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SGM-SSD的电力巡检机器人障碍物定位模型

为了提升电力巡检机器人对输电线路障碍物识别的精度,对电力巡检障碍物定位识别模型进行了研究,并提出了一种结合半全局匹配(Semi-Global Matching, SGM)算法和单点多盒探测器(Single Shot Multibox Detector, SSD)的模型。采用加权最小二乘(Weighted Least Squares, WLS)滤波算法,对利用SGM算法所得视差图中的空洞和噪点进行了处理,并提出了一种轻量化单点多盒探测方法。实验测试结果显示,优化后的模型定位测量误差低于5.13%;其大小由300 MB下降到了2.03 MB;轻量化模型在89、250次迭代后的损失函数值分别降至0.23和0.33。验证了所提出的模型能够实现输电线路障碍物定位和识别,能够满足实际的应用需求。

基于改进SSD的工件定位算法

工业机器人完成工件的拾取、分拣与装配等任务,需要获得准确的位置信息。而目标检测算法的回归损失函数的设定会直接影响预测框的定位准确性。针对SSD原始回归损失函数忽略4个边界信息的相关性及与评价指标IoU变化不匹配等问题,提出了一种基于改进SSD的工件定位算法。所提算法以高效交并比(EIoU)为SSD的回归损失函数,将4个边界信息作为一个整体,并添加了中心点损失和边长损失2个惩罚项分别表征预测框与真实框的中心点相对距离和边长差异,解决了边框回归不准确的问题。实验结果表明:所提算法能把定位平均误差控制在0.18 mm以内,误差峰值控制在0.76 mm以内。所提算法能有效提高工件的定位精度,适用于不同类型的工件或其他类似的定位任务,具有良好的工业应用前景。

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%。

基于注意力与特征融合的改进SSD目标检测算法

针对目标检测中检测精度低且小目标检测较难的问题,提出了一种基于注意力机制与特征融合的改进SSD目标检测算法。在标准SSD目标检测模型基础上,使用深层特征提取网络ResNet50作为主干网络,在特征提取网络中引入通道-空间注意力机制增强特征图语义信息,计算特征图中像素点之间的影响。最后,将低层特征与高层语义信息进行Concat特征融合,充分利用不同特征图之间的关联信息。此外,使用GIOU代替传统IOU来计算框间的交并比,同时考虑正负样本不均衡的情况,选择Focal损失函数,重新定义了损失函数。实验采用PASCAL VOC开源数据集进行仿真验证,并与传统SSD目标检测算法进行对比,准确率得到了一定的提高,验证了该算法对目标检测的有效性。

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。

基于SSD网络模型的多目标检测算法

针对现代化工厂中视觉机器人或智能终端处理多目标检测算法的计算任务繁重、运算速度较慢等问题,将网络通信技术应用到算法处理中进行了在线检测。对TCP/IP协议进行了研究,建立了智能终端和云端之间的关系,提出了将智能终端采集到的图像数据进行预处理然后使用基于TCP的Socket多线程通信方式将图像数据送入云端,在云端的多台计算机上同时使用SSD网络模型的多目标检测算法进行了并行处理,并将结果传回智能终端。利用计算机单机与智能终端在线检测在处理时间上进行了对比试验。试验结果表明:在线检测速度稍慢,但已满足实际需求;智能终端在线检测降低了对智能机器人终端硬件的要求,回收的数据可以再利用,并且可以实现算法动态升级。

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.

基于字典学习与SSD的不完整昆虫图像稻飞虱识别分类

为了解决图像采集过程中由于昆虫图像获取不完整而导致整体稻飞虱识别精度低、速度慢的问题,提出了一种基于字典学习和SSD的不完整稻飞虱图像分类方法。首先,使用自主研发的野外昆虫图像采集装置采集稻飞虱图像,构建小型图像集。然后,将采集的稻田昆虫图像进行阈值分割,得到单一稻田昆虫图像;对单一昆虫图像进行分块处理,得到带有背景信息和特征信息的混合子图像块集;使用子图像块作为字典原子来构建过完备字典,并对其进行初始化和优化更新;将更新后的过完备字典作为训练集输入SSD算法中进行训练,得到训练模型。最后,将采集的包含不完整稻田昆虫的图像在训练集模型上进行测试,并将测试结果与BPNN(Back propagation neural network)、SVM(Support vector machines)、稀疏表示等方法进行对比。试验结果表明,所提出的基于字典学习和SSD的稻飞虱识别与分类方法可以对不完整的昆虫图像进行准确快速的识别分类,其中,分类速度可达22 f/s,识别精度可达89.3%,对稻飞虱的监督、预警和防治提供了有效的信息与技术支持。

