摘要：针对煤矿井下环境恶劣、光照差、背景混杂、行人模糊、行人多尺度等问题,提出了一种改进的Faster rcnn煤矿井下行人检测方法,使用深度卷积神经网络代替传统的手工设计特征方式自动地从图片中提取特征。利用深度学习通用目标检测框架Faster rcnn,以Faster rcnn算法为基础,对候选区域网络(Region Proposals Network,RPN)结构进行了改进,提出了一种"金字塔RPN"结构,来解决井下行人存在的多尺度问题;同时算法中加入了特征融合技术,将不同卷积层输出的特征图进行融合,增强煤矿井下模糊、遮挡和小目标行人的检测性能。实验结果表明:改进的Faster rcnn可以有效解决井下行人检测问题,在井下行人数据集上获得了90%的检测准确率,并在公测数据集VOC 07上对改进算法进行了验证。

摘要：绿色柑橘具有与背景相似的颜色特征,自然环境下绿色柑橘的视觉检测比较困难。提出基于深度学习技术,利用Faster rcnn方法进行树上绿色柑橘的视觉检测研究。首先配置深度学习的试验环境,同时设计了绿色柑橘图像采集试验,建立了柑橘图像样本集,通过试验对批处理大小、学习速率和动量等超参数进行调优,确定合适的学习速率为0.01、批处理为128、动量系数为0.9,使用确定的超参数对模型进行了训练,最终训练模型在测试集上的平均精度(MAP)为85.49%。通过设计自然环境下不同光照条件、图像中不同尺寸柑橘、不同个数柑橘的Faster rcnn方法与Otsu分割法的柑橘检测对比试验,并定义F值作为对比评价指标,分析2种方法的检测结果,试验结果表明:Faster rcnn方法与Otsu方法在不同光照条件下检测绿色柑橘的F值分别为77.45%和59.53%;不同个数柑橘果实检测结果的F值分别为82.58%和60.34%,不同尺寸柑橘检测结果的F值分别为73.53%和49.44%,表明所提方法对自然环境下绿色柑橘有较好的检测效果,为果园自动化生产和机器人采摘的视觉检测提供了技术支持。

摘要：对于来自互联网的多渠道消防报警信息,各地接警中心往往由于人力有限等原因,不能很好地使用。针对这个问题,论文提出了基于RoBERTa和rcnn的互联网文字消防接警辅助系统的设计。该系统设计中,论文通过后端逻辑部分的设计为外界服务需求提供了接口。算法模型上,论文利用了业界先进的RoBERTa模型对文本进行了特征抽取,而后对后端分类模型rcnn进行了适配及改进。经实验证明,后端逻辑设计方案切实可用,深度学习短文本分类方案较工业界常用方案及经典方案在准确率上进行了提升,并保证了不错的时间效率。在新时代、新形势下的人民消防工作下,该设计及系统具有相当的实战意义,有助于节约国家财务成本,有助于保障人民群众的生命健康权。

摘要：传统车辆检测的算法无法自适应地完成复杂场景变化下目标特征提取,导致算法检测速度慢、检测效果差和检测精度低。提出了一种改进的Faster rcnn的车辆检测方法。这种方法设计了2个网络:一个准确的车辆候选区域检测网络(PVRNet)及车辆属性学习网络(VALNet)。通过大量的汽车图片数据样本,学习获得一个具有泛化能力强、检测以及定位准确率高的检测模型,其次将测试汽车图片输入该检测模型,得到可能的结果。可以处理复杂的视觉任务,避免人为设计车辆目标的特征,减少人员主观因素影响。实验结果表明,提出的方法显著提高了校园车辆检测性能,检测结果平均精度较高。

摘要：为了解决传统运动车辆检测方法准确性不高、实时性不足的问题,提出基于时空融合加速的Fast rcnn运动车辆快速检测算法。不同于传统方法仅考虑运动车辆的单一特性,所提方法综合考虑运动车辆目标的时域运动特性和空域相关特性。首先基于时域运动特性设计自适应动态背景估计方法,实时估计背景图像,之后基于空域特征利用形态学滤波快速提取疑似目标区域,最后在vgg16模型基础上设计Fast rcnn深度学习网络,对疑似目标区域进行精准真假判别,避免了全图冗余判别。仿真证明,相对于传统方法,该算法能够有效提高检测准确性,且时效性较高,可应用于实时性要求较高的场景。

摘要：传统的分拣作业无法伴随工作环境的变化进行相应的调整,针对此种不足,出现了基于机器视觉的分拣机器人的相关研究,通过将图像处理和特征工程技术引入视觉模块,使得分拣系统能适时的调整.不同于这些方法,本研究基于实验室的工业分拣系统,将深度学习方法应用其中.通过将Faster rcnn检测算法引入视觉模块并对区域提取网络RPN进行相关改进,加快Faster rcnn模型的检测过程,使得该系统满足工业的实时性要求.Faster rcnn作为一种端到端的方法,能自动对输入图像生成更具表达力的特征,对相应目标提取相应特征,这避免了人工设计特征,它的特征自动生成能力使其能适用于各种场景,这提升了工业分拣机器人的环境适应能力.

摘要：随着经济发展与人口增长,带来了河湖治理难度增加、水体污染频发等问题,针对这些情况设计出一种基于区域卷积神经网络算法(rcnn)的无人机河湖巡检图像智能处理平台。通过聚类和构建卷积神经网络提取可能含有河湖污染的区域,利用rcnn对目标区域进行分类和识别,以此作为问题源构建河湖管理的闭环,较好的完成巡检目标。

摘要：随着电子商务的兴起,网络购物平台发展迅猛,用户在使用网络平台购买商品时如何向用户提供有效信息,在面对大量商品信息时,平台如何对商品进行有效的分类是研究热点问题之一。本文采用基于深度学习的文本分类技术,在对商品信息文本进行清洗、分词后提取文本特征进行有效分类,结果表明该方法在查准率、召回率和F1-measure方面都有着较好的性能指标。最后进行了系统的可视化界面设计。

摘要：针对仓储环境下仓储机器人工作效率的问题,提出基于深度学习的卷积神经网络方法实现仓储机器人对托盘的检测。通过卷积神经网络关于物体检测方面的4种模型的比较,建立Faster rcnn模型。通过设计托盘检测模型,训练VGG16网络和自建仓储托盘数据库,实现仓储机器人对仓储环境中托盘的检测。通过对样本进行扩充,增加样本数量,再与其它3个模型进行比较。实验证明,该模型能提高仓储机器人检测托盘的准确率(mAP)。

摘要：针对传统地质雷达图像中目标检测方法流程繁琐、效率低和精度不高等问题,本文采用可实现端到端识别的深度学习技术开展地质雷达图像目标检测与识别的研究,将基于Mask R-CNN的卷积神经网络算法应用于衬砌检测图像中双曲异常的智能识别。该算法首先以残差网络(ResNet101)作为骨干网络提取图像的基本特征,并在特征图上设定多个候选的感兴趣区域(ROI),然后通过区域建议网络(RPN)和RIO Align操作将特征输入不同的全连接分支,以获得检测目标的分类类别、区域位置和边缘轮廓。本文在TensorFlow和Keras框架下,利用劳雷地质雷达设备进行数据采集获得的数据构建训练数据集和测试数据集,对Mask R-CNN深度学习模型进行训练,最终得到权重参数较好的地质雷达衬砌检测图像的双曲异常检测模型。实验结果表明Mask R-CNN目标检测方法在地质雷达衬砌图像的目标检测与识别上能取得良好的效果,有效提高了地质雷达图像的智能化识别效率。