多尺度特征增强的路面裂缝检测方法

针对路面裂缝检测不完整和分割出现断裂的问题，提出了一种多尺度特征增强的路面裂缝检测网络MFENet,实现端到端的路面裂缝图像检测、分类和分割处理；设计了多尺度注意力特征增强模块，建立了网络模型的上层多尺度特征通道与底层特征通道权重系数之间的映射关系，以提升有效通道的特征输出；基于路面裂缝的坐标信息和像素语义信息在物理位置上的相关性，设计了多语义特征关联模块，实现不同语义信息之间的特征融合增强，并通过特征维度转换实现对路面裂缝图像的前景特征过滤；提出了一种针对深度特征强度进行量化评估的方法，用于提升模型提取特征能力的可解释性。在自采集数据集上的研究结果表明：MFENet对路面裂缝图像检测的平均精准率和平均召回率相比Mask R-CNN分别提升了4.3%和5.4%,相比基线模型RDSNet分别提升了14.6%和14.3%;MFENet对路面裂缝图像分割的平均精准率和平均召回率相比Mask R-CNN分别提升了6.6%和8.8%,相比RDSNet分别提升了8.1%和9.7%;与Mask R-CNN等主流方法相比，MFENet对不同类型路面裂缝图像的检测、分割精度最高。在公开数据集(CFD、C...     

双注意力引导的跨层优化交通场景语义分割

针对交通场景目标分割边缘不平滑以及小目标难以准确分割等问题，本文提出一种双注意力引导的跨层优化交通场景语义分割算法。首先，构建多分支特征提取编码网络，并利用串行非比例式空洞卷积实现空间上下文信息提取，进而改善小目标信息的丢失；其次，构建基于空间对齐的跨层特征融合解码网络，实现语义信息和细节信息的融合，增强不同尺度目标的表达能力；最后，提出通道和空间注意力机制，建模全局通道相关性和长距离位置相关性，增强网络对关键特征的学习能力。交通场景数据集Cityscapes和CamVid上的实验结果表明，所提特征提取编码网络、跨层特征融合解码网络以及注意力机制模块是有效的；所提语义分割算法获得了77.79%和78.66%的平均交并比，能够平滑目标分割边缘，尤其对细长条形目标具有鲁棒性。     

受电弓故障的车载图像识别技术

针对列车在途中因受电弓发生故障而影响运行安全的问题，提出了一种受电弓故障的车载图像识别技术，以实时检测受电弓降弓、变形与毁坏，碳滑板异常磨耗与缺口，弓角变形与缺失故障；基于更快速的区域卷积神经网络(Faster R-CNN)目标检测框架设计了弓头图像定位目标检测模型，利用残差网络代替原有卷积网络，利用特征金字塔多尺度预测结构构建了候选区域推荐网络，以精准、快速地进行弓头定位和状态检侧；基于掩码区域卷积神经网络(Mask R-CNN)实例分割框架设计了弓头图像分割模型，并针对性地重新设计了检测头的网络结构与特征图尺寸，以适应受电弓的细长弯曲特征，从而准确、快速分割弓头图像；为了在分割后的二值图中更快速地识别与定位故障，根据受电弓结构尺寸和图像分割模型输出的位置坐标，制定了弓角与碳滑板故障的快速模板匹配策略，并在此基础上编制了详细的故障检测算法与程序。研究结果表明：在相应的数据集上，弓头图像定位目标检测模型的平均检测精度为0.944,平均每帧检测时间为0.029 s,弓头图像分割模型的平均分割精度为0.967,平均每帧检测时间为0.031 s,模板匹配的检测精度为0.985,平均每帧检测时...     

一种基于树莓派的口罩自动检测装置

应用树莓派设计了一种可以自动识别顾客是否佩戴口罩的仿真装置.首先,超声波传感器检测到有人经过时,调用树莓派摄像头进行拍照;照片从客户端传输到服务端计算机,树莓派LED闪烁1s作为提示.运用SSD目标检测算法进行人脸是否佩戴口罩的检测;最后,服务端将检测结果反馈给客户端,如检测到人脸佩戴口罩,舵机会按正反顺序各旋转90°...     

