基于Mask R-CNN的触摸屏玻璃疵病检测与识别

为快速有效地检测与识别触摸屏玻璃疵病,提出了一种基于Mask R-CNN技术的检测与识别方法。Mask R-CNN是Faster R-CNN技术的扩展,其在边界框识别的现有分支上添加一个并行的用于预测对象掩膜的分支,是基于R-CNN系列、FPN、FCIS等工作之上的一种技术,相对于传统的目标检测和分割算法有很大提升。使用暗场散射成像、多图片堆栈等方法采集数据样本,同时采用几何变换方法扩增样本库。为提升训练速率和检测精确率,根据训练样本差异性,通过测试不同的VGG16、ResNet50+FPN以及ResNet101+FPN主干网络提取图像特征。实验表明,ResNet50+FPN的识别精确率较高,达到96.7%。基于Mask R-CNN的检测与识别方法不仅能对疵病快速检测与识别,还能提高识别精确率。     

基于改进Faster RCNN的金属丝网缺陷检测方法

作为一种传统的纺织产品,金属丝网在工业生产、日常生活、科研等领域起着举足轻重的作用,而金属丝网在编制过程中,表面会产生斑点、断线等缺陷,严重影响金属丝网的质量。为保障产品质量,研究了一种基于改进Faster RCNN算法的金属丝网表面缺陷检测方法。首先,为提高模型缺陷特征提取能力,特征提取网络选用深度残差网络（ResNet50）代替原视觉几何群网络（VGG16）,并引入注意力模块;随后,训练过程中利用有预热的余弦退火学习率衰减机制,以提高网络检测精度;同时引入k-means算法和遗传算法,设计了更适合金属丝网数据集的锚框尺寸,以提高候选框的精度,解决缺陷定位不准的问题。经实验验证,利用改进Faster RCNN算法检测的平均精度均值（mean average precision,mAP）达86.95%,较原Faster RCNN算法提高18.81%,为金属丝网缺陷的检测提供了一个有效可行的方案。     

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的圆柱形金属工件表面缺陷检测

为有效进行圆柱形金属工件表面缺陷检测,设计一套利用深度学习框架——Faster R-CNN的表面缺陷检测系统。该系统算法利用Resnet网络进行特征提取,采用RPN方法提取缺陷的候选目标矩形区域,再利用Fast R-CNN在候选区域基础上进行缺陷检测。此外,为克服金属表面反光并获得高质量图片,设计一套合适的图像采集系统。实验表明,该检测系统能有效克服光滑金属表面的强反射,从而获取高质量图片;同时利用基于Faster R-CNN框架的方法进行缺陷检测,较好地解决了圆柱形金属表面缺陷检测能力弱的问题,在置信度阈值为0.9时,其查全率为95.0%,查准率为96.0%,检测速度为65ms/幅。     

基于改进型Faster R-CNN的行人目标检测

在行人目标检测中,小尺度、低像素的行人目标检测和行人遮挡等问题是模型训练的难点。针对深度学习Faster R-CNN网络对小尺度行人以及遮挡行人目标检测效果较差的情况,提出一种基于soft-NMS、GIoU和多尺度训练方法的改进型Faster R-CNN行人目标检测模型。在该改进模型中,Soft-NMS缓解行人密集检测中的因遮挡导致的漏检情况,GIoU对网络的损失计算进行改进,提升网络检测效果,多尺度训练方式能够提升小尺度与低像素的行人目标检测的准确率。仿真实验结果验证了该方法的有效性,改进的Faster R-CNN模型在Caltech行人数据集上的检测精度由64.2%提升到了70.4%,且在漏检率和误检率上都优于传统Faster R-CNN模型。     

