基于知识图谱的轮渡船舶监测系统研究
这是一篇关于船舶监测,知识图谱,卷积神经网络,深度学习,Faster-RCNN的论文, 主要内容为渡轮船舶运输是我国交通运输的重要组成部分,近年来渡轮船舶事故时有发生,对生命财产造成重大威胁。为保障船舶安全、评估通航信息以及打击非法停泊等违规现象,对渡轮船舶进行监测势在必行。监测系统首先需要获取船舶身份信息进而保存到数据库中以备进行管理,传统的船舶监测基于数据交换,没有船只图像,无法根据实际情况对现场做出指导,传统数据管理的做法通常是匹配查询词与数据库数据,这使得信息的查询非常僵化且效率低下,无法全面展示用户所需的信息。针对这些问题,本文分析了渡轮船舶监测系统的需求,利用深度学习获取船舶身份等数据,并建立船舶监测信息的知识图谱,实现监测数据的智能查询,增加船舶监测管理效率。总的来说,本文的主要工作表现为以下几个方面:1.针对监控画面识别的多类别识别问题,论文选择Faster-RCNN作为检测算法,选择Res Net作为骨干网络并对其进行优化,改进Res Net的残差块。引入以知识图谱为基础的全局推理模块,通过引入外部知识,在全局范围内进行视觉推理,得到增强的图像特征以提升检测效果。2.为获得更加贴合船牌的检测框,选择DB算法作为检测船牌的办法。选择CRNN作为识别船牌方法,获取详细的船牌数据信息。经实验验证,两种方法均可以达到使用要求。3.收集船舶相关信息,将船舶、港口、航线和国家等信息并以此为基础制作知识图谱,然后利用知识图谱构建信息查询模型,结合朴素贝叶斯模型和jieba等技术进行实现,提供智能查询,增加数据管理效率。4.设计并实现了一套以上述技术为主要技术基础的渡轮船舶监测系统。实现了对出入港船只的监控,结合知识图谱验证船舶行为是否违规,以确保港口船舶的航行安全。经验证,该系统能有效实现预期结果。
基于深度学习的航标外观状态智能识别技术研究
这是一篇关于航标,图像分类,目标检测,EfficientNet,Faster-RCNN的论文, 主要内容为航标是保障船舶安全航行的重要基础助航设施。航标的稳定运行对于维护水域内航行安全具有重大意义,因此航标的养护是航道管理部门的一项非常重要任务。航标养护的核心关注点在于对失常航标的及时发现并迅速采取相应措施。随着数字航道项目的实施,航标遥测遥控系统的广泛应用使得航道管理部门可以实时监控航标的位置和灯质等状态并及时发现位置漂移和灯光异常等现象。然而对于航标外观结构状态的变化和异常仍需要周期性的人工巡航去发现。随着人工智能技术的发展,利用无人机和无人艇开展航标巡检将会是航标养护和管理的一个新方向。那么如何利用计算机视觉技术快速准确地识别航标的外观状态将是保障和提升无人航标巡检智能性和效率的重要基础,目前相关研究刚刚起步。本文利用基于深度学习的方法研究航标外观状态的智能识别,主要研究内容如下:1)构建航标外观检测数据集。对航道部门在航标养护过程中采集的航标图像进行人工数据筛选,根据航道部门管理需求将航标破损分为:基本形状大体不变、主体结构损坏、顶标损坏和漆面破损等4钟类别,并利用图像翻转、随机旋转、随机明暗变化及雨雾增强算法扩充破损航标图像占比平衡样本,使用航标轮廓增强算法作为数据集预处理算法,分别构建用于航标破损分类和航标破损位置标注的航标外观检测图像数据集。2)构建基于Efficient Net的航标破损分类模型。基于Efficient Net-b0,将其MBConv结构改进为Fused MBConv,以提升模型的准确率和运算速度。实验结果表明,改进的Efficient Net-b0模型,对比原生Efficient Net-b0、Efficient Net V2-S等其他模型,在航标破损分类准确率稍有提升的同时,能够减少了20%的训练时间。3)构建基于改进Efficient Net和Faster-RCNN的航标破损位置检测模型。以FasterRCNN检测模型为基本框架,利用改进的Efficient Net-b0改进其原有骨干网络,不仅大幅度降低了参数量,加快检测深度,而且明显提升了检测准确率。实验结果表明,其AP和m AP对比原生Faster-RCNN和YOLOV3均有明显提升,但检测速度低于YOLOV3。
