摘要：X射线成像是解决复杂构件内部零件装配正确性识别的最有效方法,现有特征识别方法是以图像中的连通区域形状、长宽比、面积等特征为目标.虽然检测效果较好,但受机械精度、装配公差、零件错位等因素影响,识别鲁棒性较差.基于此,综合卷积神经网络目标分类识别技术与X射线多视角成像技术,首先设计了一个深度卷积神经网络模型,通过深度学习的方法提取特征、训练分类器,对工件内部零件进行分类,输出坐标框,完成工件零件漏装检测.进而针对所识别零件坐标信息;依据CT投影正弦特性,找到与当前检测工件投影角度相符的标准工件投影,完成零件换位、错位等识别.通过实验验证,此方法在自行建立的数据集上完成了对工件内部零件漏缺和换位的识别,鲁棒性较高.

摘要：为解决复杂驾驶环境中小目标交通标志的高精度检测问题,基于Cascade R-CNN级联模型提出一种多任务级联模型GA-CMF R-CNN(guided anchoring-cascade mask flow R-CNN)。采用ResneXt101(32×4d)-FPN作为特征提取网络,确保特征图的语义信息和分辨率信息;采用GA-RPN作为区域生成网络,提高网络特征表达能力;模型融合Mask R-CNN的mask分支,在级联的mask分支间添加信息流,通过对先验框中的目标进行语义分割,提高检测精度。在公开交通标志检测数据集上的测试结果表明,该模型能有效提高复杂环境下小目标交通标志的检测和识别精度。

摘要：针对交通场景复杂、人头尺寸偏小、乘客重叠等因素导致的两轮车辆载人检测经常出现的乘客漏检问题,设计了一种改进的Faster R-CNN检测模型。该模型以GoogLeNet为特征提取网络,修改了区域生成网络中候选框尺寸,采用特征融合策略,使得模型对小目标更加灵敏。针对乘客重叠导致的漏检问题,模型采用柔和的非极大值抑制(Soft-NMS)算法替换原始Faster R-CNN中的非极大值抑制(NMS)算法。实验结果表明:改进后算法可以解决两轮车上乘客检测问题,在两轮车辆载人数据集上获得了91.33%的检测精度和96.76%的召回率。

摘要：针对输电线路的多目标识别和缺陷检测中的错检和漏检等问题,提出SE-Faster RCNN模型。在Faster RCNN模型的基础上,将SENet模块嵌入到ResNet模型中,提取关键特征;优化候选框的生成方案;提出基于面积的非极大值抑制算法。通过微调U-Net模型的数据增广方法,构建样本量为23327的数据集,达到91.37%的检测mAP。实验结果表明,提出模型满足输电线路多目标识别和故障检测的鲁棒性和准确性要求。