检索结果-南通市图书馆

基于深度学习的无人机航拍图像小目标检测方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的无人机航拍图像小目标检测方法研究

作者：张博海南大学

学位级别：硕士

利用无人机获取的图像进行目标检测在电力巡检,交通监控、农作物监测以及森林火灾预警等领域具有重要意义。然而,无人机航拍图像通常受到拍摄高度、角度以及天气条件等多方面的影响,且所需检测的目标具有尺寸小,分布密集,与周围背景难... 详细信息

利用无人机获取的图像进行目标检测在电力巡检,交通监控、农作物监测以及森林火灾预警等领域具有重要意义。然而,无人机航拍图像通常受到拍摄高度、角度以及天气条件等多方面的影响,且所需检测的目标具有尺寸小,分布密集,与周围背景难以区分以及检测精度难以提升等问题,为此,本文提出基于深度学习的无人机航拍图像小目标检测方法,论文的主要工作如下:(1)构建无人机航拍图像数据集。针对现有无人机数据集在复杂条件下图像不足的问题,将Visdrone数据集作为基础数据集,在此基础上使用无人机在夜景及雨雾天气采集的图像作为扩充图像,剔除不宜标注和训练的样本;然后通过旋转、镜像、添加噪声等方式对所采集图像进行扩充,增强模型的泛化性能;通过使用Label Img图像标注软件,对采集到的图像中的六类物体进行人工框选,并整合所有的.XML文件,最终得到VOC以及YOLO两种格式的数据集。(2)利用Faster R-CNN,SSD,YOLOv5以及YOLOv7四种算法,在所构建的无人机航拍图像数据集进行了训练及测试,总共得到了6组测试结果,经过对比分析,基于YOLOv7算法在无人机航拍图像数据集中表现更佳。(3)为了进一步提升YOLOv7在无人机航拍数据集中的性能,对YOLOv7的网络结构进行了改进,相比于改进前,改进后模型的m AP总共提升了3.6个百分点。其中,为了提升小目标特征的显著性,在YOLOv7的MP模块与SPPCSPC模块中分别融合了CBAM与Sim AM注意力机制;为了实现不同尺度特征图之间上下文信息的融合,提出了基于RS-ELAN的多尺度特征融合网络,特征图在ELAN模块进行连续的卷积操作中,采用了不跨层的跳跃连接方式保留更多的小目标信息,同时也维持了梯度的稳定;为了提升高质量锚框对回归损失的贡献,引入FocalEIOU损失函数使得高质量锚框分配到更大的权重。本文针对无人机航拍图像小目标的特点进行分析,构建了具有针对性的数据集,比较了常用的目标检测算法,再对具有良好性能基础的YOLOv7检测算法进行了改进,最后对改进后的YOLOv7无人机航拍图像小目标检测模型进行测试。实际测试效果表明,改进的目标检测模型性能提升明显,对于识别和定位无人机航拍图像的小目标有着实际意义,并且对其他领域中的小目标检测也具有一定参考价值。

关键词：深度学习无人机航拍图像目标检测小目标 YOLOv7

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

残差特征融合的小目标动态实时检测算法

电子测量技术 2023年第11期46卷 107-114页

作者：冉险生陈俊豪苏山杰张之云重庆交通大学机电与车辆工程学院重庆400047

针对图片中小目标携带信息少、尺度变化大等检测难点,本文以YOLOv5s为框架,提出一种特征融合的小目标动态实时检测模型(HCD-YOLOv5s)。针对模型下采样易造成小目标信息丢失、深层网络位置信息表达不足等问题,从浅层中新增检测小目标的... 详细信息

