOC)2007数据集进行了扩充,对改进后的Faster RCNN模型进行了仪表自动识别的实验。研究结果表明:在相同工业环境下,与传统的Faster RCNN算法模型相比,改进后的Faster RCNN模型准确率为93.5%,较原模型提高了3.8%,mAP值为92.6%,较原模型提高了3.7%,可见该方法在实际生产中具有较强的鲁棒性与泛化能力,可满足工业上对智能检测的要求。

基于改进Faster RCNN的化纤丝缺陷检测

为提高化纤丝生产加工中出现的断线和疵点类缺陷的检测精度,对Faster RCNN算法进行改进。首先,在主干特征提取网络上加入可变形卷积模型,以提高网络对不同缺陷特征的适应性;其次,采用递归特征金字塔(Recursive Feature Pyramid,RFP)结构替换原特征金字塔网络(Feature Pyramid Network,FPN),进行二次特征提取;最后,改进损失函数,采用Rank&Sort Loss(RS Loss)函数替代原分类损失函数,解决化纤丝2类缺陷样本量相差较大问题。对比实验后得出,改进后的方法训练得到的mAP值为84.7%,较初始模型提高了4.3%,可以满足实际生产加工中对化纤丝缺陷的智能检测要求。

基于改进Faster RCNN的舌部多纹理检测

为更加高效、并行地实现舌部多纹理的识别,提出一种基于Faster RCNN的改进舌部多纹理检测方法。首先,使用可变形卷积重塑主干提取网络中的卷积层并进行可变形池化,通过实际情况调整自身形状提取目标特征,以降低漏检率;其次,引入注意力机制scSE,通过增强有意义特征提高纹理表达能力;在目标相互掺杂且目标尺度差异较大的背景下,使用加权双向特征金字塔网络进行特征融合,以提升目标检测的准确率,最后进行迁移学习。实验结果显示该方法使所有类别平均精度达到0.935,较原始Faster RCNN模型提高了0.457,说明改进后的模型能有效解决目标掺杂和多尺度差异问题,具有较高的检测精度。

基于Faster RCNN的燃气轮机滑油管红外监测与识别

燃气轮机滑油管状态红外监测是开展滑油管故障诊断的基础,开展燃气轮机滑油管红外监测与识别研究对及时掌握燃气轮机的工作状态有重要意义。本文依据在不同工况下实验采集得到的某型燃气轮机滑油管的红外热像图,采用Faster RCNN算法对得到的图像进行训练和识别,结果显示该算法能够精确识别燃气轮机的滑油管等不同部位。对比4种迁移网络的训练和测试结果,发现在有背景干扰情况下Resnet50迁移网络对滑油管部件的识精度不高,而在兼顾网络检测时间和目标识别精度的情况下Vgg16迁移网络最优。

基于改进Faster RCNN的驾驶员手持通话检测

针对现有驾驶员通话行为识别误判率较高的问题,提出一种基于改进Faster RCNN的驾驶员行为检测方法,对驾驶员的违规手持通话进行检测.介绍了针对区域建议网络(RPN)及其损失函数的优化策略,并在原始Faster RCNN上运用多尺度训练、增加锚点数量以及引入残差扩张网络的方法增强网络检测不同尺寸目标的鲁棒性.基于车载平台上采集的驾驶员行为图像,对文中提出的方法进行仿真试验.结果表明:RPN和Faster RCNN通过交替优化共享特征提取网络部分,实现高效的目标检测,相较于原始Faster RCNN,检测精确度提高了3.8%,对环境的适应性更强.

基于改进Faster RCNN的少样本目标检测算法

当前大部分目标检测都依赖于大规模的标注数据集来保证其检测的正确率,而在实际场景中,大量数据的获取是十分困难的,且对数据的标注也需要花费大量人力物力。针对这一问题提出了一种基于Faster RCNN的少样本目标检测算法(CA-FSOD),在目标类别仅有少量标注样本的情况下,对目标样本进行检测。为了提高检测性能,首先提出了CBAM-Attention-RPN模块,减少无关候选框的数量;其次提出了全局-局部关系检测器模块,通过关联少量标注样本和待检测样本的特征,获取与目标类别更相关的候选区域;最后提出了基于余弦Softmax损失的分类器作为目标检测的分类分支,能有效地聚合同类别特征、降低类内方差、提高检测精度。为了验证所提算法,在MS COCO数据集上进行了训练和测试,实验结果表明,该方法的AP50为21.9%,优于目前一些少样本目标检测算法。