基于改进Faster R-CNN的自然环境下麦穗检测方法

小麦麦穗的自动检测在产量预估、种子筛选等方面具有一定的科研应用价值。为进一步提高自然环境下麦穗识别与计数的准确性,本文提出了基于改进型Faster R-CNN深度神经网络麦穗检测方法。针对传统Faster R-CNN算法应用于麦穗检测时存在漏检的问题,并结合自然环境下麦穗重叠和遮挡的特点,本研究采用加权框融合(Weighted Boxes Fusion,WBF)算法代替原有的非极大值抑制(NMS)算法,通过区域建议网络产生的所有预测框的置信度来构造融合框。试验证明,改进后的Faster R-CNN在全球麦穗检测数据集上的平均精度均值mAP_(0.5:0.75)、mAP_(0.5)分别达到了74.21%和92.15%,相较于传统Faster RCNN提升了5.75%和3.74%,提升效果明显,减少了麦穗漏检的情况,能够在自然环境下对麦穗进行计数和产量预估。     

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Faster R-CNN的苦瓜叶部病害识别研究

为实现对苦瓜叶部多种病害的自动检测,提出了基于Faster R-CNN的目标检测算法对自然环境条件下的苦瓜健康叶片和叶部病斑进行目标检测。该算法利用了预训练的ImageNet深度网络模型进行迁移学习,以VGG-16卷积神经网络作为本次试验的特征提取网络,并且结合苦瓜叶部病害尺寸小的特点,对原始的Faster R-CNN的参数进行修改,增加了训练时区域建议框的尺寸。结果表明,以VGG-16作为特征提取网络训练所得的深度学习网络模型对苦瓜健康叶片、白粉病、灰斑病、蔓枯病、灰斑病的平均精确率(Average Precision)分别为0.8 849、0.8 753、0.5 539、0.8 165、0.7 520,平均均值精度(mean Average Precision,mAP)值为0.7 765;增加候选框尺寸后,所得模型的mAP值为0.8 014,提高了2.49%。该方法能够有效地实现对苦瓜叶部病害的分类与定位,对瓜果类疾病预防有重要的研究意义。     

瓦斯灰显微图像的ResNet50网络多目标分类

由于瓦斯灰显微图像具有类别多样、背景复杂、边缘模糊等特点,仅用传统的计算机视觉分类方法对目标图片分类识别率较差.针对此问题,提出一种基于深度卷积残差网络(Deep Convolutional Residual Network)分类方法.在Caffe框架下,以ResNet50为网络模型,设计一种瓦斯灰显微图像多目标自动分类的模型,实验结果表明,ResNet50模型识别图像的正确率要高于其余网络,达到98.75%,说明该模型具有较强的特征提取能力.     

基于深度学习的学生课堂行为识别

随着教育步入智能时代,智能化的学生课堂行为识别变得越来越重要。但由于学生的课堂行为复杂多变,使得智能化的学生课堂行为识别存在困难。为了提高智能化学生行为识别的精度,文章首先采集了300名学生的7种典型课堂行为图像,并进行了数据预处理。随后,文章将已在ImageNet数据集上训练好的经典深度网络模型——VGG16网络模型迁移到学生课堂行为识别任务中。最后,通过与其它深度学习模型进行实验对比,文章验证了VGG16网络模型对学生课堂行为具有较高的识别精度。上述研究表明,基于深度学习的学生课堂行为识别能及时、精准地反馈学生的课堂学习情况,有利于教师改进教学方法、优化课堂教学与管理,从而提高教与学的效率,助力教学改革。     

飞行模拟器训练费用估算的研究

通过对飞行模拟训练费用的分解,选取了飞行模拟训练费用估算方法和估算模型来对飞行模拟训练估算问题进行分析和研究。     

基于卷积神经网络的野外烟雾检测研究

野外烟雾具有稀疏性,在整幅图像中所占面积小,扩散缓慢。传统烟雾检测算法由人工提取的特征不一定是最合适的烟雾特征,从而导致烟雾检测存在错检或误检。为此,设计了基于卷积神经网络的野外烟雾检测算法。通过改进的VGG16网络以及搭建的卷积神经网络conv-10进行烟雾检测。VGG16过滤器尺寸大小为3×3,步长为1。conv-10通过对LeNet增加相应的层数进行烟雾检测。实验证明,conv-10网络具有较高的准确率,达到94.7%,时间仅需要1 656s。改进的VGG16网络准确率也较高,但是比conv-10网络速度慢,时间需要10 450s。     