针对图片中小目标携带信息少、尺度变化大等检测难点,本文以YOLOv5s为框架,提出一种特征融合的小目标动态实时检测模型(HCD-YOLOv5s)。针对模型下采样易造成小目标信息丢失、深层网络位置信息表达不足等问题,从浅层中新增检测小目标的检测头;本文针对特征融合造成的特征混淆等问题,设计一种特征融合方式CCAT,减少检测层位置信息与语义信息的丢失;针对检测任务与数据分布不同适应的激活函数不一致,设计DConv模块,分离回归任务与检测任务,实现模型的动态检测。本文在VisDrone数据集上对模型进行消融实验,3个模块相互促进。选取不同输入尺寸的图片对模型进行速度与精度测试。在YOLOv5s的基础上HCD-YOLOv5s的mAP50提高了10.2%,检测精度与参数量明显优于YOLOv5m, FPS达到90。最后在DOTA-v1.0上进行实验验证,mAP50、mAP分别提升了1.8%与2.0%,证明本文提出的HCD-YOLOv5s在小目标检测上有更佳的性能。

关键词：小目标特征融合动态函数实时检测

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

无人机输电线路巡检照片号牌文字识别方法

无线电工程 2023年

作者：李有春汤春俊梁加凯林龙旭徐敏谢敏金华八达集团有限公司中国计量大学机电工程学院国网浙江省电力有限公司金华供电公司

针对无人机巡检拍摄的高像素电力杆塔照片中杆塔号牌文字识别成功率低的问题，提出了一种改进CTPN算法。首先，利用二维重叠滑动切割方法对输入图像进行切割，将主干网络Vgg16改为MobilenetV2对切割后图片进行卷积处理同时在其中加入DA... 详细信息

针对无人机巡检拍摄的高像素电力杆塔照片中杆塔号牌文字识别成功率低的问题，提出了一种改进CTPN算法。首先，利用二维重叠滑动切割方法对输入图像进行切割，将主干网络Vgg16改为MobilenetV2对切割后图片进行卷积处理同时在其中加入DAN网络的注意力机制得到特征图；其次，将卷积得到的特征图转化成序列输入至Bi-LSTM网络学习序列特征，并通过全连接层得到建议框；最后，加入重映射方法将建议框映射回原图，筛选整合映射到原图的建议框后，得到号牌文本框。将得到的文本框内的图像截取输入到CRNN网络进行文字识别，实验结果表明，当切割框为456×256像素，横向重叠率为9%，纵向重叠率为8%时，识别精度可以达到87%。

关键词：深度学习高像素场景文字识别小目标

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于ScoreCAM的X光安检违禁品检测

计算机工程与设计 2022年第12期43卷 3483-3492页

作者：赵晴张海刚汤圣涛毛亮孙红星杨金锋深圳职业技术学院粤港澳大湾区人工智能应用技术研究院广东深圳518055 辽宁科技大学电子与信息工程学院辽宁鞍山114051 杭州市特种设备检测研究院电梯检验一所浙江杭州310051

针对X光安检违禁品检测依赖数据标注,存在多姿态变化且小目标不易检出的问题,改进ResNet50网络,提出基于弱监督机制的X光安检违禁品检测模型。通过ScoreCAM算法,依靠图片类别标签实现可视化和违禁品定位,结合可变形卷积和空洞卷积,设计... 详细信息

针对X光安检违禁品检测依赖数据标注,存在多姿态变化且小目标不易检出的问题,改进ResNet50网络,提出基于弱监督机制的X光安检违禁品检测模型。通过ScoreCAM算法,依靠图片类别标签实现可视化和违禁品定位,结合可变形卷积和空洞卷积,设计4种在主干网络不同位置添加可变形空洞卷积模块的网络结构,使卷积核的形态更贴近违禁品轮廓,提高违禁品特征的提取能力。仿真结果表明,该模型结果更加准确,能有效应对违禁品目标多姿态变化、遮挡、小目标漏检的技术难题。

关键词： X光安检弱监督违禁品检测小目标空洞卷积可变形卷积遮挡

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于机器学习的电力设施智能识别方法研究

基于机器学习的电力设施智能识别方法研究

作者：孙乐杨吉林大学

学位级别：硕士

电力设施数据是智能电网大数据的关键组成部分,对电网的运维管理至关重要。电力数据具有专有性、特殊性等诸多领域特点,普通用户一般难以实时获取,在工厂选址、公路建设、机场规划等前期规划阶段,因缺少电力部门专业性支持而影响进度情... 详细信息

