基于I-OHEM的输电线路防外破目标检测方法研究

在电力系统中,及时有效地识别并排除高压输电线路外破风险隐患对保障电力系统的安全运维具有非常重要的作用。基于深度学习的目标检测技术能够有效识别输电线路安全区域内的工程机械和导线异物等可疑危险目标,降低输电线路的外破风险。针对外破隐患识别问题,基于工业界广泛应用的目标检测算法模型YOLOv3来进行输电线路防外破目标检测,提出了一种改进版的在线困难样本挖掘(I-OHEM)算法,对YOLOv3网络结构进行了改进和优化。结果表明,改进后的算法在保证实时性的要求下,提高了目标检测的准确度。

基于YOLOv3和OHEM的门机歪拉斜吊检测系统

防止歪拉斜吊对保障门机(又称龙门吊)安全工作有重要意义,提出了一种基于YOLOv3和OHEM的门机歪拉斜吊检测系统。该系统采用YOLOv3和SSD来识别目标,同时采用OHEM来解决数据集中简单样本和困难样本之间的不平衡问题。在检测过程中,结合定义的斜度角和歪度角公式判断是否超过阈值。实验结果表明,该检测系统具有良好的准确性和鲁棒性。

基于改进Swin Transformer的舰船目标实例分割算法

针对反舰武器图像制导目标实例分割精度低,模型中上下文语义交互不充分,特征融合推理速度慢,数据集难易样本不均衡导致训练效果差等问题,提出了一种基于改进滑动窗口的Transformer(shifted windows Transformer,Swin Transformer)的舰船目标实例分割算法。设计了局部增强感知模块用以拓展感受野,加强语义交互能力;采用反向特征金字塔网络进行特征融合,提高算法处理速度;使用在线困难样例挖掘,改善数据集样本不均衡问题,提升网络训练效果。实验结果表明,改进后的算法相较基线算法在分割准确率上提升了1.5%,在处理速度上提高了1.3%,兼具精度和速度优势。

基于难分样本挖掘的快速区域卷积神经网络目标检测研究

针对经典的快速区域卷积神经网络(Faster RCNN)训练过程存在太多难训练样本、召回率低等问题,该文采用一种基于在线难分样本挖掘技术(OHEM)与负难分样本挖掘(HNEM)技术相结合的方法,通过训练中实时筛选的最大损失值难分样本进行误差传递,解决了模型对难分样本检测率低问题,提高模型训练效率;为更好地提高模型的召回率和模型的泛化性,该文改进了非极大值抑制(NMS)算法,设置了置信度阈值罚函数,又引入多尺度、数据增强等训练方法。最后通过比较改进前后的结果,经敏感性实验分析表明,该算法在VOC2007数据集上取得了较好效果,平均精度均值从69.9%提升到了74.40%,在VOC2012上从70.4%提升到79.3%,验证了该算法的优越性。

融合多尺度多头自注意力和在线难例挖掘的小样本硅藻检测

硅藻训练样本量较少时,检测精度偏低,为此在小样本目标检测模型TFA(Two-stage Fine-tuning Approach)的基础上提出一种融合多尺度多头自注意力(MMS)和在线难例挖掘(OHEM)的小样本硅藻检测模型(MMSOFDD)。首先,结合ResNet-101与多头自注意力机制构造一个基于Transformer的特征提取网络BoTNet-101,以充分利用硅藻图像的局部和全局信息;然后,改进多头自注意力为MMS,消除了原始多头自注意力的处理目标尺度单一的局限性;最后,引入OHEM到模型预测器中,并对硅藻进行识别与定位。把所提模型与其他小样本目标检测模型在自建硅藻数据集上进行消融及对比实验。实验结果表明:与TFA相比,MMSOFDD的平均精度均值(mAP)为69.60%,TFA为63.71%,MMSOFDD提高了5.89个百分点;与小样本目标检测模型Meta R-CNN和FSIW相比,Meta R-CNN和FSIW的mAP分别为61.60%和60.90%,所提模型的mAP分别提高了8.00个百分点和8.70个百分点。而且,MMSOFDD在硅藻训练样本量少的条件下能够有效地提高检测模型对硅藻的检测精度。

