基于SSD的仓储物体检测算法研究

随着信息技术和计算机视觉技术的发展,仓储管理自动化和智能化成为趋势,对仓储物体进行准确检测变得尤为重要。针对仓储环境下的物体检测应用场景,提出一种基于SSD的仓储物体检测算法,实现对仓储环境下的物体智能检测。首先采用VGG16网络进行图像特征提取,然后在仓储物体数据集上进行模型训练,最后通过优化模型参数将训练好的模型应用于仓储物体检测。在创建的仓储物体数据集上训练SSD300和SSD500两种模型,获得的仓储物体检测准确率（mAP）分别为91.83%和94.32%,表明该算法基本实现了仓储物体的准确检测。     

基于LT-YOLOv5s的PCB缺陷检测方法

针对传统PCB缺陷检测算法检测准确度低、实时性差等问题，提出一种改进的YOLOv5s网络PCB缺陷检测方法。针对缺陷特性，去除大目标的检测尺度，保留中小目标检测尺度；在网络模型末端用Transformer替代BottleneckCSP模块，提升了网络模型捕获目标特征的能力；结合坐标注意力模块，提升模型的性能并减少参数。以某PCB数据集为测试对象，结果表明，改进后的算法平均精度均值(mAP)达到99.04%,平均检测速度为19ms/帧，改进后的算法能够更加快速有效的检测出PCB缺陷。     

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。     

一种改进的MTCNN人脸检测算法

人脸检测主要运用于机场、火车站等人口密集场所。目前常用的人脸检测算法有MTCNN、YOLOV3、faster-RCNN、SSD等,但已有算法难以兼顾检测速度和检测准确性。 通过改进多任务级联卷积神经网络（MTCNN）人脸检测算法,将MTCNN、YOLOV3、faster-RCNN等3个模型进行整合,减少内存与显存之间的数据搬运;然后动态修改Minsize值,减少图像金字塔中图片生成数量,并根据图像相似度对输入图片进行不同处理以提高效率。改进后的MTCNN算法比传统MTCNN算法识别速度提高将近40%,且正确率达到97%,可更好满足现代社会对于人脸检测的应用需求。     

基于路径增强SSD的遗失物体检测模型

在日常出行中,乘客经常会将一些重要物品遗落在出租车后座上,而司机往往因为忽视使乘客出现损失。为对车内遗失物体进行检测,提出一种改进的SSD目标检测模型。在主干网络部分引入路径增强的特征金字塔网络（FPN）,称为PA-SSD。将PA-SSD应用于常见遗失物品检测实验,结果表明,该算法检测速度为12fps,在验证集上的mAP为98.6%。基于PA-SSD的检测模型能高效且准确地识别乘客遗失物体,方便通知领取,减少乘客不必要的损失。     

改进 SSD 的交通标志目标检测算法

以 Faster R-CNN 为代表的 two-stage 目标检测算法检测速度慢,而 one-stage 目标检测算法中的 SSD算法虽然检测速度快,但对交通标志类小目标的检测效果不佳。因此在 SSD 算法 VGG16 骨干网络上引入感受野块（RFB）结构,既提升检测速度又可在小目标检测上达到良好的检测精度。与此同时,为提高网络分类精度,在损失函数中加入中心损失。将 SSD 算法与改进的 SSD 算法在 VOC 数据集上进行训练,对比其性能可知,改进后算法 mPA 值达到 80.7%,相比 SSD300（VGG16）算法提高了 3.5%。该算法在 LISA traffic sign 数据集上训练,在迁移学习的基础上得到的 mPA 值为 78.4%,检测单张图像平均耗时为 20.5ms,可满足实时性要求。     

基于学习算法SSD的实时道路拥堵检测

随着人们生活水平的不断提高,道路车辆拥堵情况愈发严重。如何实时、精确地检测出道路车辆,对于解决道路拥堵问题具有重要意义,GPU和人工智能技术的飞速发展为其提供了可靠的解决方案。研究分析传统目标识别算法、基于候选区域深度学习的目标提取算法RCNN和基于回归的深度学习目标检测YOLO,最终确定采用基于卷积神经网络的实时目标检测算法SSD。首先调用VGG16网络模型在ILSVRC CLS-LOC数据库上预训练生成初始网络模型,进而设置超参数并在自身数据集上进行再训练,生成新的网络检测模型,然后将训练和测试部署到深度学习框架Caffe上加以实现。通过在数据库COCO、VOC2012上的测试结果表明,该模型检测精度为76%左右,处理速度为26FPS。同时通过道路路口的实地车辆检测,显示该算法能够实时、精确地检测出道路车辆,为道路拥堵情况判定提供可靠数据。     