电力设施数据是智能电网大数据的关键组成部分,对电网的运维管理至关重要。电力数据具有专有性、特殊性等诸多领域特点,普通用户一般难以实时获取,在工厂选址、公路建设、机场规划等前期规划阶段,因缺少电力部门专业性支持而影响进度情况时有发生。近年来利用遥感影像进行电力线路数据提取已逐步成为研究热点,阶段性成果弥补了非专业性的无高质量电力数据要求的业务需求。虽然取得较为理想的阶段性进展,但仍存在小目标检测精度低、过多卷积导致深层次特征图像信息丢失等问题。本文针对以上问题设计并实现了基于深度学习的电力设施影像智能识别系统,使电力线路数据提取更精确、更自动化。主要研究工作如下:（1）设计基于机器学习的电力设施影像智能识别系统框架,提出一套基于多种机器学习模型的点状、线状电力设施智能识别的方法和技术流程。（2）电力设施影像数据集的构建。搜集点状电力设施图像（火电厂烟囱、火电厂冷却塔、高压输电塔、变电站（变电设施）、风力发电机）与线状电力设施图像（高压输电线）,在利用数据增强手段扩充数据集后分别采用不同的标注工具进行标注。（3）点状电力设施识别模型的搭建。使用YOLOv5x模型完成点状电力设施的检测识别,并针对部分高压输电塔存在小目标检测难度大的问题,提出一种增加更大尺度目标检测层的YOLOv5改进方法,有效解决小目标的识别问题。（4）线状电力设施识别模型的搭建。使用Deeplabv3+模型完成线状电力设施的检测识别,并针对因卷积过多而引起深层次特征图像信息丢失的问题,提出融合CBAM注意力机制的改进Deeplabv3+模型,有效提升输电线的识别精度。（5）利用GDAL计算识别得到的点状电力设施的经纬度坐标,并利用基于PPHT的直线拟合算法将线状电力设施识别结果的离散点拟合成线,再将同区域内的点、线合并形成电力网络。

关键词：电力设施 YOLOv5x 小目标 Deeplabv3+ 注意力机制

基于Faster R-CNN的小目标检测研究与应用

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于Faster R-CNN的小目标检测研究与应用

作者：任钰安庆师范大学

学位级别：硕士

目标检测通过目标定位与分类实现对图像中特定目标的检测。作为计算机视觉的重要任务之一,目标检测被广泛应用于安防、交通和医疗等领域,如人脸检测、自动驾驶和医学图像分析等。基于深度学习的目标检测技术在很多视觉应用方面的表现超... 详细信息

