基于超分辨率重建技术的遥感图像小目标检测

针对传统舰船遥感图像存在背景复杂和信息模糊等问题,提出一种基于超分辨率重建的舰船遥感图像小目标检测算法.该方法首先通过超分辨率重建技术对信息模糊的原始遥感图像进行清晰重建,防止重建图像过程中出现过大的固有特征损失和过于平滑的梯度变化.在此基础上建立Faster R-CNN网络,自动提取图像数据集目标特征,准确地实现舰船遥感图像中的小目标识别.实验结果表明,基于超分辨率重建的检测算法的综合效率达到65.5%,相比传统算法提高12.9%.由此证明,改进后的算法能够有效克服目标尺寸小和识别背景复杂所带来的检出率低和准确率差等问题.     

深度学习在输电线路无人机巡检中识别防振锤缺陷的应用

基于深度学习技术,对无人机巡检架空线路防振锤缺陷识别的应用开展了研究。针对巡检图像背景复杂,防振锤识别目标小、易出现漏检的特点,在更快的基于区域的卷积神经网络（faster region-based convolution neural network, Faster R-CNN）算法基础上,利用光学矫正和综合去噪对图像进行预处理,用深度残差网络（deep residual network, ResNet)提取特征图,增大、增多训练尺度对算法进行优化。通过Gabor滤波器和分析红绿蓝(red green blue, RGB)颜色通道特征分别对防振锤损坏和锈蚀缺陷进行识别。实验结果表明:该方法对防振锤缺陷有较好的识别效果,召回率达到92.56%,精确度达到98.24%,优于现有的其他目标检测方法。     

基于Faster R-CNN的玻璃瓶缺陷检测技术

自动化检测玻璃瓶缺陷技术的实现,能够减少人力物力的需求量,提高玻璃瓶缺陷检测结果的准确性以及可靠性.将深度学习网络应用到玻璃瓶缺陷检测技术上,分别使用VGG16和Resnet101作为缺陷检测模型中Faster R-CNN的特征提取网络,在不同的锚框的尺度下对缺陷检测效果进行分析.实验结果表明,Faster R-CNN...     

基于深度迁移学习的烟雾图像检测

针对乡村焚烧秸秆的烟雾预警问题,提出一种基于深度迁移学习的烟雾图像检测方法。该方法使用TensorFlow框架,引用已在ImageNet数据集上训练好的Inception-v3网络模型作为源模型,将其在ImageNet数据集中提取到的边缘、色彩、纹理等特征用于构建新的烟雾检测模型。利用真实场景的监控图像进行实验验证,实验结果表明,和传统的烟雾图像检测方法相比,该方法取得了较高的检测准确率,测试准确率达到了90%。     

基于深度学习的行人和车辆检测

为解决自动驾驶行车环境目标检测的问题,提出了一种基于深度学习的行人和车辆检测网络PVDNet。在网络底层,改进了跳跃连接结构,提出多级跳跃连接MLSC,加速了模型的收敛速度和收敛精度;在网络顶层,设计了一种多层特征融合方法 MLFF,将底层特征与顶层特征融合以提高检测精度;在网络输出层,提出了一种单维卷积方法 ODC替代全连接层,减少了模型参数以提高检测速度。实验表明:与原始的Faster R-CNN相比,PVDNet在数据集PascalVOC2007、PascalVOC2012、MS COCO、KITTI上行人和车辆平均检测准确率分别提高了3.7%、6.1%、5.6%、9.62%。     

基于深度属性学习的交通标志检测

为了弥补交通标志底层图像到高层语义之间的鸿沟,本文引入交通标志的形状、颜色、图案内容三种视觉属性,在卷积神经网络(Convolutional neural network,CNN)中加入属性学习(Attribute learning)约束,同时进行交通标志属性学习和分类学习,提出了一种基于深度属性学习的交通标志检测方法。并在公开数据集Sweden traffic sign detection dataset(STSD)和German traffic sign detection dataset(GTSD)上进行的实验结果表明,该方法能够有效地提高交通标志检测的准确率和召回率。     

基于深度学习的核桃外壳缺陷检测

实现了对核桃外壳缺陷的快速识别,提高基于机器视觉的核桃分选效率,提出了一种基于改进的YOLOv5s核桃外壳缺陷检测方法.YOLOv5s网络中大量采用卷积核为3的卷积进行特征提取,为降低网络的计算量,提出利用深度可分离卷积代替残差网络中所采用的卷积核为3的卷积,提高对核桃外壳检测的速度.此外,为了保证精度能够满足要求,采用了改进的均值聚类对检测框进行初始化,提高生成检测框的质量,进而提高核桃外壳缺陷检测精度.由于聚类方法相对整个网络结构计算量较小,因此对核桃外壳检测的速度影响较小.通过实验对比分析,改进后的YOLOv5s能够快速识别出核桃外壳缺陷,而且识别精度基本保持不变.     