基于深度学习的监控视频车辆实时监测

针对传统车辆检测算法不能自适应地完成复杂道路场景变化下提取车辆特征的问题,结合焦点损失、K-means聚类与mobilenet网络,提出改进的RFB-VGG16与RFB-MobileNet模型进行车辆检测。从开源数据集UA-DETRAC的24个视频中每隔一定帧数抽取8 209张已标注的图片构成数据集,在相同的超参数与训练策略下,改进后RFB-VGG16网络的AP值比原模型提高了3.2%。基于mobilenet网络重新设计RFB骨架网络,使RFB-MobileNet模型在牺牲一定性能的情况下,具有更快的检测速度,能较好地满足监控视频对车辆检测实时性的要求。     

基于改进AlexNet模型的肺癌辅助检测方法

针对目前肺部CT图像数据爆炸式增长和人工诊断力量严重不足的矛盾,提出一种基于改进AlexNet模型的肺癌辅助检测方法。该方法在传统8层AlexNet模型的基础上,增加了与传统AlexNet模型第4层相同参数的第5层结构,实现了9层的改进AlexNet模型;采用LIDC-IDRI肺癌检测数据集分别对改进前后的AlexNet模型进行训练,建立模型,并通过测试集数据对传统AlexNet模型和改进的AlexNet模型进行测试,实验结果表明改进的AlexNet模型在肺结节检测上有更好的表现,能够进一步提高对于肺结节的识别精度,从而更好地帮助医生进行辅助诊断,降低医生工作强度。     

融合深度学习的无人驾驶多目标检测算法

目标检测是目前计算机视觉领域非常热门的研究方向,是无人驾驶技术重要环节。为提高行车过程中目标检测精度并改善基于单发多目标检测器在训练时出现的正负样本失衡问题,基于车载视频,运用深度学习算法中具有强大性能的SSD模型,通过引入Focal Loss函数设计新的损失函数,解决样本失衡问题;同时在不降低检测速率的情况下,提高检测精度。基于自行采集的车载视频数据集进行实验,结果表明,改进后SSD模型的mAP相较于原始SSD模型提高了3%,达到74%。     

改进SSD模型的路面病害图像检测系统

为解决公路路面病害图像特征不突出、检测精度低等问题,提出一种基于改进SSD模型的路面病害检测系统。利用梯度下降Sobel算子优化SSD模型中图像特征提取的卷积网络层,突出路面病害图像特征;通过改进SSD模型实现横向裂缝、纵向裂缝、块状裂缝、路面凹陷以及其它类路面的病害图像检测;结合Jetson-Nano板载化系统以及基于GO语言的Tensorflow框架实现路面病害检测及分类。实验结果表明,系统路面病害分类准确度为91.28%,比未改进的SSD模型识别准确度提高7.36%,证明该优化模型有效。     

Faster RCNN的交通场景下行人检测方法

为了提高行人检测的准确性和鲁棒性,针对现有行人检测方法准确率低且实时性不佳等问题,参考目标检测算法中快速区域卷积神经网络Faster RCNN算法,首先采用K-means聚类算法得到合适的宽高比,然后优化区域建议网络（RPN）结构,降低计算量,并通过比较MobileNet、VGG16、ResNet50特征提取网络效果优劣,提出改进Faster RCNN的交通场景下行人检测方法,在Caltech-NEW数据集上进行训练与测试。实验结果表明,该方法大幅提高交通场景下行人检测的实时性和准确性,在测试集上检测准确度达到87.5%,单张图片检测耗时为0.187s,相比现有其它方法,其检测效果更好。     

