基于CR-RFPR101的钢板表面缺陷检测

针对钢板表面缺陷种类多、背景复杂、检测精度低等问题,文章首先对钢板表面缺陷数据集进行数据增强,并对原始Cascade区域卷积神经网络(region-basedconvolutional neural netwroks,R-CNN)算法进行改进,将ResNeXt-101-64×4d作为Cascade R-CNN算法的骨干网络,优化特征提取模块,利用递归特征金字塔(recursive feature pyramid,RFP)网络以反馈连接的方式进行特征优化,提出一种CR-RFPR101(Cascade R-CNN RFP ResNeXt-101-64×4d)的检测算法,以更好地保留细节和语义信息;同时使用可切换的空洞卷积替换主干网络的卷积层,以改变感受野的方式提高检测性能;最后使用引入软化非极大值抑制算法,保留有效信息,提高识别率。经实验验证,CR-RFPR101算法的检测率为83.4%,比原Cascade R-CNN算法提高了7.3%,满足了钢板表面缺陷检测要求。

基于鸟瞰视图的递归特征金字塔语义分割方法

针对现有自动驾驶场景的鸟瞰视图(BEV)语义分割方法的特征提取效果差、视角转换方法老旧以及交通环境语义分割效果不佳的问题,提出一种基于鸟瞰视图的递归金字塔的语义分割方法,简称为IRFPN。传统金字塔特征提取网络包含自底向上、自顶向下以及横向链接三部分,特征提取效果有待提高。鸟瞰视角转换方面只使用传统的逆透视变换处理车载相机拍摄的图片,不能对相关语义进行很好的保留。为改善上述不足,将递归特征金字塔结构和极射线映射相结合。实验结果表明,IRFPN在nuScenes数据集中常见类别语义分割精度提升了0.4%,对驾驶区域的预测精度提升了2.1%,相比传统的金字塔特征提取网络效果好,对各常见交通环境语义特征有更好的保留,对复杂的交通环境具有较好的鲁棒性。

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YOLOv4-tiny改进的交通标志识别算法

针对交通标志目标识别精度较低、速度慢并且模型参数量过大的问题,论文提出一种改进YOLOv4-tiny识别算法,在特征提取阶段引入深度可分离卷积轻量化主干网络并降低模型的参数量和计算量。在特征融合阶段使用递归特征金字塔(RFP)进行多尺度特征融合。在TT100K数据集上验证改进算法的平均精度均值达到88.5%,相比YOLOv4-tiny提升4.6%,模型大小仅为17MB是YOLOv4-tiny的56%,改进算法降低了模型大小和计算量并提升检测精度和速度。

基于反馈机制与空洞卷积的道路小目标检测网络

随着卷积神经网络与特征金字塔的发展,目标检测在大、中目标上取得了突破,但对于小目标存在漏检、检测精度低等问题。在YOLOv4算法的基础上进行改进,提出YOLOv4-RF算法,进一步提高模型对小目标的检测性能。使用空洞卷积替换YOLOv4中Neck部分的池化金字塔,在网络更深处减少语义丢失的同时获得更大的感受野。在此基础上,对主干网络进行轻量化并增加特征金字塔到主干网络的反馈机制,对来自浅层与深层融合的特征再次处理,保留更多小目标的特征信息,提高网络分类和定位的有效性。鉴于小目标物体属于困难检测样本,引入Focal Loss损失函数,增大困难样本的损失权重,形成YOLOv4-RF算法。在KITTI数据集上的实验数据表明,YOLOv4-RF在各个类别上的检测精度均高于YOLOv4,并在模型缩小138 MB的基础上提高了1.4%的平均精度均值(MAP@0.5)。

面向复杂交通场景的道路目标检测方法

针对复杂交通场景下小目标检测精度低,容易出现误检和漏检的问题,提出一种基于改进YOLOv5s的道路目标检测算法YOLOv5s-MRS。提出基于反馈机制的特征提取网络(RFP-PAN),增加浅层特征层与反馈连接并设计IASPP模块,充分融合不同尺度的特征信息,提升网络的特征融合能力;提出级联注意力机制(SECA),在通道和空间维度上聚焦重要特征,让算法关注更加有用的信息;利用Ghost模块的轻量化优势,降低算法的参数量、计算量和模型占用空间。实验结果表明,YOLOv5s-MRS算法在KITTI数据集和VisDrone2021 DET数据集上的检测精度分别达到了93.4%和40.8%,相比原始算法分别提高了1.6和8.6个百分点,模型大小为12.9 MB,在保证实时性的同时具有良好的检测精度,在一定程度上解决了小目标的漏检和误检问题。

基于YOLACT-RFX模型的穴盘甘蓝苗株分割算法

温室作物长势分析是近年来农业信息化领域中的研究热点,目前国内温室多用穴盘育苗的方式,其密集种植的特点和复杂的背景干扰给穴盘苗株的分割识别任务带来挑战。提出一种基于YOLACT-RFX的分割算法实现对穴盘内甘蓝苗株的高精度分割和苗期识别。通过引入递归特征金字塔结构加强甘蓝苗株叶片边缘处的特征提取能力,改进相邻穴盘孔位中相互干扰苗株的分割性能。在递归特征金字塔结构中利用空洞空间金字塔池化结构对尺寸和形状快速变化的甘蓝苗株进行特征识别。最后,融合ResNeXt主干网络提升算法精度,加快模型收敛速度。基于甘蓝苗自建数据集验证所提算法的有效性,实验结果表明,当交并比为0.5时,YOLACT-RFX算法的各类平均精度为84.4%,平均召回率为92.7%,相较于YOLACT算法分别提升了3.6%和3.9%。在同等情况下,分割效果优于MASK-RCNN、SOLO、QueryInst等算法。改进后的YOLACT-RFX算法可实现对不同生长期内甘蓝穴盘苗株的高精度分割,为温室自动化甘蓝苗期管理提供技术基础。