基于Faster R-CNN的接触网吊弦故障检测方法

针对接触网吊弦故障图像样本较少,现有方法检测准确率较低的问题,提出了一种高效率、高准确率的接触网吊弦故障检测方法.以Faster R-CNN模型为基础,通过引入能够提取深层次图像特征并实现特征重用的密集连接卷积神经网络(dense convolutional network model, DenseNet)替代原始的特征提取模块提取吊弦图像特征,并在实验中利用图像旋转、增强等数据变换操作扩充样本集提升检测效果.通过对接触网吊弦图像的测试,以DenseNet为主干网络的Faster R-CNN模型能够检测接触网吊弦故障,检测准确率比原始检测模型提高4%以上,且加入数据变换对吊弦故障检测的准确率和鲁棒性均有显著提升,均值平均精度(mAP)可达98%以上.     

改进SSD模型在高分二号遥感影像中高速公路收费站位提取的应用

以高分二号遥感影像中的高速公路收费站为研究对象，选取了北京、山西、河南、广东、福建5个省市2019年的高速公路收费站点位和0.8 m遥感影像，通过图像预处理、样本标注、裁切、数据增强、样本集划分的步骤制作训练样本集；引入“多尺度特征融合”的方法对SSD目标检测模型进行改进，通过增加“转置卷积”和“拼接”操作，将高层次特征图像的语义特征赋予低层次特征图像，以增强上采样质量与特征融合能力，从而提升了模型对小目标收费站的检测效果；将改进SSD模型用于2019年福建省高分二号影像中的收费站点位提取，沿福建省高速公路路网矢量对影像进行自动切片，将切片输入模型中进行目标检测；保留有收费站的切片，使用非极大值抑制去除多余的检测框，将剩余的检测框的坐标变换为中心点的坐标，可以直接输出得到高速公路收费站的中心点矢量，从而实现对于收费站点位的端到端自动化提取。研究结果表明:改进SSD模型的精度、召回率及二者的调和平均数分别为0.86、0.88和0.87，均优于传统的SSD, VGG, Faster R-CNN和特征金字塔网络模型。可见，对收费站点位的自动提取可以大大提高公路管理者的工作效率，有效满足公路管理者的实际工作需求。      

顾及小目标特征的视频人流量智能统计方法

人流量统计对智能安防等领域具有重要研究价值. 针对视频监控系统中人流量统计准确率较低的问题,提出一种顾及小目标特征的视频人流量智能统计方法,重点研究用于小目标检测的Faster R-CNN （Faster region-convolutional neural network）改进算法、运动目标关联匹配以及双向人流量智能统计等关键技术,根据人头目标的小尺度特点对Faster R-CNN网络结构进行适应性改进,利用图像浅层特征提高网络对于小目标的特征提取能力,通过基于轨迹预测的跟踪算法实现运动目标的实时追踪,同时设计双向人流量智能统计算法,以实现人流量高准确率统计;为证明方法的有效性,在密集程度不同的场景中进行了测试. 测试结果表明:改进的目标检测算法相较于原始算法,在Brainwash测试集和Pets2009基准数据集上的平均准确率分别提高了7.31%、10.71%,视频人流量智能统计方法在多种场景下的综合评价指标F值均能达到90.00%以上,相较于SSD-Sort算法和Yolov3-DeepSort算法,其F值提高了1.14% ~ 3.04%.      

基于深度学习的接触网吊弦线夹状态识别

针对人工检查接触网吊弦线夹缺陷耗时耗力且效率低下的问题,提出利用深度学习实现吊弦线夹状态分类的方法.首先利用加入特征金字塔和K-means算法改进的Faster R-CNN算法准确地定位到吊弦线夹,然后采用加入SENet注意力机制模块的Inception-ResNet-V2网络对接触网吊弦线夹螺母的缺失、松脱、正常三种...     

