基于STA-YOLOv5的水利建造人员安全帽佩戴检测算法

在大型水利建造工程现场,存在高空坠物、塔吊转动、墙体坍塌等问题,对于建造人员人身安全造成巨大威胁,佩戴安全帽是保护建造人员的有效措施,作为工程作业中的安全管理,对建造人员进行安全帽佩戴的精确检测很有必要。针对现有安全帽检测算法在大型水利建造场景下对小且密集的安全帽目标存在漏检、检测精度较低等问题,提出一种基于STA-YOLOv5的安全帽佩戴检测算法,该算法将Swin Transformer和注意力机制引入到YOLOv5算法中,提高模型对安全帽的识别能力。实验结果表明,STA-YOLOv5算法具有更精确检测结果,识别准确率达到91.6%,较原有的YOLOv5算法有明显提升。     

基于门控图神经网络的谣言检测模型

针对基于图神经网络的谣言检测方法在聚合邻居节点信息生成谣言表示过程中存在的噪声干扰问题,充分利用社交媒体源帖包含的丰富语义和结构信息对谣言检测的重要影响,提出一种基于门控图神经网络的谣言检测模型,该模型根据信息传播过程建模谣言的传播图和扩散图,基于门控图神经网络聚合邻居信息生成节点表示,利用门控机制去除邻居节点噪声,同时引入根节点语义增强方法提升表征节点的能力。此外,利用注意力机制融合局部结构和全局结构信息学习更加全面的谣言表示用于谣言检测任务。在公开数据集上的实验结果证明,提出的模型在谣言检测性能和早期检测能力方面均优于基线方法。     

基于注意力卷积神经网络的中文虚假评论检测

针对现有的虚假评论检测方法未充分利用虚假评论文本特征这一问题,本文提出一种基于多层注意力机制的卷积神经网络模型。首先,使用多种预训练词向量初始化词嵌入层,并进行复值位置编码;然后,将经过多种卷积核卷积得到的多种特征映射依次通过嵌入用户特征的通道级和卷积核级的注意力层,根据特征重要程度分配不同权重;最后,将拟合的评论文本特征表示进行Softmax分类。实验结果表明,与诸多主流优秀神经网络模型相比,本文模型准确率和F₁值分别提高4.74和3.86个百分点。     

针对CenterNet缺点的安全帽检测算法改进

为解决安全帽数据集上识别率较低的问题,本文提出了一种基于改进CenterNet网络结构的检测方法.针对CenterNet多分类时热度图预测结果较差的问题,本文尝试在损失函数上进行改进,提出了Focal-Mse-One损失以及Focal-Mse-Guss损失,并且对这两个损失函数以及原始的Focal损失函数进行对比;针对CenterNet对推理过程中特征图复用性不高的问题提出了ASFF和DASFF结构并进行比较.实验结果表明,在GeForce GTX 1050显卡上推理速度可以达到20.78帧.在安全帽数据集上IOU为0.5时mAP值可达81.43%,相较于原始CenterNet提升了3.63%.文中提出的改进方法可以在没有明显增加推理时间的前提下明显提高安全帽的检测精度.     

基于卷积神经网络和混合注意力机制的书标检测算法

为实现图书馆中机器人智能排架,提出一种基于卷积神经网络和混合注意力机制的书标检测模型。将DenseNet121引入YOLOv4以提高特征和梯度之间的传递效率,利用SPDC模块实现局部和全局特征融合,进而通过通道和空间混合注意力提高模型的特征表征能力。实验结果表明,模型的平均准确率、整体性能、参数量和模型大小均优于对比方法,且易于部署到嵌入式设备中实现在线检测,从而提高图书乱架治理的智能化水平。     

改进SSD的安全帽佩戴检测方法

在施工的过程中,需要对人员安全帽佩戴情况进行快速准确地检测并及时预警,实现减少生命和财产的损失。但现有的安全帽佩戴检测算法存在检测速度慢、检测精准度不高等问题,为解决此类问题,提出了一种基于目标检测算法SSD(Single Shot Multi Box Detector)的改进安全帽佩戴快速检测算法。通过使用轻量型卷积神经网络Mobile Net V3-small替换SSD检测算法的卷积神经网络VGG-16,实现减少模型参数,提升检测速率的目的;同时使用特征金字塔网络结构将深层更抽象的特征与浅层更细节特征进行信息的融合,提升检测精确度;以自主制作安全帽数据集HWear的方式进行训练和测试实验,训练时利用数据增强技术提高模型的检测性能。实验结果表明,改进的SSD算法提升了人员安全帽佩戴检测速率,达到108 fps,同时相比于SSD算法平均精确率(mAP)提升了0.5%,具有一定的实践意义。     