基于深度学习的小目标检测算法研究进展

基于深度学习的小目标检测算法可以有效提高小目标检测性能和检测速率,在图像处理领域得到了广泛应用。首先概述了小目标检测的难点,分别对基于锚框优化、基于网络结构优化、基于特征增强的小目标检测算法进行了分析,总结了各算法的优缺点;然后介绍了用于小目标检测的公共数据集和小目标检测算法的评价指标,对检测算法的性能指标进行了分析;最后对小目标检测算法已经解决的难点进行了总结,并对有待后续研究方向进行了展望。深度学习在小目标检测领域仍有较大的发展空间,在模型通用性、耗时与精度和特定场景的小目标检测等方面有待深入研究。     

基于深度学习的电力输电线故障目标检测算法综述

故障检测对于确保电力系统正常运行具有重要意义。近年来随着深度学习在目标识别领域的重大进展,基于深度学习的电力输电线故障目标检测逐渐成为电力系统故障目标检测领域的研究热点。目前深度学习领域的主流算法包括两阶段目标检测算法和单阶段目标检测算法。本文对此两类算法进行简要介绍,分析其中具有代表性的几种卷积神经网络算法的优缺点,并总结电力系统故障目标检测存在的问题,以及未来的发展方向。     

Algorithm for foggy-image pedestrian and vehicle detection

In order to improve the accuracy of the foggy-image pedestrian and vehicle detection, a novel and practical Foggy-image pedestrian and vehicle detection network (FPVDNet) based on the Faster R-CNN is proposed. First, a foggy-density discriminating module (FDM) is proposed to influence the density of the foggy images. In this way, the prediction from the FDM could determine the subsequent operations for different densities of the fog (No-fog, Light fog, and Dense fog). Then, the squeeze and excitation module (SE Module) is designed to use the attention mechanism to improve the feature extraction capability of the network. Meanwhile, the method of the deformable convolution network is applied to add offsets and learn the offsets from target tasks to enhance the transformation modeling capacity of CNNs. Finally, for lack of the annotated fog image dataset, it is necessary to generate a simulated fog image training dataset through the atmospheric scattering model. The simulated foggy image inherits the annotation of the clear image and increases the information on the fog density. Experiments by the proposed FPVDNet are carried out on the 1, 500 real-fog images and 500 real-clear images, with experimental results showing that, compared with the original Faster R-CNN, the mean average detection accuracies are improved 2%~4% by using the FPVDNet.     

一种基于深度学习的PCB图像字符检测方法

利用印刷电路板（PCB）残片图像的字符检索完整PCB图像,是解决PCB残片溯源难题的一种有效方法;为此,提出了一种高性能的PCB图像字符检测方法。基于残差网络结构实现特征金字塔的提取,设计双检测头进行字符区域预测,引入结构相似性损失函数优化网络;设计了一种适合PCB图像的字符区域热力图标签生成算法以训练网络;采用多种数据增强、多尺度检测等策略提高字符检测性能。在自建PCB图像数据集上进行测试,该方法的字符检测精准率为95.6%、召回率为92.4%;特别是综合指标F1为93.6%,优于对比方法,证明了针对PCB图像字符检测问题,所提出的综合检测方法可与当前自然场景图像字符检测的先进方法媲美。     

试谈监理工作中的图纸审查

在现阶段监理单位应重视图纸会审,重点从三个方面与设计沟通,解决疑难问题,以更好地为工程建设服务.     

