智能机翼缺陷检测系统的设计与实现
这是一篇关于缺陷检测系统,目标检测,J2EE,Faster RCNN的论文, 主要内容为对机翼缺陷的检测识别和缺陷数据的管理是工业中不可或缺的一部分,它关系到机翼在使用过程中的安全性及数据维护和复查的可追溯性和可靠性。由于机翼在使用过程中不可避免的出现一些划痕、碰伤等缺陷,不同业务人员需要对缺陷检测过程中的数据进行统一维护,而目前大多数企业的生产线主要是依靠人工检测的方式来检测机翼的缺陷,检测效率较低,同时没有一套统一的管理系统对数据信息进行管理和维护,为此设计了一款基于目标检测的机翼缺陷检测系统。该系统主要可以通过目标检测算法模型对机翼缺陷进行检测,同时可以对缺陷数据进行查询统计管理,用户信息管理,菜单和参数管理等功能。本文重点完成的工作如下:(1)分析了机翼缺陷检测系统的开发背景和国内外研究现状。(2)简要介绍了系统研发的相关技术和缺陷检测算法的模型组件。(3)根据软件工程生命周期的方法,分析了缺陷检测系统的业务需求,得出系统的功能和性能需求,并对系统进行了设计。(4)对缺陷检测的算法进行设计和实现,机翼缺陷需要识别的缺陷类型有剥落、砂眼、破损3种,同时需要标注出每种缺陷类型的位置和缺陷程度,针对需要识别的3种缺陷类型需求,完成了缺陷检测算法的训练和测试。(5)实现了缺陷检测管理系统,并对系统完成了功能性和非功能性测试,对缺陷检测算法完成了精度测试。系统目前已经正式投入运行,系统的完成有效的实现了机翼缺陷的检测功能,缺陷数据的管理功能,提高了机构用户的使用体验。
基于数字图像的木材表面缺陷检测研究
这是一篇关于KPCA,ResNet-50,Faster RCNN,特征融合,木材表面缺陷的论文, 主要内容为家具产业是南康的传统优势产业,是赣州目前最具特色、规模最大的产业集群,也是江西省重点打造的工业示范产业集群之一。作为家具的原材料,木材的品质是保证家具产业质量的前提。基于数字图像的木材表面缺陷检测是木材工业研究领域重要热点问题,其优越的检测效果极大地缓解了人工检测效率低,准确率低的问题,因此,基于数字图像的木材表面缺陷检测研究对木材工业生产乃至国民经济增长具有重要意义。本文首先介绍基于数字图像木材表面缺陷检测的相关理论,针对传统与深度学习方法进行研究,包括:(1)针对传统数字图像特征不易人工设计的问题,本文基于HOG与GLCM特征,提出了一种新的特征提取方法:HOG-KPCA-GLCM。该特征提取方法首先对得到的HOG特征使用KPCA降维,实验研究不同维数对木材表面缺陷检测的影响,得到最佳HOG-KPCA特征维数;然后与GLCM权重级联,并实验研究不同权重比的影响,得到最优权重。在实验木材表面缺陷数据集上,采用SVM作为分类器,本文提出的方法在测试集上分类准确率85.05%,优于HOG(80.67%)与GLCM(68.62%)。(2)针对深度学习网络训练准确率不够优秀且训练时间长的问题,本文通过研究深度神经网络Res Net-50的梯度传递信息,提出了基于CSP与注意力机制的改进Resnet-50网络,且分析了传统优化算法Adam的优点与不足,引入了Ranger优化方法训练网络。其中,CSP跨界比由试验确定,经过消融实验,改进的Res Net-50在实验木材表面缺陷数据上分类准确率88.55%,检测效果优于传统Res Net-50(86.77%)以及其他传统分类网络。(3)针对传统目标检测网络Faster RCNN准确率不够优秀以及同类重叠缺陷易漏检的问题,本文通过改进传统Faster RCNN的主干特征提取网络、损失函数以及非极大值抑制。主干特征提取网络使用(2)中改进的Res Net-50,损失函数使用Focal Loss,非极大值抑制使用Soft NMS,针对每个改进与整体改进设计实验,结果表明改进的Faster RCNN在实验木材表面缺陷数据集上具有较大提升。
基于深度学习的聚酯纤维织物表面缺陷检测研究