基于卷积神经网络的液晶玻璃缺陷检测技术研究
这是一篇关于液晶玻璃,缺陷检测,卷积神经网络,Faster-RCNN,SSD的论文, 主要内容为随着新一代信息技术的不断发展,液晶显示设备已经走进了各行各业各大领域中,作为液晶显示设备的核心构成部分液晶玻璃,已经成为了目前显示设备的热门研究方向。显示设备中所用的液晶玻璃具有尺寸大、厚度薄的特征,所以在制备过程中容易出现瑕疵现象,目前众多学者将研究重心投入在液晶玻璃的制备工艺中,就液晶玻璃表面缺陷检测技术相关的研究较少,为了提高产品流入市场的良品率与竞争力,提前对液晶玻璃进行缺陷检测显得十分重要且必要。目前该领域的主流检测方法还是人工检测或半人工检测,人工检测速度慢且长时间工作造成的疲惫感会降低检测准确率,为了提高检测速度与精度,本文提出了基于卷积神经网络的液晶玻璃缺陷检测方法,主要工作内容如下:(1)根据生产现场收集到有缺陷的液晶玻璃,建立了检测模型所需要的数据集,将常见的缺陷种类划分为夹杂、气泡、锡点、节瘤和裂痕5种类别,并进行人工标注为缺陷检测模型提供了可靠的数据集。(2)基于Faster-RCNN两阶段目标检测模型对液晶玻璃缺陷检测展开研究,引入Inception结构改进特征提取网络VGG中的卷积层,Inception模块通过大小不同的卷积核卷积后再拼接融合,使得预测特征层的特征更加丰富,同时还减少了模型学习的参数量,提高了模型的检测精度与速度。(3)为了进一步提高检测模型的精度与速度,本文提出了基于改进SSD的液晶玻璃缺陷检测模型,引入Res Net50作为主干网络增加特征提取网络的深度,引入特征金字塔结构PANet使得在多个预测特征层上能够跨通道特征融合,低层特征与高层特征双向融合,引入通道注意力SE模块插入Res Net残差模块中平衡各通道特征提取权重,通过实验发现改进后的SSD模型大幅提升了检测精度,特别是提升了小目标检测能力。(4)本文设计了一套可视化液晶玻璃缺陷检测系统,该系统支持自动与手动两种检测模式,支持系统持续更新升级,方便用户使用。
基于卷积神经网络的液晶玻璃缺陷检测技术研究
这是一篇关于液晶玻璃,缺陷检测,卷积神经网络,Faster-RCNN,SSD的论文, 主要内容为随着新一代信息技术的不断发展,液晶显示设备已经走进了各行各业各大领域中,作为液晶显示设备的核心构成部分液晶玻璃,已经成为了目前显示设备的热门研究方向。显示设备中所用的液晶玻璃具有尺寸大、厚度薄的特征,所以在制备过程中容易出现瑕疵现象,目前众多学者将研究重心投入在液晶玻璃的制备工艺中,就液晶玻璃表面缺陷检测技术相关的研究较少,为了提高产品流入市场的良品率与竞争力,提前对液晶玻璃进行缺陷检测显得十分重要且必要。目前该领域的主流检测方法还是人工检测或半人工检测,人工检测速度慢且长时间工作造成的疲惫感会降低检测准确率,为了提高检测速度与精度,本文提出了基于卷积神经网络的液晶玻璃缺陷检测方法,主要工作内容如下:(1)根据生产现场收集到有缺陷的液晶玻璃,建立了检测模型所需要的数据集,将常见的缺陷种类划分为夹杂、气泡、锡点、节瘤和裂痕5种类别,并进行人工标注为缺陷检测模型提供了可靠的数据集。