基于改进SSD的工件表面缺陷检测

工件的表面缺陷不仅影响外观而且直接影响产品的质量、寿命和性能,因此对工件进行实时表面缺陷检测很有必要。针对当前SSD算法不利于小目标检测易导致误检的情况,提出了一种基于单阶段多层检测器的改进SSD自动检测方法。采用了以ResNet替换SSD中原始的VGGNet的方法,研究了小目标检测的问题;采用了对深层特征进行反卷积且将深层特征与浅层特征融合的方法,研究了语义信息不足易误检的问题。结果表明,该方法较原SSD模型在工件的表面缺陷检测上m AP值提高了约4.6%,从而认为本方法可用于工件表面缺陷的实时自动检测。

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。

基于对比学习的改进SSD目标检测算法

现有基于深度学习的目标检测算法在图像的目标检测过程中存在物体视角的多样性、目标本身形变、检测物体受遮挡、光照性以及小目标检测等问题。为了解决这些问题,本文将对比学习思想引入到SSD(Single Shot MutiBox Detectior)目标检测网络中,对原有的SSD算法进行改进。首先,通过采用图像截块的方式随机截取样本图片中的目标图片与背景图片,将目标图像块与背景图像块输入到对比学习网络中提取图片特征进行对比损失计算。随后,使用监督学习的方法对SSD网络进行训练,将对比损失传入到SSD网络中与SSD损失值加权求和反馈给SSD网络,进行网络参数的优化。由于在目标检测网络中加入了对比学习的思想,提高了背景和目标在特征空间中的区分度。因此所提出的算法能显著提高SSD网络对于目标检测的精度,并在可见光和热红外图像中均取得了令人满意的检测效果。在PASCAL VOC2012数据集实验中,AP50值提升了0.3%,在LLVIP数据集实验中,AP50值提升了0.2%。

基于轻量化SSD的交通标志检测算法

实时精确的交通标志检测是自动驾驶和智能交通的关键技术。针对现有智能检测算法检测复杂真实道路场景下的交通标志速度慢、无法较好地适用于嵌入式终端设备的问题,提出了一种基于轻量化SSD的交通标识检测算法。该算法采用MobileNetV3_large网络替代VGG16网络,可减少模型参数,提高检测实时性;利用添加SE模块的逆残差结构B-neck替换对应的标准卷积增强低层特征层的语义信息;设计改进RFB网络提升小交通标志的检测能力,重新设置预设先验框的尺寸,提升模型对特定数据集的检测能力。实验结果表明,改进SSD算法在中国交通标志检测数据集上的mAP值可达89.04%,比MobileNet-SSD算法提高了5.26%;帧率可达60 frames/s,比SSD算法提高了23 frames/s。所提算法具有较高的实时性和检测精度,对复杂交通环境具有更好的鲁棒性。

基于轻量级MobileNet-SSD模型的人流量检测

利用深度神经网络模型识别行人目标并检测具有十分高的价值。现实高密度行人检测场景中由于硬件基础以及网络性能消耗等问题的影响,常常需要选取处理速度高、硬件条件要求低的网络且同时兼顾视频监控的连续特性,因此选取了轻量级MobileNet-SSD网络来高效处理人头目标并引入帧间差分的方式,来有效对人头的椭圆特征目标进行跟踪;结合相关数理方法实现行人跨线计数的高性能人流量检测解决方案。在不同数据集上同现今一流的检测模型作比较,该方法皆表现出优良的检测性能。

基于RSSD的遥感图像目标检测算法

针对SSD算法检测遥感图像目标时存在容易漏检且检测精度低的问题,提出基于残差SSD网络的遥感图像目标检测算法。该算法在SSD网络结构的基础上,将基准网络模型VGG替换为残差网络模型ResNet-50,通过增加网络深度,充分提取遥感图像小目标数据集的底层特征,引入注意力模块,使感受野更关注目标特征,增强低层网络的信息表征能力,采用特征金字塔融合方法融合网络结构的高层语义特征和低层视觉特征,增强检测目标的定位能力。实验结果表明,该算法增强了复杂背景的干扰抑制性,提高了小目标的检测精度,比传统的SSD算法具有更强的检测性能。

基于深度SSD改进模型的传动设备状态在线监测研究

针对现有传动设备在线监测算法存在的检测精度低、效率差等问题,提出一种基于改进SSD网络模型的在线检测算法;先对故障集进行预处理,通过滤波调制、共振解调等环节滤除原始故障集的噪声干扰;以VGG-16为基础设计了SSD网络结构,同时增加了辅助卷积层和预测层;对SSD网络模型进行改进,引入了注意力机制模块和特征增强模块,改善模型各层的数据共享性能同时提高了模型的数据训练效率;基于通道拼合方式对故障数据进行多尺度特征融合,并优化SSD模型的各层金字塔结构,以更好的匹配先验框及选择最佳的损失函数;实验结果显示,提出算法的传动设备故障检测率达到98.8%,参与对比的3种传统算法故障检测率分别为94.2%、93.6%和93.7%,同时提出算法的检测效率也优于传统算法。

