基于SSD网络的电梯内电动自行车检测研究

为减少因电动自行车违规操作而造成的消防安全事故,杜绝电动自行车进电梯的违规行为,基于深度学习SSD目标检测网络,使用VGG16、EfficientNet、MobileNet 3种主干网络,研究SSD网络对电梯内电动自行车检测的可行性,分析比较3种网络的检测效果,并提出基于双摄的检测方法,进一步提高电梯场景下检测准确度,减少误检误报警。研究结果表明:SSD检测网络对电梯内电动自行车检测效果良好,其中SSD_MobileNet网络更适用于工业领域,双摄检测方法的检测准确率均大于90%。

基于改进SSD的行人检测算法

针对目前主流的目标检测算法在检测行人时无法兼顾精度与实时性的问题,提出一种改进单次多框检测器(single shot multibox detector,SSD)的行人检测算法。首先,将高效通道注意力机制引入浅层网络中并重新分配特征权重,引导网络更加关注小尺度行人的特征信息;其次,构造一种新的特征融合模块以改善浅层特征语义信息不足的问题;最后,通过优化原始先验框的参数来生成适用于检测行人的先验框。实验结果表明,改进后的算法在PASCAL VOC2007行人测试集上的平均精度达到82.96%,较SSD提高了3.83%,在小尺度行人测试集上提高了5.48%,同时检测速度达到了69.2FPS,满足实时性的要求。

改进的SSD-ResNet算法

单次多边界框检测器(single shot multibox detector,SSD)算法因其性能优良已被应用于许多场景中,但该算法对小目标物体的检测精度偏低,主要原因是高层的语义信息没有被充分利用。为解决该问题,文章将其基础网络替换为残差网络(residual network,ResNet),同时融合深浅层的特征信息来增强浅层特征图的语义信息,此外还引入注意力模块,保留更多的目标特征信息,抑制无关信息,进一步提升对小目标物体的检测效果。在PASCAL VOC2007数据集上进行实验测试,平均精度均值为80.2%,优于其他SSD改进算法。由于增加了特征融合和注意力模块,所提算法检测速度有所下降,但相比于SSD改进算法,检测速度仍有明显的优势。

改进SSD算法的小目标检测研究

针对SSD目标检测算法在实际的复杂的检测背景下存在着小目标错检和漏检率较高、小目标特征信息不足的缺点,提出一种改进的SSD算法。受特征金字塔网络(FPN)启发,设计特征融合模块(FFM),将SSD网络的高分辨率的低层特征图与高语义信息的高层特征图进行融合,由此保留了特征图的上下文信息,提高了多尺度小目标特征信息的提取能力;通过引入注意力机制构建特征注意力模块(FAM),将融合后的特征层通过FAM,学习重要特征并抑制不必要特征,提高了网络的表示能力。通过在公开的PASCAL VOC(2007+2012)数据集上进行实验,改进的模型平均精度均值(mAP)达到79.9%,与改进前的SSD算法相比,提高了4.24%,减少了错检和漏检的情况,使得改进后的SSD算法具有较强的鲁棒性,提升了目标检测性能。

基于ResNet-SSD的铁路扣件缺损检测方法

铁路轨面扣件的缺失、损坏状态与行车安全密切关系。为进一步提高铁路扣件检测性能,提出基于残差网络-单发多框检测器(Residual network-single shot multibox detector,ResNet-SSD)的铁路扣件缺损检测方法。首先,采用虚拟图像技术进行扣件缺损状态图像建模来扩展扣件样本特征信息,完善样本库以解决各类扣件图像不均衡问题。其次,使用ResNet构建特征提取网络,SSD模型进行目标检测,完成对扣件缺损状态的检测。实验结果表明,采用虚拟图像扩展现场采集扣件图像集后,ResNet-SSD网络有更快的收敛速度且mAP提高了3.06%(95.47%-98.53%);ResNet-SSD在召回率为98.8%时,检测准确度可达98.5%,达到了在交并比(Intersection over union,IoU)为0.5时较VGG16-SSD高、与Faster-RCNN相同的评价指标;就检测速度而言,该方法为Faster-RCNN的6倍,VGG16-SSD的1.4倍。该方法可满足铁路扣件实时自动检测的需求。

