农村公路水泥路面裂缝智能检测（英文）

为解决传统人工图像处理方法在农村公路路面病害检测中存在的效率低、结果不客观、大量数据无法及时处理等问题,考虑农村公路路段分布特征,集成ResNet50路面分类和改进的YOLOv5裂缝检测算法,提出了一种农村水泥路面裂缝智能检测方法.利用不同训练策略、不同网络深度进行对比,构建了基于ResNet50的路面高效分类模型,实现农村公路水泥和沥青路面的自动判别.创建了包含18 028张农村公路水泥路面裂缝图片的检测数据集,开展单阶段和两阶段目标检测算法对比试验研究,获得兼顾检测精度和效率的优选检测算法.在优选算法中融入自适应空间特征融合策略和优化回归损失函数,有效解决了图像中多尺度裂缝漏检问题,并进一步提高了整体检测精度.应用所提集成方法对农村公路水泥路面进行现场实测,结果表明路面类型分类准确率为98.4%,裂缝检测准确率为93.0%,表明所提方法能够准确高效地运用于农村公路水泥路面裂缝检测.     

基于SSD及剪枝神经网络的复杂环境下混凝土裂缝识别（英文）

为解决裂缝识别算法在复杂环境下性能不佳的问题,提出了一种基于单激发多框检测器(SSD)算法的改进方法.该方法通过调整原始SSD算法中不同分辨率先验框数量的组合,实现对存在噪声的裂缝图像的高精度裂缝识别.在真实场景和实验室中采集足够数量的裂缝图像并进行预处理,利用椒盐算法对裂缝数据集添加噪声模拟复杂环境中的裂缝图像.在识别裂缝数据集时,对改进方法与原始SSD算法进行对比分析.结果表明,原始SSD算法和改进方法识别裂缝的准确性均随噪声水平的增加而降低.在高密度下添加20%等级的椒盐噪声时,原始SSD算法识别裂缝的准确率仅为31.7%,而改进方法的准确率则高达93.0%.因此,改进方法具有较强的抗噪能力,可用于复杂环境下的裂缝识别.     

基于改进YOLOv5的道路病害智能检测

针对现有道路表观病害检测识别精度低、漏判、误检率高的问题,提出了一种改进的道路表观病害检测高精度识别模型(improved pavement detection-YOLOv5, IPD-YOLOv5)。在YOLOv5的主干特征提取网络中添加由不同空洞卷积组成的ASPP模块,引入SE-Net注意力机制以加强算法从裂缝图像中提取不同尺度特征的能力,实现多尺度特征图的有效融合。结果表明：较传统检测算法,所提的IPD-YOLOv5模型在道路裂缝病害检测上的识别精度最高,其中平均精度比未改进的YOLOv5算法提高了7.47%,漏判率降低了10.29%。     

基于物联网的便携式公路路面检测系统设计

公路路面检测是公路养护管理的重要内容。基于物联网技术,结合图像分割和嵌入式技术,设计了一种便携式公路路面检测系统。该系统通过高清摄像头传感器采集路面图像,利用图像分割技术对路面图像进行分析和处理,发现路面病害。系统使用嵌入式技术实现,体积小、便于携带与安装,公路路面检测效率高,可以实现对公路路面的高效、智能检测。     

基于图像增强的水泥路面裂缝检测方法及应用

针对水泥路面裂缝识别的干扰和噪声问题,提出一种基于图像增强的裂缝检测方法。首先利用小波变换增强裂缝对比度;再采用空域滤波和基于傅里叶变换（FFT）的频域滤波相结合的方法滤除图像中的噪声和干扰;在此基础上,使用边缘检测方法实现裂缝提取。实验结果表明,该方法可有效去除图像中的干扰和噪声,较好地识别水泥路面的裂缝。     

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。     

融合注意力机制与轻量化网络的桥梁裂缝分类

提出一种基于注意力机制融合轻量化网络的桥梁裂缝图像分类方法。以轻量化卷积神经网络为理论基础分类识别桥梁裂缝图像,并在轻量化网络中加入注意力机制以解决网络无法自主关注所感兴趣区域的问题。根据桥梁图像中裂缝所占比例较小且边缘突出的特点,选用适合于识别桥梁裂缝的注意力机制——CBAM(convolutional block attention module),并将其嵌入轻量化卷积神经网络EfficientNetv2中,建立CBAM-EfficientNetv2模型。实验结果表明：CBAM-EfficientNetv2模型与VGG16、ResNet34等常用深度学习模型对比,可获得最优的桥梁裂缝图像分类效果,其分类识别准确率达到95.64%。     