这是一篇关于聚酯纤维,纺织物表面缺陷检测,深度学习,Faster RCNN,卷积神经网络的论文, 主要内容为随着人们生活质量的不断提升,以聚酯纤维等材料制成的纺织物成为了国民日常生活中不可或缺的物品。随着纺织行业对织物的需求量变大,提高了对织物质量的要求。为适应这一要求,纺织品的生产和加工都在朝着智能化的方向发展,而纺织品的缺陷检测就是一个关键的步骤。目前,人们普遍采用的手工检测方式,其速度和准确度都很难达到生产的需要,而计算机视觉技术的迅速发展,为纺织品的缺陷检测提供了一种更为智能、高效的技术手段。针对织物缺陷存在类型不均衡、缺陷面积占比小、缺陷长宽比失调、缺陷与背景融合程度高等特性,采用常规的人工设计特征表达的方式难以适用于织物缺陷的复杂特性,本文研究基于深度学习的织物缺陷检测方法。基于多策略改进的特征提取方法。针对缺陷面积占比小、缺陷长宽比失调等问题,本文采用一种基于残差结构的多尺度特征提取方法,通过FPN结构实现图像多尺度特征的融合,并在主干网络中引入注意力机制,重点关注关键通道特征,同时在主干网络中引入可变形卷积操作,增强网络对织物缺陷的提取能力。针对缺陷目标与背景融合程度高的问题,在检测框架的主干网络浅层中加入了两阶段池化背景抑制算法,能够在背景上进行一定程度的抑制,进而加强了缺陷区域的特征。基于改进Faster RCNN的缺陷检测方法。利用改进的缺陷特征提取网络得到的特征结果,对织物缺陷设计检测算法。首先,通过K-means算法,对织物缺陷数据进行聚类,为适应织物缺陷长宽比不均衡跨度大的特征,设计了新的参数anchor,并将区域候选网络中的3个anchor box比例扩展为9个,以改进区域候选网络中产生的anchor box的尺寸,提高其对各种缺陷的判别能力。然后对Faster RCNN的骨干网络Res Net50进行了改进,以适应缺陷的特征。最后,为了解决Faster RCNN网络自身对特征图位置取整所造成的量化操作误差,将ROI模块中的ROI Pooling更换为ROI Align,对像素点的位置进行校正,降低不必要的误差。通过三大类实验,对本文提出的方法进行了验证。实验以20种类型织物缺陷中的常见缺陷数据集为研究对象,第一种类型的实验主要是为了验证基于Faster RCNN的每一次改进后,其检测性能的提高。第二类的实验是为了验证在采用两阶段背景抑制算法前后,各种缺陷的检测准确率的变化。第三种类型实验将本文提出的算法与其它几种常用的算法进行比较。通过三种类型的比较实验,发现本文方法对于20种类型的织物缺陷的总体识别率达到了84.7%的m AP,高于目前所使用的其它方法,可以应用于纺织企业的生产实际。
基于深度学习的聚酯纤维织物表面缺陷检测研究
这是一篇关于聚酯纤维,纺织物表面缺陷检测,深度学习,Faster RCNN,卷积神经网络的论文, 主要内容为随着人们生活质量的不断提升,以聚酯纤维等材料制成的纺织物成为了国民日常生活中不可或缺的物品。随着纺织行业对织物的需求量变大,提高了对织物质量的要求。为适应这一要求,纺织品的生产和加工都在朝着智能化的方向发展,而纺织品的缺陷检测就是一个关键的步骤。目前,人们普遍采用的手工检测方式,其速度和准确度都很难达到生产的需要,而计算机视觉技术的迅速发展,为纺织品的缺陷检测提供了一种更为智能、高效的技术手段。针对织物缺陷存在类型不均衡、缺陷面积占比小、缺陷长宽比失调、缺陷与背景融合程度高等特性,采用常规的人工设计特征表达的方式难以适用于织物缺陷的复杂特性,本文研究基于深度学习的织物缺陷检测方法。基于多策略改进的特征提取方法。针对缺陷面积占比小、缺陷长宽比失调等问题,本文采用一种基于残差结构的多尺度特征提取方法,通过FPN结构实现图像多尺度特征的融合,并在主干网络中引入注意力机制,重点关注关键通道特征,同时在主干网络中引入可变形卷积操作,增强网络对织物缺陷的提取能力。针对缺陷目标与背景融合程度高的问题,在检测框架的主干网络浅层中加入了两阶段池化背景抑制算法,能够在背景上进行一定程度的抑制,进而加强了缺陷区域的特征。基于改进Faster RCNN的缺陷检测方法。利用改进的缺陷特征提取网络得到的特征结果,对织物缺陷设计检测算法。首先,通过K-means算法,对织物缺陷数据进行聚类,为适应织物缺陷长宽比不均衡跨度大的特征,设计了新的参数anchor,并将区域候选网络中的3个anchor box比例扩展为9个,以改进区域候选网络中产生的anchor box的尺寸,提高其对各种缺陷的判别能力。