改进SSD的变电站电力设备识别方法

基于机器视觉的变电站设备识别是电力智能巡检的关键环节,在巡检图像上不同设备尺寸差异显著,极大影响了现有算法的识别性能。针对尺寸差异显著的识别对象,提出一种改进的SSD算法用于变电站设备识别任务。该方法主要改进SSD算法的两个重要部分:其一,保证多尺度特征提取,加强大尺度特征图的有效性。其二,优化默认框的生成策略,提出符合尺寸差异显著对象的多种默认框。此外,为增强网络的鲁棒性,采用迁移学习技术和数据增强技术训练电力设备识别网络模型。最后,构建变电站电力设备数据集,并进行实验测试;实验结果表明,论文方法相较于传统SSD算法,召回率提升了42.24%,解决了尺寸差异显著对象的识别问题。

基于超低延迟SSD的页交换机制关键技术

随着内存密集型应用的快速发展,应用对单机内存容量的需求日益增大.然而,受到颗粒密度的限制,内存容量的扩展度较低.页交换机制是进行内存扩展的经典技术,该机制通过将较少使用的内存页面暂存在存储设备,以达到扩展内存的目的.过去页交换机制由于慢速磁盘的读写速度限制,无法被广泛应用.近年来,得益于超低延迟固态硬盘(solid state drive,SSD)的快速发展,页交换机制可以利用其低延迟的读写特性,提升页交换效率.然而,在低I/O延迟的情况下,传统页交换机制的I/O栈存在巨大的软件开销.首先对使用超低延迟SSD的Linux页交换机制进行测试与分析,发现现有页交换机制的主要瓶颈在于发送请求时存在队头阻塞问题、I/O合并和调度开销,以及内核返回路径上的中断处理和直接内存回收开销.基于分析结果,提出基于超低延迟SSD的页交换机制Ultraswap.Ultraswap在Linux I/O栈的基础上增加对轮询请求的处理,并降低I/O合并与调度开销,实现轻量级的I/O栈.基于Ultraswap的I/O栈,对内核页交换机制的换入与换出路径进一步优化.通过优化对缺页、直接内存回收的处理,降低页交换机制关键路径上的时间开销.实验结果表明Ultraswap在应用测试场景下相比Linux页交换机制能够提升19%的平均性能;在可使用内存比例为20%的情况下,Ultraswap可达到33%的性能提升.

基于改进SSD算法的两相把手式开关识别

为协助操作人员准确判断设备开关状态,越来越多的配电站房引入智能巡检机器人进行设备状态监测。在智能巡检机器人参与采集图像数据的硬件基础上,提出了一种改进单激发多框探测器(SSD)图像识别算法,实现了对两相把手式开关的识别。改进SSD算法通过将基于卷积块的注意机制(CBAM)嵌入到SSD算法中,从通道和空间维度中选择有效的特征,抑制不相关的特征,提高模型的识别精度。实验结果表明,改进SSD算法对开关状态目标检测的平均精度(AP)在98.66%以上,平均精度均值(mAP)为99.10%。相较于传统的SSD算法,改进的SSD算法能更好地识别开关状态,提高变电站智能化水平。

基于改进型SSD算法的铁路货场异物侵限小目标检测研究

为解决铁路货场异物侵限场景中小目标检测难度大、准确率不高、检测效果不佳的问题,提出基于特征金字塔网络的改进型单阶多框检测(SSD)算法。通过研究现阶段铁路货场业务管理现状、异物侵限场景及对应的检测技术,对小目标检测现存问题进行归类总结;通过在SSD算法的检测网络部分增加不同特征层信息的金字塔网络结构,提高小目标检测效率。根据改进前后2种算法在铁路货场异物侵限场景的试验数据对比,得出改进型SSD算法推理阶段的检出精度更高,可有效提高小目标检测效率和准确率,为铁路货场智能化安全管控提供有力的技术支撑。

基于改进SSD的自然场景小交通标志检测

为提高在复杂的自然交通场景下对小交通标志检测的准确度,改进了SSD模型。在SSD多个检测层加入并行多尺度特征融合,通过结合深、浅特征层的检测优势,改善了SSD模型在小目标检测方面的不足;在SSD模型的多个检测头分别加入注意力机制模块,增强对小交通标志的特征提取效果;加入focal loss损失函数减小背景对整体损失的贡献,防止背景过拟合。实验结果表明,在复杂自然场景下,改进的方法相比原始模型对小交通标志检测的mAP提升了4.9百分点。

基于SSD和切片双谱的煤机轴承诊断方法研究

针对煤机轴承振动信号受噪声、冲击载荷等因素影响,其故障特征难以提取的问题,提出了基于奇异谱分解(SSD)与切片双谱相融合的故障诊断方法。首先利用SSD将煤机轴承信号分解成若干个奇异谱分量,并计算每个分量的峭度值;然后根据峭度值筛选出的分量进行希尔伯特包络;最后对包络信号进行切片双谱分析得到准确的故障特征频率。现场故障案例表明,该方法几乎可以完全抑制噪声,有效地将强背景噪声下的煤机轴承故障特征频率提取出来,为煤机轴承故障诊断提供了一种新途径。