多尺度增强特征融合的钢表面缺陷目标检测

针对轻量级目标检测算法在钢表面缺陷检测任务中识别精度低的问题,提出一种多尺度增强特征融合的钢表面缺陷目标检测算法。该算法采用提出的自适应加权融合模块为不同层级特征自适应计算融合权重,将深层语义与浅层细节进行加权融合,使得浅层特征在不丢失细节信息的同时获得丰富的深层语义。利用提出的空间特征增强模块从3个独立方向强化融合特征,通过引出残差旁路增强网络结构的稳定性,使卷积过程能够挖掘到更多的关键信息。根据先验框与真实框的整体交并程度为模型选择更为合适的训练样本。实验结果表明,该算法的检测精度达到80.47%,相比原始算法提升6.81%。该算法的参数量为2.36 M,计算量为952.67 MFLOPs,能快速且高精度检测钢材表面的缺陷信息,具有较高的应用价值。

基于特征融合的SSD视觉小目标检测

针对SSD算法在检测目标过程中对小目标检测效果差的缺陷,提出了特征融合的SSD方法。该方法充分融合深浅层特征信息以提升网络模型对小目标的检测能力,为更好地检测小目标,将先验框尺寸相对原图比列进行调整,同时对SSD模型相应超参数值进行调整。实验结果表明,检测精度mAP较SSD提高3.4个百分点,对小目标Bottle、Chair、Plant检测精度分别提升8.7个百分点、3.4个百分点和7.1个百分点。检测精度mAP较当前一系列性能优异的目标检测算法有显著提高。通过拓展实验进一步证明改进算法成功检测到了大多数SSD算法没有检测到的小目标,提高了平均检测准确率。

用于交通标志检测的窗口大小聚类残差SSD模型

SSD通常被认为适合于求解小目标图像检测问题,但在特征表征和检测效率两方面还存在改进空间.提出一种聚类残差SSD模型,一方面将原始SSD模型中的VGG16基础网络替换为更深的ResNet50残差网络,以改善特征表征能力.另一方面采用K-均值聚类算法取代盲目搜索机制,确定SSD中默认窗口的大小,以改善检测效率.针对德国交通标志检测数据集,模型获得了97.1%mAP和每幅图像0.07 s的检测速度.针对中国交通标志数据集,模型获得89.7%mAP和每幅图像0.08 s的检测速度.与原始SSD模型比较,本文所提模型的检测性能得到改善.

基于MobileNetV2和IFPN改进的SSD垃圾实时分类检测方法

针对垃圾分类检测任务中检测目标尺寸不一和小目标检测精度不高等问题,构建一种基于隐式特征金字塔网络(IFPN)和MobileNetV2的改进SSD模型的分类检测方法,对垃圾进行实时分类检测。首先,将改进后的MobileNetV2引入SSD,加入带有空洞卷积的空间金字塔池化模块(ASPP),在降低网络模型计算复杂度的同时保证网络实时性和精确性;其次,采用IFPN从网络的深层到浅层逐级融合SSD,更精确地检测出小目标;最后,使用Focal Loss函数调节正负样本之间的权重。实验结果表明,在阈值为0.4时,所提方法比传统SSD平均精确率均值(mAP)提高了4.84个百分点,检测耗时减少了72.7%,能满足边缘计算设备对模型的各项要求。

基于改进SSD的苹果叶部病理检测识别

针对目前主流的目标检测算法在苹果叶部病理的检测中识别速度和精度较低的问题,实现了基于改进SSD的苹果叶部病理的检测识别。首先,采用轻量级特征融合结构,融合高低层特征图特征;其次,引入通道注意力机制,提取更有效的病斑小目标特征信息,同时使用Focal Loss损失函数代替原有的Multibox Loss损失函数,减少了训练中大量简单负样本的权值;最后,利用苹果叶部病理公共数据集进行对比实验,选取训练最优的网络。实验表明:改进的SSD比其它算法的检测效果有明显的提升。