然后对Faster RCNN的骨干网络Res Net50进行了改进,以适应缺陷的特征。最后,为了解决Faster RCNN网络自身对特征图位置取整所造成的量化操作误差,将ROI模块中的ROI Pooling更换为ROI Align,对像素点的位置进行校正,降低不必要的误差。通过三大类实验,对本文提出的方法进行了验证。实验以20种类型织物缺陷中的常见缺陷数据集为研究对象,第一种类型的实验主要是为了验证基于Faster RCNN的每一次改进后,其检测性能的提高。第二类的实验是为了验证在采用两阶段背景抑制算法前后,各种缺陷的检测准确率的变化。第三种类型实验将本文提出的算法与其它几种常用的算法进行比较。通过三种类型的比较实验,发现本文方法对于20种类型的织物缺陷的总体识别率达到了84.7%的m AP,高于目前所使用的其它方法,可以应用于纺织企业的生产实际。
基于深度学习的肺炎影像分类算法研究
这是一篇关于新冠肺炎,肺炎检测,分类,注意力机制,RetinaNet,Faster RCNN的论文, 主要内容为近年以来,新冠肺炎疫情频频爆发,确诊人员剧增,需要一种能够快速检测分类新冠肺炎胸片的人工智能辅助诊断工具,用以向医生提出快速的、置信的诊疗建议。本文通过对目标检测以及现有的肺炎检测分类方法进行深度总结,分析相关的算法模型和理论知识,发现现有方法对于肺炎检测分类存在部分问题,如使用单层特征图对于小型肺炎病灶的检测不充分,部分单阶段检测器对于病灶的检测分类精度较低等问题。针对存在的各种问题,通过改进深度学习目标检测模型,使其更适合于新冠肺炎影像的检测分类工作,主要从以下几个方面进行研究:(1)在Faster RCNN的基础上进行改进,对backbone、neck、head进行改进。以Faster RCNN基线模型为基础,进行了消融实验,确定了效果最好的改进方法。通过将Res Net50作为backbone,同时使用注意力机制,在模型neck部分使用特征金字塔网络与Res Net50各层特征充分连接,通过提取多尺度特征和逐层连接的方式进一步提升特征提取能力。在网络head部分,使用更为精确的ROI Align,以规避特征丢失造成的误差。实验表明,改进的Faster RCNN可以很好的将肺炎病灶检测分类,并且对小型病灶区域的检测效果也比较好,能够很好的完成新冠肺炎影像的检测分类工作。(2)在Retina Net的基础上进行改进,通过对模型的backbone、neck进行改进。以Retina Net基线模型为基础,进行了消融实验,确定了效果最好的改进方法。在backbone部分使用注意力机制、可变形卷积方法,同时在模型的neck部分对Retina Net的特征金字塔网络进行调整,使用带有底层大尺度特征图的完整的FPN模块,以进一步提升特征提取能力。实验表明,改进的Retina Net能够很好的检测肺炎影像的病灶,在保持速度的基础上,也保证了检测分类的精度,能够很好的完成对新冠肺炎影像的检测分类工作。综上所述,本文对新冠肺炎影像的病灶区域进行检测,并对患病与否进行分类。改进了两阶段的Faster RCNN目标检测网络和一阶段的Retina Net目标检测网络。通过实验表明,改进后的模型对于肺炎图像的检测分类性能、精度、m AP都有所提升,效果更好。
基于图像处理的糖尿病孕妇饮食能量采集与分析系统
这是一篇关于妊娠糖尿病,目标检测,微信服务号,Faster RCNN的论文, 主要内容为妊娠糖尿病是一种高危妊娠,对母亲和胎儿危害极大。现在,我国每百位妊娠期女性中就有十人患有该病,与十年前百分之三的患病比例相比,提高了三倍多。妊娠糖尿病患者的饮食、运动以及血糖情况,是医生比较关注的重要指标,每次问诊上述信息需要占用医生大量的时间。因此,如果建立一个糖尿病孕妇健康管理系统,通过其帮助孕妇随时随地采集饮食、运动等与糖尿病相关的信息,并自动分析它们之间的关系,应该可以帮助医生给出更符合患者自身情况的血糖控制建议。本文主要讨论这一系统中的饮食数据采集分析方法以及系统的具体实现。