基于Faster R-CNN的人体行为检测研究

由于人体行为类内差异大,类间相似性大,而且还存在视觉角度与遮挡等问题,使用人工提取特征的方法特征提取难度大并且难以提取有效特征,使得人体行为检测率较低。针对这个问题,本文在物体检测的基础上使用检测效果较好的Faster R-CNN算法来进行人体行为检测,并对Faster R-CNN算法与批量规范化算法和在线难例挖掘算法进行结合,有效利用了深度学习算法实现人体行为检测。对此改进算法进行实验验证,验证的分类和位置精度达到了80%以上,实验结果表明,改进的算法具有识别精度高的特点。

基于Faster R-CNN的光刻热点检测

光刻热点检测是集成电路可制造性设计的一项重要环节。已有研究将卷积神经网络应用于光刻热点的检测,但在卷积运算的重复性、检测结果准确度等方面存在较多问题。为了解决上述问题,提出一种基于Faster R-CNN并结合在线难例挖掘和软性非极大值抑制的光刻热点检测算法。采用ICCAD 2012Contest的版图基准作为验证载体。实验结果表明,该算法能有效提高检测的精度和效率,平均检测耗时为0.6h/mm2,召回率为96.1%,精确率可达40.3%。

基于卷积神经网络的车辆和行人检测算法

针对传统的车辆和行人检测算法在提取特征时鲁棒性较差的问题,提出一种基于深度学习的车辆和行人检测算法。该算法利用更快速的区域卷积神经网络(Faster RCNN)开源框架和Squeezenet网络,通过在线负样本学习(OHEM)算法和可变的非极大值抑制(Soft-NMS)算法来改进算法的检测精度。首先采用Squeezenet网络框架对图片提取特征,然后通过区域提取网络算法(RPN)获取图片中待检测的区域,最后在检测阶段加入OHEM算法对疑难样本进行重新学习和Soft-NMS抑制重叠矩形框,从而得到目标的得分和边界框。结果表明,基于卷积神经网络的车辆和行人检测算法能够获得较好的检测效果。

基于改进Faster-RCNN的机场场面小目标物体检测算法

针对目前应用于机场视频监控中的卷积神经网络方法存在小目标物体识别准确率较低的问题,本文提出了一种基于Faster-RCNN并结合多尺度特征融合与在线难例挖掘的机场场面小目标检测算法。该算法采用ResNet-101作为特征提取网络,并在该网络基础上建立了一个带有上采样的“自顶向下”的特征融合模块,以生成语义信息更加丰富的高分辨率特征图。并在网络训练过程中,采用在线难例挖掘的训练策略使模型更加鲁棒地对小目标样本进行定位。最后,手工构建了一个包含5982张图片的机场数据集,用于检测模型的训练和测试。结果表明,本文所提出算法显著提升了机场场面小目标物体检测的准确率,且使整体平均检测准确率达到了80.8%,该结果高于其他先进的目标检测模型。

基于改进Faster-RCNN的自然场景人脸检测

为实现对自然场景下小尺度人脸的准确检测,提出一种改进的Faster-RCNN模型。采用ResNet-50提取卷积特征,对不同卷积层的特征图进行多尺度融合,同时将区域建议网络产生的锚框由最初的9个改为15个,以更好地适应小尺度人脸检测场景。在此基础上,利用在线难例挖掘算法优化训练过程,采用软非极大值抑制方法解决漏检重叠人脸的问题,并在训练阶段通过多尺度训练提高模型的泛化能力。实验结果表明,该模型在Wider Face数据集上平均精度为89.0%,较原Faster-RCNN模型提升3.5%,在FDDB数据集上检出率也高达95.6%。