基于SSD的粮仓害虫检测研究

为了对粮仓害虫进行有效地检测,减少粮食损失,提出一种基于SSD的粮仓害虫检测方法。该方法利用多个尺度的卷积特征图来检测害虫。通过轻量化模型结构和优化损失函数来提高SSD的训练速度和检测效率。实验将6类高爆发的粮仓害虫图像进行训练和测试,结果表明:该方法相比较于当前主流的目标检测方法在对粮仓害虫检测中具有更高的mAP。

多尺度卷积特征融合的SSD目标检测算法

提出了一种改进的多尺度卷积特征目标检测方法,用以提高SSD(single shot multibox detector)模型对中目标和小目标的检测精确度。该方法先对SSD模型低层特征层采用区域放大提取的方法以提高对小目标的检测能力,再对高层特征层进行特征提取以改善中目标的检测效果。最后,利用SSD模型中原有的多尺度卷积检测方法,将改进的多层特征检测结果进行融合,并通过参数再训练以获得最终改进的SSD模型。实验结果表明,该方法在MS COCO数据集上对中目标和小目标的测试精确度分别为75.1%和40.5%,相比于原有SSD模型分别提升16.3%和23.1%。

基于密集模块与特征融合的SSD目标检测算法

通过对原SSD(Single Shot Multibox Detector)模型的研究与分析,针对其对小目标检测能力较弱的问题,提出了一种基于密集模块与特征融合操作的改进模型。该模型以Inception-ResNet-V2与DenseNet为基础,吸取了inception模块中稀疏连接与密集网络中密集连接的研究思路,将两种方法融合在一起,提出了Inception-Dense特征提取结构。在多尺度检测的部分,借鉴并改进了特征金字塔的特征融合模块来加强对中小目标的检测能力。根据改进模型及实验数据集的相关特性,对默认框的映射机制也进行了重新设定。结果表明:该方法在Kitti数据集上的平均测试精确度(mAP)为83.8%;识别率相比于原SSD模型的72.8%,提升了11个百分点。FPS方面也有接近38%的提升,从原来的39提升到了54。

基于SSD和MobileNet网络的目标检测方法的研究

为了提高计算机视觉中目标检测的一种基本模型SSD在多任务场景中的准确率和效率,基于深度学习的相关理论研究,结合一种轻量级的深层神经网络MobileNet的基本思想,构建了一种结合特征金字塔的多尺度卷积神经网络结构。利用Tensorflow平台完成了以下一些工作:第一,对低层卷积层的特征图进行区域放大,保留更多的目标特征信息,再对高特征层进行特征提取;第二,在对重叠目标候选区域进行过滤的时候,基于非极大值抑制的方法和思想设置阈值消除冗余的目标候选区域,使得产生的负样本的数目减少,使模型效果逐步趋于稳定;第三,针对目标检测中的预测区域与真实区域在匹配过程中所产生的正负样本进行处理,用于保证模型的稳定性等。基于以上方法研究,使得模型对多目标识别的速度有所加快,鲁棒性更好,准确率更高,同时也适当降低了对硬件配置资源的需求。

基于SSD的轻量级车辆检测网络改进

针对嵌入式摄像设备在执行目标检测任务过程中,对于移动中车辆的检测耗时较长无法及时反馈检测结果的问题,提出了一种基于残差连接和注意力机制的轻量级卷积网络来对SSD(single shot multibox detector)目标检测模型进行改进。采用h-swish和h-sigmoid激活函数分别替换残差块中的ReLU激活函数和通道注意力模块中的sigmoid激活函数,降低训练和推理所需计算量。根据实际应用中特定角度下车辆外形的特征为依据,重新设计SSD目标检测方法的默认框生成比例,并结合输入图像大小及特征图感受野来减少特征融合层及默认框匹配运算量。实验表明改进后的SSD检测模型在BIT-Vehicle Dataset上的平均精度均值(mean average precision,mAP)达到了94.87%,相较于经典SSD目标检测模型的mAP提升了0.83个百分点,在搭载了Intel NCS2的Raspbery PI 3+上平均处理速度达到了16 frame/s。