基于加权密集连接卷积网络的快速交通标志检测

为提高算法对交通标志快速定位的准确性，改善现有检测算法在复杂交通环境下检测效果不佳、实时性较差的问题，提出一种基于动态加权密集连接卷积网络的交通标志快速检测算法. 选用YOLOv2 作为基础网络，通过增加动态加权密集块对各层特征图的权重进行调节，实现深层高语义信息和浅层低语义信息的融合；使用MobileNet 轻量化网络结构，通过可分离卷积操作有效降低网络的计算成本；针对池化操作中图像特征丢失严重问题引入 CBAM模块，利用通道注意力和空间注意力信息增强关键特征的表达能力. 实验结果表明，本文算法在GTSDB数据集上分别达到了96.14%的检测精度和139 frame/s 的检测速度，在保证较高检测精度的同时，能够有效提高检测效率，满足实时检测要求.     

基于视频深度学习的铁路周界入侵检测算法研究

基于视频智能分析的铁路周界入侵检测算法相比于雷达、振动光纤，具有成本低、误报率低的优点. 针对视频中存在不同分辨率目标的问题，提出一种改进的Cascade Mask RCNN( CMR)模型，使用级联结构获得目标的准确定位. 为增强模型对小目标的检测能力，在原始模型的基础上，增加基于特征金字塔网络(FPN)的多尺度特征提取模块和基于空洞金字塔汇聚(ASPP)子网络的空间上下文增强模块. 在实际铁路周界入侵场景视频中验证了模型的有效性. 结果表明，该模型可实现不同场景下的铁路周界入侵检测，相较于原始模型，新模型对小目标检测的F-measure 提高了0.24. 模型既解决了不同场景下铁路周界入侵检测问题，又有效地提高了视频智能分析对小目标检测的准确率.     

智能化滚珠丝杠副退化状态的评估方法

现有滚珠丝杠副退化状态评估方法通常假设已有充足且带标签的数据集,但实际工程应用中故障成本过高、获取标签难度过大,难以在特定工况下获得大量带标签数据集. 针对上述问题,提出一种基于多尺度对抗域对抗学习的智能化状态评估方法,结合注意力卷积神经网络模块和域对抗学习模块,利用不同工况下采集的传感器信号建立深度学习模型,从而自适应地学习域不变特征并实现高效的知识复用和特征迁移;利用多工况下采集的滚珠丝杠副退化信号构建试验数据集来验证方法的有效性. 研究结果表明:本文方法在6个标签缺失跨工况条件下的滚珠丝杠副退化状态识别子任务中均取得了高于89.02%的识别准确率;能够充分迁移带标签数据的关键特征,实现了标签样本缺失条件下目标工况退化状态识别.      

基于金字塔特征融合的二阶段三维点云车辆检测

针对三维点云鸟瞰图特征提取不充分导致车辆目标检测性能欠佳问题,本文提出一种基于金字塔特征融合的二阶段三维点云车辆目标检测算法。首先通过降维处理并利用体素占用编码原始三维点云,得到二维特征图输入;然后,利用上采样网络传递高层语义特征,下采样网络传递低层位置特征,构建一阶段金字塔网络结构提取车辆目标特征;最后,通过候选区域提取层得 到不同尺度的候选区域,利用兴趣区域池化层对齐各候选区域尺度,并采用全连接层融合多尺度特征,提取不同感受野下车辆目标特征;此外,在损失函数方面,补充正余弦角度损失并加权到总损失函数中,优化车辆目标航向角预测。基于KITTI公开数据集的实验分析表明,本文算法相较基准网络能够有效补充三维点云鸟瞰图特征提取,在不同难度的检测任务中平均检测精度提高 了5.07%~8.59%。     

基于联合投票网络的交通场景天气分类方法

基于交通视频监控图像的天气识别已经成为智能交通系统中重要的研究课题. 虽然卷积神经网络（convolutional neural network,CNN）在图像识别技术获得了巨大的发展,但是针对复杂交通场景的天气识别问题,现有的模型在特征表达方面仍然面临着巨大的挑战. 为了提取丰富的语义特征,提出了基于联合投票机制的深度神经网络（deep neural network,DNN）模型. 所提出的模型包括两个核心模块:基于通道和空间注意力机制的二阶特征模块和基于复合特征结果联合投票机制的分类模块, 用以提取不同天气图像中的判别性信息,提高在复杂交通场景下的天气识别性能. 最后,在两个基准天气分类数据集上进行了验证试验,结果表明:对于复杂场景条件下的天气识别问题,所提出的基于联合投票机制的深度神经网络模型的识别正确率优于目前最好的天气识别方法的1.97%.      