基于深度学习的LSTM光伏预测

随着对能源利用效率要求的提高及日益激增的光伏数据,传统的光伏预测方法已逐渐丧失优势。为了更加准确地进行光伏预测,采用深度学习的框架,并利用循环神经网络(RNN)中最重要的一个结构——长短时记忆网络(LSTM)对时间序列的强大处理能力进行了智能算法建模。由于LSTM具有"遗忘"与"更新"功能,很好地解决了长序依赖问题,从而使光伏预测在精度上有了质的变化,预测速度也得到显著提升。     

基于深度强化学习技术的舰载无人机自主着舰控制研究

自主着舰是未来舰载无人机面临的重要难题与关键技术. 基于TD3算法结合舰载飞机六自由度运动以及航空母舰运动模型,构建了交互式深度强化学习仿真环境. 针对典型海况进行了舰载无人机自主着舰训练,仿真训练过程中综合考虑海况以及航空母舰纵荡、横荡和沉浮3个线扰动,滚转、俯仰和偏航3个角扰动等因素,建立对应简化运动模型; 基于某型飞机气动数据进行气动力建模,建立六自由度运动学/动力学模型; 基于TD3强化学习算法,结合前馈型深度神经网络技术,在高性能GPU工作站上建立舰载机着舰交互训练环境. 通过某型舰载无人机在无模型环境中“试错”训练,验证了AI技术在舰载无人机自主着舰控制中的可行性.     

基于深度学习的变压器图像识别系统

针对变压器型号多、图像复杂,以及传统基于机器学习的人工设计特征的方法不能对大规模变压器图像准确分类等问题提出了基于深度学习的变压器图像识别系统直接对原始图像进行"端对端"的学习。为实现变压器图像的准确分类,提出了改进VGG-16卷积神经网络的变压器图像识别模型。在VGG-16模型的基础上,重新构建了全连接层,针对原有的SoftMax分类器,采用3标签的SoftMax分类器进行替换,以实现网络结构优化,并通过迁移学习共享V GG-16模型卷积层和降采样层的权值参数。通过构建变压器图像的训练集和测试集对改进模型进行了训练,并进行性能测试。结果表明,与深度神经网络、卷积神经网络模型相比,改进VGG-16模型具有更好的效果,识别误差达到了9.17%,并实现了对3种变压器的准确区分。     

基于深度学习的木材含水率预测

精确测量木材含水率一直是木材干燥控制系统研究的热点和难点,含水率测量的准确性会直接影响到木材干燥质量的好坏和干燥成本的高低。为提高木材含水率检测的准确性,采用深度学习方法,建立了一种以深度信念网络为核心的木材含水率检测系统辨识模型。将该模型应用在深度学习预测控制算法中,根据实际测量得到的木材干燥窑的温湿度值及木材电阻率,实现对应木材含水率的预测输出。仿真结果表明,预测值与实际值之间的均方根误差小,预测精度高,说明了将深度学习算法应用于木材含水率预测模型中的有效性。     

基于深度学习的不均衡网络数据分类技术研究

在现实网络环境中,数据分布不均衡是普遍现象,也是研究的热点问题.利用传统机器学习算法解决该问题的研究成果较多,综述性研究也较丰富.但当前从深度学习的角度探讨数据不均衡问题已成为新趋势.对此,综述了基于深度学习方法的研究成果.通过对数据不均衡问题进行深入分析,从数据预处理、分类器设计及改进两大方面梳理相关技术路线,包括传...     

基于深度学习的单幅图像三维重建算法

图像三维重建在逆向工程、人工智能等领域广泛应用基于深度学习利用单幅图像重构出三维模型,已经成为当前研究的热点。文章首先综述单幅图像三维重建的研究现状,重点研究基于体素表达的3D-R2N2、基于点云表达的PSGN、基于单片网格表达的Pixel2Mesh和基于多片三角形网格表达的AtlasNet四种算法,通过实验对比研究,来分析解决不同任务与输出模型不同表达方式的选择问题。     

融合Stacking 和深度学习的中文产品评论情感分析

大量涌现的电商产品评论对企业制定商业决策十分有利, BERT 应用在英语文本情感分析中取得了不错的效果。针对中文电商产品文本评论提出了一个新的融合Stacking 集成思想和深度学习算法模型。首先在文本信息特征提取层使用Chinese-BERT-wwm 生成含有丰富语义信息的动态句子表征向量, Chinese-BERT-wwm 是专门针对中文特点改进后的预训练模型, 具有稳健的中文文本特征信息提取能力, 其次该层同时设计了TextCNN 和BiLSTM捕获文本中局部关键信息特征与语序信息特征, 并将这些特征拼接在一起以获得更全面丰富的句子信息, 最后基于Stacking 集成学习思想使用SVM 对该特征进行分类。为了评估模型效果, 人工标注3 万条具有三类情感极性的中文电商产品文本数据进行实验, 该数据集可广泛用于中文情感分析领域。实验结果表明, 与基线模型相比, 提出的模型可以有效提高中文文本情感极性分类任务的准确率。