(2)基于Faster-RCNN两阶段目标检测模型对液晶玻璃缺陷检测展开研究,引入Inception结构改进特征提取网络VGG中的卷积层,Inception模块通过大小不同的卷积核卷积后再拼接融合,使得预测特征层的特征更加丰富,同时还减少了模型学习的参数量,提高了模型的检测精度与速度。(3)为了进一步提高检测模型的精度与速度,本文提出了基于改进SSD的液晶玻璃缺陷检测模型,引入Res Net50作为主干网络增加特征提取网络的深度,引入特征金字塔结构PANet使得在多个预测特征层上能够跨通道特征融合,低层特征与高层特征双向融合,引入通道注意力SE模块插入Res Net残差模块中平衡各通道特征提取权重,通过实验发现改进后的SSD模型大幅提升了检测精度,特别是提升了小目标检测能力。(4)本文设计了一套可视化液晶玻璃缺陷检测系统,该系统支持自动与手动两种检测模式,支持系统持续更新升级,方便用户使用。
基于深度学习的轮毂缺陷识别系统的设计与实现
这是一篇关于轮毂,缺陷识别,Faster-RCNN,深度学习,GDXray的论文, 主要内容为随着人们出行方式的转变,汽车保有量不断增加,汽车产业已成为国民经济的重要支柱,汽车轮毂需求量也日渐提高。轮毂缺陷识别作为轮毂生产铸造过程中的重要环节,通常通过X射线无损探伤实现。然而,经过X射线扫描得到的图像主要通过人工目视检查的传统方法进行缺陷识别,这种方式存在精度和效率低下等问题。为此,本文针对某企业特定轮毂生产流程中缺陷识别环节,设计并实现了一种基于深度学习的轮毂缺陷识别系统。该系统可以辅助识别人员进行轮毂缺陷识别工作,从而在一定程度上提高识别精度和效率。本文主要研究内容如下:(1)WheelXray数据集构建本文构建了 WheelXray轮毂缺陷识别数据集。基于X射线扫描得到的DICOM格式的轮毂图像数据,通过dicom2jpg转换格式并借助labelme标注铸造缺陷,得到145张图像数据。针对轮毂识别场景下数据存在的样本不均衡和数量过少的问题,本文对其进行数据扩充。从公开的GDXray数据集的2727张铸件X射线图像样本中选取1315张轮毂样本,使用padding调整图像尺寸并转化标注格式,使其与已有数据相兼容。数据扩充后,样本数量提高至1460张。样本数量实验表明,缺陷识别精度随着样本数量的增多呈现不断提高的趋势。精度在样本数量达到1300后趋于稳定,相比于样本数量为100时,精度提升了 64.8%,这验证了数据集构建的有效性。(2)轮毂缺陷识别算法设计本文提出一种改进的Faster R-CNN算法,该算法在训练中使用特定数据增强和预训练方法,和原始算法相比,在WheelXray数据集上识别精度和速度指标上分别提升了 6.0%和2.37FPS,且精度高于当前流行的缺陷识别模型。具体来说,本文使用ResNet101作为算法的主干网络,并对其进行了以下设计改进:首先,精简主干网络中用于图像分类的conv5x块,以减少过拟合并提高网络收敛速度;其次,在主干网络中融合FPN结构,以实现多尺度的特征提取;接着,调整RPN网络中锚框的配置,以适应数据集中铸造缺陷的尺度;最后,采用线性插值算法,改进RoI Pooling层中量化操作,以降低精度损失。实验结果表明,改进后的模型相比Faster R-CNN模型在模型精度上提升了 1.9%。此外,本文还进一步采用了数据增强和预训练方法来优化上述改进的模型。实验表明,使用水平翻转、垂直翻转和随机裁剪的数据增强方法,并结合ImageNet数据集和COCO数据集进行预训练后,模型精度得到4.1%的提升。(3)设计并实现轮毂缺陷识别系统本文设计并实现了一个轮毂缺陷识别系统,该系统具有自动缺陷识别、轮毂数据管理等功能,并能根据人工标注反馈进行模型更新。