基于金字塔多尺度融合的交通标志检测算法

为了解决传统交通标志检测算法针对小目标交通标志检测时存在误检与漏检的问题,提出了一个基于金字塔多尺度融合的交通标志检测算法;为了提高算法对交通标志的特征提取能力,引入ResNet残差结构搭建算法的主干网络,并增加网络浅层卷积层数,以提取较小尺度交通标志目标更准确的语义信息;基于特征金字塔结构的思想,在检测结构中引入4个不同预测尺度,增强深层和浅层特征融合;为了进一步提高算法检测精度,引入GIoU损失函数定位交通标志的锚点框,利用k-means算法对交通标志标签信息进行聚类分析并生成更精准的先验框;为了验证算法的泛化性与解决试验所用数据集TT100K的类间不平衡问题,增强与扩充了数据集。试验结果表明:本文算法的精确率、召回率与平均精度均值分别达到了86.7%、89.4%与87.9%,与传统目标检测算法相比有显著提高;多尺度融合检测机制、GIoU损失函数与k-means的引入能够不同程度提高算法的检测性能,使算法检测精确率分别提升4.7%、1.8%与1.2%;提出算法针对不同尺度交通标志检测时均有更优越的性能表现,在TT100K数据集中的(0, 32]、(32, 96]与(96, 400]尺度下的检测召回率分别达到90%、93%与88%;与YOLOv3相比,提出算法在不同天气、噪声与几何变换等干扰下均能实现对交通标志的正确定位与分类,证明了提出算法具有良好的鲁棒性与泛化性,适用于道路交通标志检测。      

基于PReNet和YOLOv4融合的雨天交通目标检测网络

为提高恶劣雨天交通环境下车辆目标检测精度，提出一种基于PReNet和YOLOv4融合的深度学习网络DTOD-PReYOLOv4，融合了改进的图像复原子网D-PReNet和改进的目标检测子网TOD-YOLOv4;将多尺度膨胀卷积融合模块和添加了挤压激励块的注意机制残差模块引入PReNet，获得的D-PReNet可更有效提取雨纹特征; 使用轻量化的CSPDarknet26代替YOLOv4骨干模块CSPDarknet53，为YOLOv4的颈部路径聚合网络模块添加复合残差块，同时采用k-means++算法取代原始网络聚类算法，获得的TOD-YOLOv4可在改善交通小目标检测精度的同时进一步提高检测效率; 基于构建的雨天交通场景车辆目标数据集VOD-RTE对DTOD-PReYOLOv4进行了验证。研究结果表明:与当前YOLO系列主流网络相比，提出的DTOD-PReYOLOv4对原浅层ResBlock_body1叠加残差块，可以更好地提取分辨率较小的特征; 对原深层ResBlock_body3、ResBlock_body4和ResBlock_body5进行裁剪，获得ResBlock_body3×2、ResBlock_body4×2和ResBlock_body5×2，可以有效降低卷积层冗余，提高内存利用率; 为PANet中的Concat+Conv×5添加跳跃连接形成CRB模块，可以有效缓解网络层数加深引起的小目标检测效果退化问题; 采用k-means++算法，在多尺度检测过程中为较大的特征图分配更加适合的较小先验框，为较小的特征图分配更加适合的较大先验框，进一步提高了目标检测的精度; 与MYOLOv4相比，精确率和召回率的调和平均值、平均精度、检测速度分别提升了5.02%、6.70%、15.63帧·s-1，与TOD-YOLOv4相比，分别提升了3.51%、4.31%、2.17帧·s-1，与YOLOv3相比，分别提升了46.07%、48.05%、18.97帧·s-1，与YOLOv4相比，分别提升了31.06%、29.74%、16.26帧·s-1。