论文在数据集采集阶段,首先用MySQL数据库搭建食物营养信息数据库,然后采用MVC架构和JavaEE技术,实现让糖尿病孕妇随时随地输入每日饮食、运动、血糖等信息的微信服务号,通过其采集用户数据。此后医生可以通过用户输入的上述信息为用户提供个性化的健康指导。其中,在饮食数据采集模块,改变当前多数应用常用的手动输入食物名称及克数的方式,而是用户通过移动设备上传的食物图像,由系统自动识别和分析图片中食物的种类及能量,以降低用户输入信息的复杂程度。在数据分析阶段,通过上传的食物图像识别和分析用户摄取营养及能量的方法。本文创新地采用Faster RCNN目标检测的方法进行食物定位和识别。由于用户拍摄图片时,移动设备与食物的距离和角度不固定。因此,本研究使用人们经常会带在身边且尺寸固定的硬币作为标准参照物,即每次将硬币与食物同时拍摄图片然后上传。本研究首先建立包含硬币的食物图像库,库中包含20种菜的11000张图像数据。然后标记出图像中的硬币和食物的位置。接着通过图像库中的5500张图像训练Faster RCNN中的RPN层和ROI层,用剩余5500张图像做测试,进而识别食物种类和位置坐标,由坐标转换为面积。最后通过每种菜和硬币的面积的比值,计算食物重量并转换为对应的卡路里值,作为分析用户饮食数据的依据。
基于深度学习的道路危险车辆检测
这是一篇关于道路危险车辆,Transformer,YOLOX,Faster RCNN,掩码学习的论文, 主要内容为道路危险车辆违规行驶检测在智能交通领域有着广泛的应用价值。目前,研究人员多使用卷积神经网络(Convolutional Neural Network,CNN)对道路危险车辆进行检测。然而,现有的检测框架仍存在检测精度不达标、推理速度慢的问题。Transformer模型是一种基于注意力机制的新型架构,相比CNN有着更能关注全局信息、建模长距离依赖关系能力强的优点,给目标检测领域带来了重大革新。鉴于此,本文将Transformer和现有的检测框架相结合,旨在平衡检测速度和检测精度。研究道路危险车辆的快速准确检测,主要内容如下:针对现有单阶段目标检测算法YOLOX检测器推理速度快,但检测精度仍有欠缺的情况,研究加入注意力机制的YOLOX模型。首先,将YOLOX的主干网络替换为Conv Ne XT,提高模型的特征提取能力;然后,在特征融合阶段加入混合域注意力模块,在特征图的空间和通道两个维度上更有效地关注车辆信息;最后,与现有的检测算法进行对比分析。实验表明,改进后的YOLOX模型的检测精度达到0.960,其性能超过其他常用检测器。同时,与YOLOX算法进行消融实验对比,本文所建立的YOLOX模型在平均准确度上提升3%,验证了Conv Ne XT网络、混合域注意力模块的效果。针对现有双阶段目标检测算法检测器检测精度高,但推理速度慢的问题。以经典的两阶段检测器Faster RCNN为基线模型,研究融合Transformer和自监督预训练的目标检测框架。首先,将Faster RCNN的主干网络替换为基于Transformer设计的特征提取网络,提高模型的全局信息关注能力;然后,针对视觉Transformer在小规模数据集上表现不佳,模型收敛速度慢、容易过拟合的情况,使用了基于掩码学习的自监督预训练,引导网络学习车辆特征表示。实验表明,基于掩码学习的Faster RCNN模型的检测精度达到0.980,其性能超过其他常用检测器。同时,与Faster RCNN算法进行消融实验对比,本文所建立的模型在平均准确率上提升5%,计算量与Faster RCNN模型相比下降6%,验证了Transformer架构、自监督预训练的效果。对所研究方法打包封装,开发道路危险车辆检测软件,可实现危险车辆数据的可视化管理、实时检测等功能。基于Py Qt5平台开发的道路危险车辆检测系统界面友好、操作简单,促进人工智能技术在交通管理领域的应用。该论文共有图46,表7,参考文献87篇。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码工厂 ，原文地址：https://m.bishedaima.com/lunwen/53852.html