基于改进的Faster RCNN碳纤维编织物缺陷检测

以碳纤维立体编织物表面质量检测为研究对象,针对传统视觉识别率不高、小缺陷特征定位和识别不够准确的问题,提出基于改进的Faster RCNN缺陷检测算法。选取ResNet50作为主干特征提取网络,解决小缺陷特征图在卷积操作中的失真情况;采用Soft-NMS算法替换传统的NMS算法,以降低缺陷重复图像的误删;采用RoI Align层替换RoI Pooling层,以降低两次量化取整操作带来的缺陷特征定位误差。在PyTorch框架上对PASCAL VOC2007格式的缺陷图像数据集进行训练和测试。结果表明:改进的Faster RCNN平均精度均值为92.7%,相比原始Faster RCNN网络提升了3.8个百分点,其中毛刺等小缺陷特征识别平均精度提升了5.6个百分点。认为:基于改进的Faster RCNN模型可以满足碳纤维立体编织物表面质量检测要求。

基于改进Faster RCNN的钢线圈头部小目标检测算法

针对钢线圈剪切自动化中数据难以收集、钢线圈头部像素面积小及位置不确定等问题,提出一种改进Faster RCNN钢线圈头部小目标检测算法。对于目标像素面积占比小,区别特征不明显的问题,通过加入FPN对融合特征进行检测,同时,在网络中加入PAM并行注意力模块,提高特征图质量和区域建议网络生成的预选框质量。实验表明,改进后的网络在VOC2007数据集上mAP比原始Faster RCNN提高了约5%;在钢线圈数据集上mAP比原始Faster RCNN提高了约4%,实验表明改进算法具有一定的有效性。

基于改进Faster RCNN的射线图像焊缝缺陷检测方法

针对X射线图像中小目标缺陷检测和多尺寸缺陷检测的问题,提出一种基于改进Faster RCNN的焊缝缺陷检测算法。首先,该算法采用ResNet50、特征金字塔网络作为Faster RCNN检测网络的主干网络,达到在多个特征图上检测不同尺寸缺陷的目的;然后在主干网络前增加背景减去网络层,来降低图像背景对小目标缺陷的干扰;接着利用三支路区域推荐网络层细化原始区域推荐网络层中候选框的预测任务,从而减少候选框数量、优化检测速度;最后对网络中卷积层的数量进行微调,增强网络特征提取能力。实验结果表明,改进网络的均值平均精度和每张图像检测速度分别为83.09%、20.8 ms,相比改进前的网络,预设的锚框增加了10779个,检测速度仅仅降低了3.1 ms,均值平均精度提高了19.43%。改进网络在保证检测速度的基础上,有效提高了对小目标缺陷和多尺寸缺陷的检测效果。

改进Faster RCNN的瓷砖表面瑕疵检测研究

针对瓷砖表面瑕疵中存在极小瑕疵目标,瑕疵形态差异较大,易出现漏检、准确率低等问题,提出了一种改进Faster RCNN的瓷砖表面瑕疵检测算法。在Faster RCNN的特征提取网络resnet101的后三个阶段引入可变形卷积,自适应地学习瑕疵特征。优化区域建议网络,通过对瓷砖数据集的分析,改进锚点生成参数,使得生成的锚框更加契合目标尺度,定位更加准确。优化损失函数,引入Rank&Sort Loss,减少超参数数量,提高模型性能,使其对训练中类别不平衡问题更加鲁棒。实验结果表明,改进后算法的mAP为76.3%,比原始Faster RCNN算法提高了17.9个百分点,可以更好地检测小目标瑕疵,满足瓷砖表面瑕疵检测的要求。

基于改进Faster RCNN的轮对踏面缺陷检测

针对目前传统图像处理算法对踏面缺陷检测存在效率不高、对环境鲁棒性不足等问题,本文提出基于改进Faster RCNN的踏面缺陷检测方法。改进的网络首先使用Resnet50作为特征提取网络,并在特征金字塔层(FPN)特征融合输出部分加入自注意力机制,加强了检测网络对小缺陷的检测能力,最后使用K-means++聚类算法对踏面缺陷数据集锚框进行聚类,并通过聚类结果定制出更适合轮对踏面缺陷的锚框。实验结果表明,改进后的Faster RCNN网络对轮对踏面缺陷检测的平均检测速度为68 ms,平均精度(mAP)达到了97.3%,对小目标缺陷的检测精度(mAP^(small))达到了39.3%。

基于改进Faster RCNN算法的X光违禁物品检测

X光违禁物品检测在保护公共社会安全中起着重要的作用,随着深度学习的发展,智能安检也发展迅速。针对违禁物品大小不一、物品之间相互遮挡等特点,本文提出一种改进Faster RCNN算法。该算法用具有更优图像特征提取特性的ResNeXt网络替换原来的VGG16网络,引入FPN网络以适应各种尺度的违禁物品,使用CIoU损失函数代替原来的SmoothL1损失函数。将改进后的Faster RCNN算法在OPIXray数据集上进行测试,实验结果表明,mAP值较原算法提升了12.4%,且对比当前主流目标检测框架YOLOv5、YOLOX的mAP值分别高出2%和2.2%。