目标检测通过目标定位与分类实现对图像中特定目标的检测。作为计算机视觉的重要任务之一,目标检测被广泛应用于安防、交通和医疗等领域,如人脸检测、自动驾驶和医学图像分析等。基于深度学习的目标检测技术在很多视觉应用方面的表现超过人类,这使深度学习算法成为当前目标检测的研究重点。小目标指图像中小于32×32像素区域的目标,由于小目标像素少、承载信息量低,所以小目标检测是目标检测的研究难点。图像的小目标相对于大目标携带信息量小、样本制作成本高,常规目标检测算法无法较好地处理小目标检测问题。本文围绕多尺度检测、正负样本平衡及上下文信息等三个方面,基于Faster R-CNN研究不同应用场景下的小目标检测问题。以下是论文取得的主要研究成果:(1)针对小目标尺度小和特征难以提取的问题,提出一种多尺度空间特征增强的预测金字塔算法(Multi-scale Spatial Feature Enhance Pyramid,MSFEP)。MSFEP算法舍去FPN的最大池化层以增强浅层空间特征,通过与深层语义特征融合提高小目标的检测性能。基于MSFEP算法和多尺度自定义锚框生成机制(Multi-scale Anchor Generation,MAG)生成的多尺度锚框与待检测目标形状和尺度更适配,能使Faster R-CNN检测到不同尺度下的目标;同时,引入权重衰减正则化方法降低网络权重,提高检测模型的目标检测性能。为验证所提算法有效性,本文从MAFA和FDDB两个公开数据集中选取人脸和佩戴口罩人脸图像,重新标注、构建口罩佩戴检测数据集。口罩佩戴检测实验结果表明加入MSFEP算法的Faster R-CNN检测效果较好,与基准模型相比提升了6.4%的小目标检测性能。(2)针对小目标在候选区域生成阶段正样本较少的问题,本文提出一种基于正负样本平衡的数据增强策略。图像中小目标的有效像素及可用于模型梯度更新的信息量少,这是导致小目标检测性能差的直接原因。数据增强策略有选择地复制图像中的小目标并多次粘贴到训练图像,生成针对小目标检测的图像数据集,在模型的训练阶段引入马赛克增强算法丰富小目标的检测背景,提升Faster R-CNN的鲁棒性。引入自注意力机制,设置Faster R-CNN的特征提取网络为Swin-Transformer Tiny(Swin-T)网络,以提高模型的检测性能。交通标志检测实验结果表明,基于正负样本平衡的数据增强策略和Swin-T网络能有效提升Faster R-CNN的小目标检测性能。(3)本文结合MSFEP算法和Swin-T网络,基于Faster R-CNN设计膀胱癌浸润性辅助诊断模型。针对小目标可用信息较少的问题,本文提出采用基于上下文信息的数据标注法构建膀胱肿瘤亚型检测的小目标数据集。在T2加权序列的MRI图像上,利用MSFEP算法和Swin-T网络增强膀胱壁与肿瘤之间的空间特征,采用带有检测框与真实框之间交并比(Intersection over Union,Io U)信息的边框回归损失函数提升病灶区域定位任务的精确度。经Smooth Grad-CAM++方法可视化的类别激活热图既为临床医生提供可解释的膀胱癌浸润性诊断依据,且表明所提算法可学习到膀胱癌亚型类别信息。实验结果表明设计的模型能为临床诊断提供有效的辅助诊断信息。论文基于Faster R-CNN研究小目标检测中的一系列关键问题,以丰富目标检测应用场景。论文研究成果对提高小目标检测性能、扩大目标检测适用范围具有一定的借鉴意义,并为基于Faster R-CNN的小目标检测的研究与应用提供了参考。

关键词：深度学习目标检测小目标多尺度正负样本平衡上下文信息

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

小尺寸交通标志检测识别算法研究

小尺寸交通标志检测识别算法研究

作者：陈春辉天津理工大学

学位级别：硕士

交通标志检测与识别是智慧交通系统中不可或缺的技术,该技术可以为车辆安全预警提示,规划行车路径,提高路网运输效率。尽管该项检测技术已经研究多年,但随着智慧交通的不断推进,如何在复杂环境下高效快速的检测出小尺寸交通标志仍然面... 详细信息