基于深度卷积神经网络的糖尿病视网膜病变分期及病灶检测

针对糖尿病视网膜病变(DR)图像分辨率过大、病灶特征过于分散难以获取以及正负难易样本不平衡而导致DR分期精确率一直无法得到有效提高的问题,提出了改进的基于快速区域的卷积神经网络(Faster R-CNN)和子图分割相结合的DR分期方法。首先,使用子图分割解决视盘区域对于病灶识别的干扰问题;其次,在特征提取阶段使用深度残差网络以解决病灶在高分辨率眼底图像中占比小而导致的特征难以获取的问题;最后,在感兴趣区域(ROI)生成时采用在线困难样本挖掘(OHEM)方法解决正负难易样本不平衡的问题。在国际公开数据集EyePACS进行DR分期实验,所提方法在DR病分期中精确率0期达到94.83%,1期达到86.84%,2期达到94.00%,3期达到87.21%,4期达到82.96%。实验结果表明,改进后的Faster R-CNN能对DR图像高效分期并自动标注出病灶。

基于生成对抗网络和线上难例挖掘的SAR图像舰船目标检测

基于深度学习的SAR图像舰船目标检测算法对图像的数量和质量有很高的要求,而收集大体量的舰船SAR图像并制作相应的标签需要消耗大量的人力物力和财力。该文在现有SAR图像舰船目标检测数据集(SSDD)的基础上,针对目前检测算法对数据集利用不充分的问题,提出基于生成对抗网络(GAN)和线上难例挖掘(OHEM)的SAR图像舰船目标检测方法。利用空间变换网络在特征图上进行变换,生成不同尺寸和旋转角度的舰船样本的特征图,从而提高检测器对不同尺寸、旋转角度的舰船目标的适应性。利用OHEM在后向传播过程中发掘并充分利用难例样本,去掉检测算法中对样本正负比例的限制,提高对样本的利用率。通过在SSDD数据集上的实验证明以上两点改进对检测算法性能分别提升了1.3%和1.0%,二者结合提高了2.1%。以上两种方法不依赖于具体的检测算法,且只在训练时增加步骤,在测试时候不增加计算量,具有很强的通用性和实用性。

基于改进Faster R-CNN的超新星目标检测方法

在进行超新星目标检测时,图像背景复杂、目标较小以及正负样本不平衡导致图像对比不明显和特征提取难度大等问题。为此,从数据合成、特征提取网络优化等方面对Faster R-CNN算法进行改进,提出一种超新星目标检测方法。将每组图像进行合成以提高图像的对比度。针对特征提取难度大的问题,使用深度残差网络提取合成图像的特征,并将顶层特征依次与低层特征相融合,构建特征金字塔网络,使每一层网络都具有较强的语义信息。采用在线难例挖掘方法对高损失样本进行训练,以处理正负样本不平衡的问题,从而提高算法的检测性能。实验结果表明,与原始Faster R-CNN算法相比,该算法的Score与F1值分别提高8.51%和45.52%,且其检测性能与泛化能力均较高。

基于改进Faster R-CNN的轮胎缺陷检测方法

轮胎生产过程中出现的胎侧异物、胎冠异物、气泡、胎冠开根以及胎侧开根等缺陷会影响轮胎出厂后的使用,所以出厂使用前需要对每条轮胎进行无损检测。为了实现在工业中对于轮胎缺陷进行自动检测,提出了一种基于改进Faster R-CNN的轮胎缺陷自动检测方法。首先,在预处理阶段,用直方图均衡化方法对轮胎图象的灰度进行拉伸,提高数据集的对比度,使图像目标和背景的灰度值产生明显差异;其次,为提高轮胎缺陷位置检测和识别的准确率,对Faster R-CNN结构进行改进,即把ZF卷积神经网络中第三层的卷积特征和第五层的卷积特征结合后输出,并将其作为区域建议网络层的输入;然后,在RoI pooling层之后引入在线难例挖掘(OHEM)算法,使轮胎缺陷检测的准确率得到进一步的提高。实验结果表明,改进后的Faster R-CNN的轮胎缺陷检测方法可以准确地分类和定位轮胎X射线图像缺陷,平均测试准确率可以达到95.7%。此外,还可以通过对网络进行微调来获得新的检测模型以检测其他类型的缺陷。