嵌入遮挡关系模块的SSD模型的输电线路图像金具检测

为了提升深度学习目标检测模型在输电线路金具自动化检测任务中的准确率,针对金具检测数据集中金具目标标注框之间不可避免地广泛存在相交而导致金具目标检测定位不准确的问题,本文利用相交区域的相似性作为金具目标的上下文信息,提出目标间遮挡关系的描述方法,用于规则性描述图像中金具目标间的相互遮挡,设计遮挡关系模块,并将其嵌入到单次多框检测器(single shot multibox detector,SSD)模型中。为了验证嵌入遮挡关系模块的SSD模型的有效性,选择了8类目标标注框普遍存在相交的小目标金具进行实验,实验使用的金具检测数据集的训练集和测试集中金具目标数分别为6271和1713。实验证明,原始SSD模型的平均精度均值(mean average precision,mAP)为72.10%,嵌入遮挡关系模块的SSD模型的m AP为76.56%,性能提升了4.46%。

结合乐高滤波器和SSD的低光照图像融合检测方法

针对低光照图像背景环境复杂导致目标检测易产生误检、漏检现象,提出了一种基于SSD目标检测的改进低光照图像精度和速度的方法。该方法先对低光照图像进行增强处理,然后将处理后的低光照图像和增强图像分别输入到融入乐高滤波器的SSD网络结构中进行训练检测,通过得到的两种检测模型对处理后的数据集进行检测,最后融合检测结果候选框中的不重复框,筛选候选框中的重复框,标记出正确位置的目标,从而提升对低光照图像检测的精度。在网络结构不同位置融入乐高滤波器,模型参数量分别减少8.9%和29.5%,浮点运算次数下降6.8%和34.9%,检测框融合处理后检测精度得到了3%~7%的提升。该方法更符合实际应用,有效提升了低光照图像的检测速度和精度,扩大了目标检测的应用范围。

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。

特征增强的SSD算法及其在目标检测中的应用

针对多尺度单发射击检测(SSD)算法不同尺度的特征层很难进行融合互补问题,提出一种特征增强的SSD(FE-SSD)算法.首先对SSD算法的金字塔特征层中,每一尺度的特征进行尺寸不变的卷积操作;然后将卷积前与卷积后的特征进行特征融合操作,进而产生一组新的金字塔特征层;最后在新产生的金字塔特征层上执行目标的检测与定位任务.在PASCALVOC2007公共数据库上进行实验,当输入图像尺寸为300×300时,检测精度(mAP)达到78.0%,检测速度(FPS)达到82.5帧/s.此外,在拓展实验中,文中算法对图像中模糊目标的检测效果也优于SSD算法.

基于改进SSD的航拍城市道路车辆检测方法

为提升无人机(UAV)航拍视角下城市道路车辆检测性能,基于SSD深度学习网络框架,改进并搭建了一种航拍城市道路车辆检测网络。一方面充分挖掘无人机航拍视角下车辆多为小目标的先验知识,利用K-means++聚类算法获取适应航拍车辆目标的默认候选框参数信息;另一方面,为保证小尺度目标特征的有效传递和准确提取,对基准SSD网络结构进行改进,在其特征提取网络骨架中加入了具有抗混叠效应的可学习低通滤波层,并保留用于小尺度车辆目标检测回归的大尺寸特征图。实验表明:在满足实时性的情况下,所提方法与基准SSD网络相比,检测精度提升了4.3个百分点,能够明显改善小尺度车辆目标检测效果,提高了无人机航拍视角下城市道路车辆目标整体检测精度。