交通标志检测与识别是智慧交通系统中不可或缺的技术,该技术可以为车辆安全预警提示,规划行车路径,提高路网运输效率。尽管该项检测技术已经研究多年,但随着智慧交通的不断推进,如何在复杂环境下高效快速的检测出小尺寸交通标志仍然面临诸多难题,且由于模型体积限制,部署到小型移动设备上很难做到检测精度和检测速度的平衡。对此,本文利用深度学习相关技术,对交通标志检测识别算法开展了深入研究,具体工作如下:(1)针对小尺寸交通标志检测率偏低的问题,构建一个基于YOLOv5采样优化的交通标志检测网络。首先利用自卷积算子Involution对特征图进行自卷积采样,灵活高效的提取特征,并构造跨阶段注意力机制(Attention Module Cross Stage Partial,AMCSP)结构,为通道增加重要性权值,使得网络更加关注小尺寸的目标。然后用改进的通道聚合结构(Path Aggregation Network,PAN)实现多尺度语义信息和细节特征的融合和增强。最后引入DIOU＿NMS函数做后处理,避免对遮挡目标错误抑制,提高目标定位精度。在中国交通标志数据集上的实验结果表明,当交并比阈值为0.5时,该网络的平均精度均值为95.8%。(2)针对交通标志检测网络参数量大,移动部署难的问题,构建一个基于无锚检测(Anchor-free)的轻量级单阶段检测网络TSDNet-tiny,该网络通过整合网络分支,减小内存访问成本;增加下采样通道去融合不同尺度的信息,实现对小尺寸目标的精准检测;然后引入ATSS算法平衡正负样本背景,利用Focal loss函数达到快速收敛的目的,并通过NCNN框架进行手机部署,部署网络参数量0.94M,平均检测速度为25FPS。(3)为了进一步提高交通标志识别网络的性能,区分优化后的交通标志的详细类别,给出一个基于上下文增强机制和自卷积算子相结合的识别方法,该方法采用上下文空洞金字塔(Context Dilated Pooling Pyramid,CDPP)结构增强网络获取多尺度信息的能力,在卷积核参数不变的情况下扩大感受野,提升网络的鲁棒性。其次通过自卷积算子对输入图像进行多倍下采样操作,灵活提取特征,获取更加丰富的图像细节信息和语义信息。在中国交通标志数据集上的实验结果表明,该方法的识别准确率为99.12%。

关键词：交通标志检测与识别小目标注意力机制自卷积算子空洞金字塔

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的遥感图像语义分割方法研究

基于深度学习的遥感图像语义分割方法研究

作者：杨子萌山东农业大学

学位级别：硕士

遥感图像的分割是遥感图像解译的一项重要任务。随着计算机技术的不断发展,采用深度学习方法对遥感影像进行解译已趋于成熟,现有神经网络会忽略遥感图像中目标地物之间的空间关系,卷积神经网络(CNN)和图卷积神经网络(GCN)结合的语义分... 详细信息

遥感图像的分割是遥感图像解译的一项重要任务。随着计算机技术的不断发展,采用深度学习方法对遥感影像进行解译已趋于成熟,现有神经网络会忽略遥感图像中目标地物之间的空间关系,卷积神经网络(CNN)和图卷积神经网络(GCN)结合的语义分割模型会造成地物边界特征的缺失,导致各类目标地物边界分割不理想,对高程信息的忽略会影响高差较大地区的模型训练效果和语义分割精度。遥感图像普遍具有较大的尺寸并包含丰富的空间语义信息,图像表现出较大的类内方差和较小的类间方差,引起分类不平衡问题,这导致高分辨率遥感图像中小目标地物的分割效果不理想。针对以上问题,本文以青海省西宁市为研究区域,采用两种语义分割方法对不同地形条件下研究区的地表覆盖类型进行语义分割。本文的主要研究内容和结论如下:(1)针对研究区中湟中区、湟源县、大通回族土族自治县区域海拔高并且高差大的情况,提出了一种结合CNN和GCN的语义分割模型DGCN。该模型将高程数据作为参数输入到特征提取网络中,尽可能减少了不同高程环境下相同地物特征信息差异过大的问题。GCN对遥感图像中的目标地物及其空间关系特征进行学习,设计了相应的边界损失函数以地物边界处的学习效果,最后使用分层融合的方法将多个特征图像逐层融合并分类。在ISPRS Vaihingen、ISPRS Potsdam和Deep Globe公开数据集上的实验结果表明,在特征提取阶段加入高程信息可以提高模型对地表地物特征信息的获取能力。在西宁市湟中区、湟源县、大通回族土族自治县等区域的实验中,DGCN的分割精度明显高于其他对比模型,DGCN1的平均交并比(mIoU)和总体精度(OA)分别达到了72.36%和86.67%,DGCN2的平均交并比(mIoU)和总体精度(OA)分别达到了74.15%和88.65%。证明对海拔高且高差较大地区的地表覆盖类型进行语义分割时,加入高程信息,可以有效提高分割精度。(2)针对研究区中城北区、城西区、城东区、城中区等区域存在较多小目标地物的情况,提出了一种新的具有坐标注意力和SPD-Conv的遥感图像语义分割网络CASNet。在特征提取网络中用SPD-Conv替换了原有的跨步卷积,在原有主干网络中又增加了一个池化层来捕获细节信息,将坐标注意力机制引入多尺度模块中,提高遥感图像中分类对象的可识别性和目标定位的准确性,同时在交叉熵损失函数中引入了Dice系数来解决数据集分类不平衡导致的精度问题。在ISPRS Vaihingen、ISPRS Potsdam公开数据集上的实验结果表明,在小目标地物的分割中,用SPD-Conv替换主干网络中跨步卷积,并且在多尺度特征提取模块中加入坐标注意力机制可以减少对细节信息的忽略,可以有效提高对小目标地物的分割精度。西宁市城北区、城西区、城东区、城中区分割结果显示,CAS-Net对小目标地物的分割总体精度和平均交并比明显高于其他经典语义分割模型,CAS-Net的平均交并比(mIoU)和总体精度(OA)分别达到了76.48%和89.43%。