基于改进SSD的无人船海上船舶识别算法

针对无人船海上航行时视觉系统获取的图片中船舶识别不准确,以及识别精度偏低的问题,提出了基于改进单镜头多盒探测器(SSD)的无人船海上船舶识别方法。在传统SSD网络的第七层增加L2正则化对其进行改进,使得SSD每个卷积层的参数比较均衡,降低模型对局部特征的敏感性,从而提高船舶识别的置信度。实验结果表明:所提方法具有较好的海上船舶识别效果,并且基于改进SSD训练出的模型具有更好的泛化能力。

基于深度学习SSD目标检测算法的混凝土结构裂缝识别

针对当前土木工程混凝土结构裂缝识别效率低、精度不高的现状,基于深度学习理论,提出了一种基于单步多框检测(SSD)的裂缝识别方法。利用labelimg插件制作了2种具有代表性的裂缝数据集BCD和CCIC的数据标签。然后利用大量典型的裂缝图片进行识别训练,比较模型在不同样本类型和数量下训练效果的差异。并通过取样验证、损失值可视化和mAP精度评价等方法,证明该裂缝识别系统精度能达到95%以上并具有一定的普适性。因此,该系统可以应用到实际的裂缝识别任务中,为混凝土裂缝识别提供更高效的途径。

改进SSD算法的多目标检测

目标检测作为计算机视觉的核心,在人脸识别、人脸跟踪、大规模场景识别等方面具有广泛应用,其中Onestage领域的SSD算法检测速度和检测性能较为突出,但在环境较为复杂的多目标检测情况下仍会出现误检和漏检。针对这一问题,提出一种改进SSD算法的多目标检测方法,通过优化SSD内部网络和提高样本适用性的方式改善检测性能;其中,采用修改网络输出和添加抗旋转层ARConv来统一网络结构,降低模型训练时间,减少漏检;并提出P-NMS算法和限制函数优化训练样本,减少误检;在测试阶段,提出单张图片批量测试方法,有效提高模型召回率。实验结果表明,改进后算法具有更强的鲁棒性,并且能有效降低误检、漏检率提升网络性能。

基于改进SSD安全头盔反光衣检测算法

施工人员正确穿戴安全头盔和反光衣是进行安全生产和保障人身安全的重要一环,当前对安全头盔反光衣穿戴的检查还是依靠传统人工的方式,存在费时费力问题,针对这种情况,使用了深度学习中的SSD(single shot multibox detector)算法作为基本网络框架实时对目标人物进行无人化穿戴检测,同时针对原SSD算法存在检测精度不高的问题,对原SSD算法进行了改进,首先使用了部分ResNet50网络替换内部的VGG-16作为特征提取网络;其次在SSD算法的高层卷积模块中加入可形变卷积模块,使检测目标时更好地适应目标的不同尺寸来提高检测精度。实验结果表明,该网络结构在检测安全头盔和反光衣上精确度和速度上表现优异。

基于ECA-SSD模型的汽车零件缺陷检测

汽车零件对汽车外观、性能以及安全性都有重大影响。由于汽车零件数量大、体积小、对精度要求高,因此对零件检测的精度和速度都有一定的要求。本文利用图像处理技术,以SSD模型为基础,将其中的VGG模块用深度可分离卷积和线性瓶颈倒残差结构替换,并引入避免降维的局部跨通道交互有效的注意力机制ECA模块,在减少模型参数运算量的同时,适当增加通道以提高模型精度,并将注意力放在图像目标上,忽略背景带来的干扰,实现快速又准确的汽车零件缺陷检测。利用本文模型对上汽提供的汽车零件外壁缺陷进行检测,实验结果表明,模型大小仅为15.9 MB,mAP为94.64%,检测每张图片时间为0.013 s,满足汽车工业上的速度和精度的需求。对比性研究表明,本文模型检测精度和速度以及大小较其他目标检测算法VGG-SSD、MobileNetv2-SSD、YOLO v3等有一定的提高和改善。