基于机器视觉的小样本零部件表面DD

现有汽车零部件表面缺陷检测方法大多数都是依靠人工目检或传统的图像处理方法,其检测精度和速度都不能满足零部件工厂需求。由于汽车零部件的残次率低,导致可用的数据量少,一般的深度学习模型不能很好地应用于汽车零部件表面缺陷检测。针对上述问题,提出一种基于机器视觉的小样本汽车零部件表面缺陷检测方法。上述方法在Faster RCNN检测网络基础上,采用指导框区域候选网络改进原有的区域候选网络,并且利用聚焦式损失函数来进一步改善正负样本不均衡的问题,同时加入循环特征金字塔结构以及组合特征关系检测器。在汽车零部件表面缺陷数据集和小样本FSOD数据集上的实验结果表明,小样本汽车零部件表面缺陷检测模型较好地实现了在小样本零部件数据条件下对零部件表面缺陷的检测。

融合递归特征金字塔的病原微生物检测

针对病原微生物的检测研究较少且目标尺寸相差较大、背景复杂问题,提出了一种融合递归特征金字塔的病原微生物多尺度检测方法。考虑到有些病原微生物的特征与正常细胞有一定的相似性,在YOLOv5特征提取阶段引入混合注意力模块CBAM,可以增强病原微生物的显著度,降低了病原微生物的误诊率。由于尺寸较小的病原微生物在下采样过程会丢失重要特征,在特征融合阶段使用递归特征金字塔RFP和增加小目标的检测层,可以对小目标的特征进行二次提取,丰富语义信息,提高了小目标的检出率,并在二次特征提取模块中使用深度可分离卷积DSConv替换普通卷积Conv,降低了模型的参数量,提升了性能。实验表明,本文算法在病原微生物数据集上的mAP达到了74.9%,相比基线网络YOLOv5提升了4.9%,小目标滴虫的mAP也提高了6.2%。同时在PascalVOC2007、PascalVOC2012和CDetector公开数据集上比基线网络YOLOv5分别提升了1.9%、3.1%和8%。

基于递归特征金字塔的UPSNet全景分割应用研究

在学习研究全景分割方法UPSNet时,发现其骨干网络所提取的特征对子网络的分割结果起到了至关重要的影响。针对UPSNet全景分割算法所提取的特征不能更好地适用于语义分割和实例分割子网络的问题,对其进行改进,将递归特征金字塔网络结构融合到原网络中,提出基于递归特征金字塔的UPSNet全景分割改进算法。该结构将骨干网络提取的特征通过递归的方式二次反馈到骨干网络中,使其再训练得到更好的特征提供给子网络,提升了模型的鲁棒性,从而提升了原网络的性能。将改进的算法在Cityscapes数据集及自行标注的全景分割数据集上与UPSNet及其他优秀的全景分割网络进行了实验对比,结果证明,评价指标PQ(Panoptic Quality)有了较大的提升,改进后的网络更加适用于智能驾驶场景。

基于改进Cascade R-CNN的典型金具及其部分缺陷检测方法

输电线路中典型金具及其缺陷的检测是非常重要的巡检任务。针对由于金具尺度变化大且部分金具为小尺度目标进而导致金具检测精确度低的问题,提出了一种基于改进级联区域卷积神经网络(cascade region convolutional neural networks,Cascade R-CNN)的典型金具及其部分缺陷检测方法。在Cascade R-CNN模型的基础上,采用递归特征金字塔结构进行特征优化,纵向优化层级高级语义特征,横向反馈连接增益主干网络特征图;同时提出使用神经架构搜索(neural architecture search,NAS)获取空洞卷积的空洞率来扩大感受野的方式使卷积对多尺度金具特征提取更有效。实验结果证明:提出的递归特征金字塔与NAS搜索空洞率的空洞卷积相结合改进Cascade R-CNN的方法,在一定程度上解决了金具检测精确度低的问题。其中性能指标值提高了6.72%,最高检测精确度达到了92.34%。该研究为进一步对典型金具进行故障诊断,实现智能巡检奠定了良好的基础。

基于改进Faster R-CNN的水准泡缺陷检测方法

目前水平尺制造行业采用人工方法对水准泡进行出厂检测,其准确率低、速度慢,该文提出一种基于改进Faster R-CNN的水准泡缺陷检测方法。采用ResNet101作为特征提取网络来避免网络退化,同时融合递归特征金字塔(recursive feature pyramid,RFP)得到多尺度的特征图输出,通过主干网络再训练的方式使输出特征图更好地适应模型检测任务。然后针对水准泡数据集样本目标来设计区域生成网络锚框,将得到的多尺度特征图输入区域生成网络进行候选区域提取。最后经过ROI Pooling层后得到水准泡缺陷检测结果。在包含1200张水准泡图像的数据集上进行实验,实验结果表明,融合RFP的Faster R-CNN改进模型能有效提高模型检测准确度,在测试集上的均值平均准确度达96.7%。