基于边缘计算改进的MobileNetV1-SSD表面缺陷视觉检测方法

表面缺陷检测是产品质检的重要工序之一,现有边缘端视觉检测大多存在识别率低、模型结构复杂、部署困难、模型推理实时性差等问题。为此,本文以STM32H747微控制器为边缘设备,基于MobileNetV1-SSD轻量化模型,研究了一种融合CBAM注意力机制的表面缺陷视觉检测方法。首先,融合CBAM注意力机制,添加在最后一层的特征提取网络之后,使缺陷目标在检测模型中的特征表达能力得到增强,模型在仅增加少量的参数量的基础上提升模型的检测准确率;其次,对CBAM-MobilenetV1-SSD模型进行预处理;最后,采用X-CUBE-AI工具包在STM32H747微控制器中实现了模型的移植和部署。通过对比实验表明,融合CBAM注意力机制的模型mAP达到83.75%,精度比原算法提高2.75%,参数量仅为1.67M,模型大小为622KB,且部署在边缘设备对软包锂电池表面缺陷检测精度有显著提升。

以YOLO与SSD算法实现无人机自动巡航的可行性及应用策略分析

YOLO和SSD是实时目标检测算法中最常用的两种算法,具有较高的准确性,将二者应用于无人机路径规划的识别和定位,为无人机自动巡航提供行驶路线,可以帮助其安全、高效地完成任务。鉴于此,文章将分析YOLO与SSD算法在无人机自动巡航中的应用可行性,并提出相应的应用策略,为无人机实现更加安全、高效的路径规划和自动巡航提供技术支持,同时为自动化领域的研究提供学术参考帮助。

基于SSD深度学习算法的人脸识别系统设计

针对传统人脸识别存在识别速度慢、准确度低等问题,本文设计了一种基于SSD深度学习算法的自动化人脸识别系统。首先,该系统采用基于深度学习算法的人脸识别方法检测人脸图像,并对关键点进行预测。其次,利用SSD模型提取特征信息后构建本地特征库,完成人脸识别。最后,比较待检测人脸图像向量与本地特征向量间的欧氏距离,判断结果并输出。试验表明,SSD模型在检测与识别上具有较好表现,系统的识别速度超过25f/s,当特征向量间的欧氏距离设定为0.5时,识别准确率高达99.3%。本文设计系统能够提高人脸识别的鲁棒性,具有较高的实时性与识别精度。

一种SSD主控芯片数据加解密模块的设计与验证

为了增强固态硬盘(Solid State Disk,SSD)的数据安全,介绍了SSD主控芯片中一种满足《安全芯片密码检测准则》二级要求设计的数据SM4加解密模块。另外,为了验证模块设计的正确性,介绍了基于通用验证方法学(Universal Verification Methodology,UVM)设计的自动化验证平台,以设计功能点和代码覆盖率为衡量指标,数据加解密模块被该验证平台较充分地验证,最终达到片上系统(System on Chip,SoC)的流片交付标准。

基于改进SSD算法的学生面部及其关键点检测研究

课堂讲授是教学活动的主要形式,学生的课堂学习状态可以通过其面部信息反映出来,为了准确地获取学生的面部信息,提出了一种更加适用于教室中学生的面部及面部关键点检测模型。由于教室中后排落座的同学属于小目标,为了准确检测后排同学,将网络前端的三张特征图进行了融合,使网络对小目标的检测能力有所提升;根据学生面部生理结构的特点,改进了预测候选框的生成比例。为了验证算法的先进性,设计了对比实验,所提的模型在三种难度的数据集上均表现最优。

基于SSD的盲人导航障碍要素识别检测

对于盲人来说,传统的工具很难切实有效地帮助到他们,但是其可以通过传感器来感知周围事物,从而使他们的世界变得不再黑暗。通过使用视觉传感器采集数据,建立数据集,经过SSD算法的学习训练,对目标要素进行识别检测,为盲人群体提供服务。由于实验样本数量较小,学习度不高,检测精度只有18.28%。通过参数调节,对算法添加卷积模块进行改进,增强了特征捕获能力,提高了检测精度。

基于深度学习SSD算法的目标检测研究

传统的目标检测方法在处理高分辨率图像和复杂背景时面临着准确性不足的问题。因此近年来许多研究者将深度学习技术应用于目标检测,旨在提高检测性能和处理速度,其中单次检测多框检测器(single shot multiBox detector,SSD)算法是最常用的基于深度学习技术的目标检测算法之一。本文先对深度学习的基本概念进行了简要阐述,随后对传统SSD算法进行介绍,并针对传统SSD算法的局限性提出了一种新的改进SSD算法,最后通过实验分析,证明了本研究所提出的目标检测策略的有效性。本文旨在通过深度学习技术,进一步提升目标检测算法的性能,为计算机视觉领域提供有效的解决方案。