关键词：深度学习遥感图像语义分割 DEM 小目标

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多尺度空间联合的视觉缺陷检测方法研究

基于多尺度空间联合的视觉缺陷检测方法研究

作者：张世奇电子科技大学

学位级别：硕士

缺陷检测是工业制造和服役中的一项安全保障任务,传统的人工巡检方式成本过高、检测效率较低、主观因素较强,存在一定的局限性。而随着计算机视觉技术的发展,针对常见类型的缺陷,基于机器视觉的缺陷检测技术一定程度上弥补了上述的不足... 详细信息

缺陷检测是工业制造和服役中的一项安全保障任务,传统的人工巡检方式成本过高、检测效率较低、主观因素较强,存在一定的局限性。而随着计算机视觉技术的发展,针对常见类型的缺陷,基于机器视觉的缺陷检测技术一定程度上弥补了上述的不足。对于微弱类型的缺陷,因其形态表征不明显,使得特征信息难以提取,一般方法容易出现较多漏检。且与纹理、污渍等特征相比,其类间差异较小,又容易产生较多误检。所以实现缺陷的自动化检测仍然是一个挑战。为解决上述问题,本文提出基于多尺度空间联合的视觉缺陷检测方法。实现分类和回归信息通过相邻层级补正,提升模型微弱、多尺度目标的检测能力。本文的主要研究工作如下:1.研究视觉检测的基本原理,以提升模型微弱、多尺度目标检测能力为基准。针对目标检测中的多尺度层级进行结构讨论,并对一阶段检测器在训练和测试时存在后处理方法不一致问题做出分析。2.结合深度学习中的多尺度框架和注意力机制,从卷积神经网络结构和决策融合上进行创新改进,提出了类别空间金字塔结构和回归空间金字塔结构,分别对类别和回归空间设计了可微的邻级信息融合策略。并设计了用于提取质量信息的bbox quality注意力模块,实现后处理方法的一致。3.搭建缺陷自动化检测平台,对工业排气管道自然缺陷试件开展相关实验,建立缺陷数据集,部署模型实现对缺陷的在线检测。并通过m AP、F-Score和FPS三项指标对算法性能进行评价分析。本文选取各类检测架构中的经典和先进模型作为对比方法,并对本文方法的结构模块开展消融实验。实验的评价指标和可视化结果表明,本文方法在微弱、多尺度的缺陷数据集上有着较好的检测性能,既在检测速度上实现了实时在线检测,也在检测指标上优于通用的目标检测方法。而在LCDcover和Tiny Person公开数据集上进一步验证了本文方法的通用性。

关键词：目标检测深度学习小目标多尺度