基于Faster R-CNN的排水管道缺陷检测研究

为了克服传统深度学习在排水管道缺陷检测方面识别正确率较低的缺点,在Faster R-CNN算法基础上,利用聚类分析方法改进候选区域设置,提出一种优化的排水管道缺陷检测模型,并采用VGG、AlexNet、GoogleNet、ResNet代替Faster R-CNN网络中的特征提取层进行模拟计算。计算结果表明,K-means方法的最优类别数为5,虽然ResNet网络训练时间成倍增加,但其识别正确率达到0.89,比VGG网络提高了0.14。优化后的Faster R-CNN网络有效提高了排水管道缺陷检测的识别正确率。     

基于YOLOv2模型的道路目标检测改进算法

针对传统道路目标检测算法推荐窗口冗余、鲁棒性差、复杂度较高的问题,提出基于YOLOv2模型的道路目标检测改进算法。相较于传统的HOG+SVM目标检测算法,YOLO模型优势在于提升了检测速度及准确度,更适用于实时目标检测。比较YOLO V3 与 YOLO V2算法,前者在构造神经网络模型时复杂度较高,故最终选择YOLO V2算法。针对原算法中选取Anchor Boxes时所采用的K-MEANS算法造成的目标物体框冗余问题,以及原算法对于不规则物体以及遮挡物体检测效果较差等问题,提出基于YOLO V2模型的一种改进方法,将K-MEANS算法改进为一种DA-DBSCAN算法,通过动态调整参数的方式大大减少了锚点框冗余问题。实验表明,改进后的模型准确率达到96.76%,召回率达到96.73%,检测帧数达到37帧/s,能够满足实时性要求。     

基于深度学习的高分辨率遥感图像海陆分割方法

将高分辨率遥感图像进行像素级海陆分割是遥感应用领域的一项基础性工作,对海岸线提取和海洋近岸目标检测具有重要意义,但传统阈值方法往往由于高分辨率遥感图像覆盖范围广、地物纹理复杂等特点而难以取得预期效果。为了提升高分辨率遥感影像海陆分割精度,改善传统阈值方法的不足,基于深度神经网络模型利用编码器—解码器架构,并在编码层中引入残差块,以更好地对特征图进行高级语义信息提取,通过解码层将编码层生成的特征图还原成与输入尺寸相同的特征图,最后通过Sigmoid层对图像进行像素级海陆分割。在高分辨率遥感图像数据集上的实验结果表明,该网络模型取得良好了分割效果,准确率和Kappa系数分别达到了94.3%和93.7%。与传统方法相比,海陆分割精确度得到了有效提升。     

基于小波神经网络的污水厂总磷预测模型

污水厂进水污染物与出水总磷的变化规律呈高度非线性,而传统机理预测模型需要依据经验设定大量参数,预测精度较低,预测相对误差处于15%~25%之间。为提高预测精度,以进水化学需氧量、总氮、氨氮、总磷、进水量5个进水指标与出水总磷浓度的映射关系建立小波神经网络预测模型。结果表明,小波神经网络模型模拟相对误差为9.87%,相较于机理模型,预测误差降低了5%~15%;同时模型收敛速度快,具有强大的非线性拟合能力,运行稳定性强,对污水厂实际运行中出水总磷预测有一定参考作用。     

深度学习法在收入预测问题中的应用

为了提升电信行业收入预测问题准确率,建立基于循环神经网络和长短时记忆网络相结合的收入预测模型。首先对数据作预处理,然后建立卷积层进行核心预测算法优化,再通过训练寻找最优参数,并将其应用于电信运营商收入预测。实验结果表明,该模型可以预测出未来一个月或者几个月的收入增减变化趋势,预测准确率比传统方法提高20%,算法收敛性也提高约15%。该模型预测结果对于电信行业制定营销方案具有较好指导作用。     

基于深度学习的小目标检测算法综述

由于小目标分辨率低、携带的信息少,现有基于深度学习的目标检测算法对小目标检测精度远远小于对大目标的检测精度。针对小目标检测精度问题,以基于深度学习的目标检测为切入点,系统总结了基于深度学习的目标检测代表算法,并以检测精度和检测速度为标准分析各种算法优缺点。将能有效提高小目标检测精度的方法进行分类汇总,介绍了各种方法的相关应用。针对目标检测及小目标检测存在的问题,对未来目标检测领域发展趋势进行了预测与展望。