基于Faster R-CNN的服装目标检测改进方法

为了满足近年来在服装电子商务高速发展背景下急剧增长的服装图像分类与定位需求,实现对服装图像的目标检测,提出基于Faster R-CNN的服装目标检测改进方法。借助残差神经网络的特征提取能力进行服装图像特征提取,采用RPN网络进行服装候选区域生成,经过RoI兴趣区域池化后接入分类层与回归层,调整网络结构,融合服装图像的HOG底层特征,从而针对性地实现对服装图像的目标检测。实验结果表明,该方法构建模型的平均准确率为0.902,运行速度为8.9帧/秒,具有一定的实用价值。     

基于迁移学习的家猪图像识别研究

为实现家猪图像识别并提高识别准确率,提出一种基于迁移学习的家猪图像识别方法。首先对现有数据集进行数据增强,然后迁移 VGG16 模型并对其进行微调,从而更好地提取图像特征并缩短网络训练时间。采用自归一化神经网络解决了梯度消失和梯度爆炸问题,在网络构造时使用全局平均池化代替全连接层,以达到降低模型过拟合的效果。实验对比结果表明,该方法分类效果较好,准确率达到了 84%,召回率和 F1 值分别提升至 0.8、0.82,各项指标相比基础模型均有所提升。     

基于改进UNet的人造板表面缺陷的图像分割方法

为满足人造板表面缺陷图像分割的精度要求,提出了一种改进的UNet 语义分割网络模型。 在传统的UNet 网络结构上将编码部分改进为残差网络ResNet50 并去掉连接层与平均池化层,网络通过残差块堆叠获取更多特征的底层信息;同时在跳跃连接中嵌入聚焦注意力机制的模块,抑制干扰信息,保留有效位置信息,聚焦缺陷区域并加强学习。 对4 种UNet 网络模型的人造板表面缺陷图像分割进行仿真比较,结果表明,融合聚焦注意力机制的残差UNet 网络模型在像素准确率和平均交并比等指标上有较大提升,分割精度较高。     

Study on Detection Technique for Pipeline Leakage

Pipeline integrity defect is a considerable portion in all the defects.Therefore,the study on detection technique is of great concern to the owners of pipelines.A real-time monitoring system of pipeline defect is established.For unexpected accidents of pipeline leakage,several methods of signal processing,including wavelet analysis are utilized.The leakage can be located accurately in time.This system is applied to many long distance pipelines in China,which has made great contributions to the economy.     

基于神经网络的姿态识别算法

公共场所视频监控网络部署日益完善,智能视频监控技术在安防、交通等领域作用越来越大。针对视频监控数据中的人类目标,提出一种基于计算机视觉的姿态识别方法。通过YOLO算法和AlphaPose模型完成对视频中人类目标检测识别以及姿态估计,在此基础上分析人体关节之间的角度对姿态分类的影响,从中提取有效的分类特征,构造并训练5层神经网络模型,完成对站、坐、躺最常见3种姿态分类。实验结果表明,训练得到的神经网络模型准确率达到85%以上,识别速率大约为每秒30帧,在安防监控、检测人员摔倒、疾病报警等方面具有一定应用价值。     

基于局部投影统计法的螺纹缺陷检测

为解决传统接触式螺纹测量方法费时且程序冗长的缺陷,提出一种基于机器视觉技术的螺纹缺陷检测算法。对捕获的螺纹图像进行中值滤波、迭代法二值化与Canny边缘提取处理|通过分析螺栓图像中螺纹缺陷断口位置灰度值的变化,提出一种基于DOG模型的螺纹自动检测方法。为验证该算法性能,用基于形状的模板匹配算法作为对照进行实验。结果表明,局部投影统计算法能有效提取螺纹缺陷图像的缺陷信息,螺纹缺陷图像识别率在95%以上。该方法可快速有效地降低噪声,准确迅速地定位缺陷点,提高生产线螺栓可替换性。