基于Faster R-CNN的模糊图像复杂文字自动识别

针对传统模糊图像复杂文字自动识别方法存在准确性差的问题,提出了基于Faster R-CNN的模糊图像复杂文字自动识别。在FasterR-CNN网络模型结构的基础上,考虑到复杂文字边缘与背景边缘之间存在的颜色差异,比较复杂文字区域在模糊图像空间中每一个颜色分量的对比度,选择对比度最高的颜色分量进行去噪处理,通过OCR软件实现了模糊图像复杂文字的识别。实验测试结果表明,设计方法可以提高模糊图像复杂文字识别的准确率,缩短识别时间,大大提高了模糊图像复杂文字的识别性能。     

基于Faster R-CNN的风机叶片缺陷图像多点检测系统设计

随着新能源风力发电生产规模逐渐扩大,对生产效益精细化的要求不断提升.针对现有电机叶片检查方式造成经济成本高、检查效率低、高空坠落安全隐患等问题,基于深度学习理论,提出了基于Faster R-CNN的胶衣脱落缺陷图像多点检测系统设计.通过对风机叶片的缺陷图片进行数据增广,丰富缺陷数据,以此来增加模型的泛化能力,同时引入G...     

一种智能化基站工艺验收框架研究

当前的基站工艺验收工作流程主要是以人工操作为主,IT手段为辅,整个过程流程不仅繁琐,而且效率极其低下。基于基站工艺验收工作中收集到的海量图像数据,本文设计了一种智能化的验收框架,开发手机APP帮助装维人员采集并上传拍摄的验收图像,利用先进的物体检测、机器学习等AI模型构建出原子服务能力,以自动化的方式进行图像的查重、防翻拍、检测和识别,同时打造出标准的图像标注和难样本收集流程,方便后续验收能力的扩展和模型精度的提升。     

浅谈基于AI目标识别算法的5G基站安装工艺检测方案

5G基站的安装工艺影响着5G网络运行质量,安装工艺验收是网络建设的重要环节,如何准确、快速地对5G基站进行验收已成为重要课题。提出了一种基于人工智能神经网络目标识别算法的5G基站安装工艺检测方案,方案基于一种单阶段目标检测算法的网络模型,并对该模型的激活函数、损失函数进行优化,提升了整个模型的鲁棒性和检测精度。通过训练后该模型的精度均值达到90%以上,满足实际验收要求。该模型算法在5G基站安装工艺验收有着广阔的应用前景。     

基于图像识别的河流周界入侵检测算法研究

基于图像识别的河流周界入侵检测算法相比于雷达检测,具有成本低、误报率低的优点.针对河流监控视频中存在算法识别精度不高、分类不明确、不同分辨率目标的问题,提出一种基于Faster R-CNN网络模型的河流周界入侵检测算法,并对该模型做适应性改进以满足河流检测的现实需要.使用全局平均池化层替代全连接层,通过增加锚点个数来提...     

Faster R-CNN模型在遥感图像飞机目标检测中的应用

针对遥感图像飞机目标检测问题,探讨了深度卷积神经网络模型Faster R-CNN在遥感图像中对飞机目标检测的应用。针对训练样本不足的问题,构建了Airplane-2018数据集,基于该数据集采用迁移学习的方式对Faster R-CNN模型进行训练,并在测试集上进行验证,在查全率达到95%的情况下,查准率可以达到85%。实验结果表明,Faster R-CNN模型在采用迁移学习方法训练后,在遥感图像飞机目标检测问题上具有可行性。     

通信基站监控系统及图像监控方案探讨

讨论了通信基站动环监控系统的主要结构和三种图像监控方案,根据这三种图像监控方案的功能特点推荐了各自的应用场景.     

基于改进的Faster R-CNN目标人物检测

针对图像中人物的检测,为了能够更加精确地检测定位图像中的人物,在基于Faster R-CNN框架的基础上提出了一种改进其特征网络ResNet-101的方法来进行人物深层特征的提取。在实验阶段,通过配置GPU环境以调用GPU加速和并行处理器来提高训练速度,实验结果表明,模型迭代1 000次后,所提出的改进的特征网络模型相较于原始特征网络模型在准确度上提高了1.6%,平均检测精度提高了5.1%,说明改进的算法降低了人物的的漏检测率和误检测率,相对于原算法具有更好的准确度和识别精度。     

基于Faster R-CNN的金属表面缺陷检测研究

目标检测是计算机视觉领域一个重点研究内容,Faster R-CNN作为目标检测新秀,被越来越多的应用于缺陷检测研究。本文基于Faster R-CNN的特征提取、RPN、RC三个核心部份做了实验设计,利用旋转和随机裁剪等方法构建金属表面有麻点和划痕瑕疵缺陷的数据集,并进行了模型训练及测试,麻点的检测结果为90.56%,划痕的检测结果为91.21%,整个模型的平均检测精度为90.78%,实验结果表明Faster R-CNN模型在金属表面缺陷检测中表现优异。     