按照软件工程的指导思想,结合轮毂缺陷识别流程,提出功能性需求与非功能性需求,针对这些需求,系统选择分层架构设计,将功能需求抽象成功能模块:用户模块、数据模块、系统模块、识别模块。按照功能模块进行数据库与接口设计工作,在此基础上对系统主要功能模块进行详细设计与编码实现。本文借助于改进的Faster R-CNN模型实现自动缺陷识别。对于无法准确识别的缺陷,该系统提供人工标注的方式来获取反馈。根据这些反馈的人工经验知识,可以提升模型的识别精度,进而对旧模型进行更新。最后,该系统通过了功能性测试,并分析了系统不足和后续优化方向。
飞机气道防护栅裂纹检测系统的设计与研究
这是一篇关于裂纹检测装置,机器视觉,深度学习,Faster-RCNN,ResNet-101,模块化的论文, 主要内容为为解决现有飞机气道防护栅裂纹检测方法自动化程度不足、效率低下、可靠性低和难以满足我国军工装备快速发展的需求等问题,本文设计并研究了一种基于机器视觉与深度学习的飞机气道防护栅裂纹检测系统,将机器视觉图像处理和深度学习目标检测算法综合应用至飞机气道防护栅的裂纹检测中。然后,设计并分析了检测系统的总体方案,根据防护栅的结构特点提出了一种飞机防护栅裂纹检测装置,设计了一种防护栅网格分割的图像处理方法,并基于自制防护栅裂纹数据集上开展了飞机防护栅裂纹的检测研究。同时,还进一步的基于Labview软件搭建了整个防护栅裂纹检测系统,并在检测装置上进行实验来验证防护栅裂纹检测系统的稳定性和可行性。具体内容如下:(1)首先,介绍了飞机气道防护栅的工作原理及其结构,通过对防护栅裂纹检测现有的方法进行分析,提出了一种基于机器视觉与深度学习的飞机气道防护栅裂纹检测方法。设计并分析了检测系统的总体方案,针对防护栅的结构特点开展飞机防护栅裂纹检测装置的设计,根据防护栅网格图像的特点设计了一种防护栅网格分割的图像处理方法,并介绍了深度学习目标检测算法在防护栅裂纹上的研究和实现步骤。最后根据相机、镜头和光源等工作原理和性能参数完成检测装置关键硬件的选型,完成对裂纹检测系统的总体布局。(2)其次,为采集存在裂纹的防护栅网格图像,提出一种网格分割的图像处理方法:首先对相机采集到的防护栅图像进行图像滤波处理,突出网格裂纹的细节特征,并对防护栅图像进行二值化处理,通过分析对比Jarvis March、Graham和Andrew三种凸包算法,结合防护栅图像特点选择Graham凸包算法来处理二值化后的图像,完整网格的轮廓信息。同时,对各种滤波算法的分析介绍,选择粒子滤波的方法过滤二值化图像中的噪音,以获取各网格的中心坐标,通过像素计算和图像分割获取网格区域图像。筛选获得防护栅裂纹图像,作为样本自制防护栅裂纹数据集,并为深度学习裂纹检测提供图像输入。(3)然后,分析评估深度学习目标检测算法的结构特点、检测流程和检测性能,结合裂纹检测系统的需求,将Faster-RCNN算法作为本系统裂纹检测的算法,并在自制的数据集和以ZF-Net、VGG-16和Res Net-101卷积神经网络作为Faster-RCNN特征提取网络开展了飞机气道防护栅裂纹检测研究,进一步的在不同光照的因素下进行对比实验,验证本章算法的可行性。(4)最后,分析裂纹检测系统的软件需求和开发方式,确定Labview软件为系统软件开发平台,结合机器视觉图像处理技术和深度学习裂纹检测算法,模块化的完成检测系统的搭建,并在裂纹检测装置上进行实验,验证了裂纹检测系统的可靠性和可行性。
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：代码客栈 ，原文地址：https://m.bishedaima.com/lunwen/54393.html