基于MATLAB GUI的裂缝检测系统研究

裂缝检测对混凝土的结构健康和结构安全保障起到了至关重要的作用。以往都是通过人工检测的方式去检测裂缝,但是人工检测裂纹的过程十分耗时费力,而且还会受到检测人员主观判断的影响,此外,裂纹检测比其他基础架构元素检测要复杂得多。目前有关裂缝检测方法复杂且效率低下。所以,裂纹检测系统的发展一直是一个重要的课题。因此,本研究的目的是基于MATLAB GUI图像处理技术创建一个有效的裂纹检测系统,其中包括图像灰度化、图像去噪、图像增强、图像二值化裂缝识别以及GUI设计。实现了裂缝宽度、长度、面积、方向等特征的自动测量,并优化现有的图像去噪算法。     

基于LS-SVM算法的遥感图像目标检测方法研究

遥感图像受到光照、拍摄角度、大雾等影响使得目标检测精度低,为提高遥感图像目标检测质量,通过计算遥感图像背景复杂度,进行目标区域的预提取,实施目标检测,提出基于LS-SVM算法的遥感图像目标检测模型。将提出的方法应用于舰船遥感图像和航空遥感图像的目标检测中,并和联合显著性特征和角度信息方法、改进SSD算法进行对比。结果表明该方法能够更好地对比较暗、尺寸比较小的目标进行检测,具有一定的应用价值。     

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。     

基于改进 SSD 网络的目标检测方法

传统目标检测方法存在准确率低、可靠性差、效率低等问题,无法满足对大量图片准确、高效处理的需求。对 SSD 网络结构进行改进,删除原网络最后两个预测层,对保留各预测层的默认框个数和宽高比进行优化,同时对保留的最后一个预测层的网络参数进行改进。改进后的 SSD 网络减少了网络参数和计算量,对存在遮挡、目标较小等情况的图片数据具有更好的检测精度和检测效果,同时模型检测的 mAP 提高了约 5.1%。改进后的网络模型解决了传统方法的不足,可以实时、准确、高效地对大量图片数据进行目标检测处理。     

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%。     

基于Sobel算子的无砟轨道道床板裂缝自动检测算法

目前无砟轨道道床板裂缝检测采用的电磁、超声等无损检测方法存在检测设备复杂、检测精度低等问题,为此文章提出了基于Sobel算子的无砟轨道道床板裂缝自动检测算法,此算法通过对裂缝图像的预处理、边缘特征提取、边缘标定、长度测量,实现对裂缝方向和长度的判断。实验表明,利用Sobel算子提取无砟轨道道床板裂缝的边缘特征,具有算法简单、裂缝识别准确和对噪声鲁棒的优点,为裂缝检测提供了新的方法。     

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。     

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。     

融合图像显著性的YOLOv3船舶目标检测算法研究

针对复杂水面环境下的船舶目标检测问题,运用融合图像显著性的YOLOv3船舶目标检测改进算法以提高检测能力。该算法基于Darknet-53网络模型,根据水上船舶特点,融合非极大值抑制算法Soft-NMS和显著性检测算法FT思想,进一步优化最终检测以达到更准确的效果。用Soft-NMS算法替换原有NMS算法,使得算法对小目标和重叠目标检测效果明显提升。融入FT算法对船舶图像局部细节作进一步细化,使得包围盒回归更加准确。在建立的数据集上进行训练与测试,实验结果表明,改进方法比原始方法准确率提高4%,达97%,检测速度提高10帧/s,达30帧/s,表明改进算法有效提高了船舶目标检测精度,且加快了检测速度。     

基于机器视觉的日用瓷表面缺陷检测

为了检测釉面陶瓷表面的斑点、划痕、崩角等常见缺陷,提出了一种采用同轴光照方式和CCD为图像获取工具的数字图像实时在线检测系统.该系统根据地方企业生产的白釉面陶瓷的特点,通过边界提取和图像形态学闭运算获得图片的ROI（感兴趣区域）,再与经过分离中值滤波算法处理过的ROI进行对比,从而确定陶瓷的缺陷信息.实验表明：该方法不像传统的神经网络和SVM算法需要建模,所以检测速度较快,且准确度高,检测效率超过3个熟练工人,可以满足当地企业生产陶瓷种类多且外形不定的检测要求.     

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。