基于Faster R-CNN的航拍图像中绝缘子识别

为了解决传统绝缘子识别方法存在适用性不强、识别效率低的问题,结合深度卷积神经网络思想,提出一种从电网巡检航拍图像中自动识别绝缘子的方法。应用Faster R-CNN框架,结合电网巡检航拍图像数据库,构建绝缘子识别系统,自动识别航拍图像中的绝缘子,并分析不同模型和参数对识别精确度的影响。实验结果表明,相比于传统航拍绝缘子识别方法,采用深度卷积神经网络对航拍绝缘子进行学习和识别,具有较高的识别准确率和效率,可以很好地识别各种类型的绝缘子,识别性能大幅度提高。     

基于改进的Faster R-CNN图像目标检测方法研究

随着科技的不断发展,图像充斥在人类生活的任何角落,因此如何提取出图像中包含的信息,完成对图像目标的检测是当前研究的热点问题。针对一阶段目标检测算法可能会对目标图像产生漏检的情况,本文使用MobileNet V2和ResNet50网络对传统的Faster R-CNN的主干特征提取网络进行改进。在公开数据集上的实验结果表明,基于MobileNet V2特征提取的Faster R-CNN网络占用的计算资源和存储资源最少,基于ResNet50特征提取的Faster R-CNN网络的检测效果最优。此外,两种改进的Faster R-CNN网络均能有效克服一阶段目标检测算法中的漏检问题。     

基于人工智能的基站巡检应用实践

运营商传统的通信基站巡检通过人工方式进行,不仅耗费人力,还存在安全性不高、结果不可验证、信息不全面等问题。主要介绍人工智能技术在运营商基站日常巡检领域的应用实践及面临的挑战,包括智能巡检技术及产业发展概况、运营商传统巡检向智能化转化的需求动力、智能巡检解决方案、效果评价与数据分析等。在此基础上,探讨了电信运营商未来开展AI自动巡检的应用场景与服务模式,提出了智能巡检平台的部署方案建议。     

基于智能手机的伪基站检测方法

GSM网络有自身的安全缺陷,采用的是单向认证机制,使得不法分子有机可乘。伪基站技术便是利用这一脆弱性,发送垃圾短信、诈骗短信、严重影响正常通信,已然成为2014年国家重点打击对象。针对以上问题,在Ubuntu平台上结合USRP硬件和OpenBTS、GNURadio等软件所搭建的环境对伪基站功能进行模拟,根据伪基站信号特征和工作原理,在此基础上,利用智能手机所有收集到的基站信息,发现一种检测伪基站信号的方法,此方法可以检测出大部分的伪基站信号,给打击伪基站带来了一定的帮助,可以达到一定防治伪基站的效果。     

多尺度特征融合与特征通道关系校准的SAR图像船舶检测

目前深度学习技术在SAR图像的船舶检测中已取得显著的成果,但针对SAR船舶图像中复杂多变的背景环境,如何准确高效地提取目标特征,提升检测精度与检测速度仍存在着巨大的挑战.针对上述问题,该文提出了一种多尺度特征融合与特征通道关系校准的SAR图像船舶检测算法.在Faster R-CNN的基础上,首先通过引入通道注意力机制对...     

基于Faster R-CNN的旋转机械红外检测与识别

旋转机械是机械设备的核心部件,一旦发生故障会造成不可估量的损失,因此旋转机械的实时监测诊断显得尤为必要。无人值守的红外智能监测诊断将是故障诊断新的发展方向,要实现红外智能监测诊断首先要准确识别旋转机械部件。本文利用红外热像仪监测旋转机械的运行状态,获得了电动机、联轴器、轴承座、齿轮箱等设备的红外热图;采用Faster R-CNN算法对测量得到的旋转机械红外图像进行了学习训练和目标识别,结果表明该算法能够准确识别旋转机械部件;研究了单角度和旋转角度红外监测的识别效果,发现在相同角度下使用红外灰度图像进行训练的检测效果比使用红外伪彩色图像训练的检测效果更佳;对比了4种预训练网络对于红外目标识别的影响,采用Resnet50预训练网络的平均检测精度为0.9345,识别精度更高。     

基于AI深度学习的面向业务5G基站节能系统研究

由于5G业务发展,5G基站数量增多,造成运营商的电费成本急剧增加,节能降耗成为运营商的可持续发展需求。在研究主流5G基站节能模式及多方位5G节能方案的基础上,提出了基于多种AI算法的5G基站节能系统,通过单SIM卡级别的高精度业务识别,在保证5G重要业务等各类型业务稳定运行的基础上,实现了最佳策略的5G基站柔性节能。