基于多尺寸特征图卷积方法的玉米雄穗检测

为了解决传统雄穗检测方法因玉米品种不同以及田间环境不同导致的检测误差较大、鲁棒性较差的问题,利用深度卷积神经网络提取特征,并对多尺寸特征图卷积的方法检测玉米雄穗。采用深度卷积神经网络inception作为基础网络来训练提取玉米雄穗特征,同时增加额外的卷积层对图像进行卷积提取特征,最后分别对基础网络中的两层卷积层以及额外的卷积层卷积得到的不同尺度特征图进行分类和位置回归。整体网络结构是多尺度端到端框架,效率高,方便检测不同尺度的雄穗。实验结果表明,此方法提高了雄穗检测的速度和准确率。     

基于自注意力的SSD图像目标检测算法

基于深度学习的方法,运用单次多框检测器(SSD)目标检测框架和自注意力机制,针对施工人员佩戴安全帽数据集进行神经网络训练.通过调整原始SSD目标检测框架中的参数,并向SSD目标检测框架中添加自注意力模块来计算特征图中像素点之间相互影响,以提高算法对目标检测的关注度,扩大卷积神经网络的感受野,从而提高目标检测的准确率.实验结果表明:改进算法在应对小目标检测以及目标之间的遮挡方面有很好的适应性,同时与其他检测算法相比,检测成功率有明显提高.     

结合注意力机制和卷积神经网络的X射线焊缝缺陷检测

焊接是一种重要的连接技术,但是焊缝缺陷会直接影响焊接结构的性能和使用寿命。焊缝缺陷的种类和特征的多样性增加了缺陷检测的复杂性。首先,提出一种新颖的并行残差注意力模块,在通道和空间维度上充分利用全局平均池化和全局最大池化来捕获全局特征,并与输入特征相乘,自适应的选择缺陷特征,显著提升了网络模型的特征表达能力。其次,针对焊缝缺陷长宽比悬殊的问题,利用注意力机制指导锚框自学习图像特征,预测锚框的位置和形状,围绕缺陷区域自适应生成非均匀分布的任意形状的感兴趣区域。最后,设计了端到端的由注意力引导感知的深度学习网络模型。为验证所提模型的有效性,在包含3 403张图像(其中1 001张有缺陷)的X射线焊缝数据集上,通过定性的分析和定量的对比。实验结果表明：检测指标平均精度均值(mean average precision, mAP)达到了66.74%,与原算法相比提升了5.78%,平均交并比(mean intersection over union, mIoU)提升了7.21%,基本满足对焊缝缺陷的高精度检测。     

复杂交通环境下二轮机动车乘员头盔检测算法

针对现有二轮机动车乘员头盔检测算法在目标密集分布、随机遮挡等情况下效果较差且难以在边缘设备上应用的问题,制作了具有针对性的数据集,对比现有模型后,以YOLOv7为参考提出一种复杂交通环境下二轮机动车乘员头盔检测算法.首先,采用EfficientNet-B3作为主干网络,可提高特征提取能力且更为轻量化;其次,将增大感受野模块(RFB)引入特征融合结构中,以增大模型感受野,提升小目标头盔检测能力;最后,在检测头嵌入SimAM机制,在不增加参数的前提下提高算法精度.结果表明：相较于YOLOv7,文中算法的准确率、召回率和平均准确率分别提高了2.84%,2.26%和3.26%,参数量和运算量分别为YOLOv7的33.1%,23.5%,可实现当前主流模型算法的最佳检测性能和效率;在NVIDIA Jetson Nano开发板上的处理速度达到47.58 F·s^-1,可满足边缘设备部署需求.     

基于卷积神经网络的入侵检测算法

作为深度学习的一种有效算法,深度卷积网络已成功应用在处理图像、视频和音频等领域.通过建立一卷积神经网络模型并应用于网络入侵检测,选取的卷积核与数据进行卷积操作提取特征的局部相关性从而提高特征提取的准确度.采集到的网络数据通过多层"卷积层-下采样层"的处理对网络中正常行为和异常行为的特征进行深度刻画,最后通过多层感知机进行正确分类.KDD 99数据集上的实验表明,文中提出的卷积神经网络模型与经典BP神经网络、SVM算法等相比,有效提高了入侵检测识别的分类准确性.      

基于改进YOLOv4颈部优化网络的安全帽佩戴检测方法

针对安全帽佩戴检测时易受复杂背景干扰,解决YOLOv4网络检测速度慢、内存消耗大、计算复杂度高、对硬件性能要求较高等问题,引入改进YOLOv4算法优化安全帽佩戴检测方法。引入MobileNet网络轻量化YOLOv4、跨越模块特征融合,实现高层语义特征和低层语义特征有效融合。针对图像中小目标分辨率低,信息特征少,多尺度并存,导致在连续卷积过程中易丢失特征信息等问题,采用改进特征金字塔FPN和注意力机制等颈部优化策略聚焦目标信息,弱化安全帽检测时背景信息的干扰。仿真结果表明,基于改进的YOLOv4颈部优化网络安全帽佩戴检测算法在CPU平台下的检测速度为34.28 FPS,是基础YOLOv4网络的16倍,检测精度提升了4.21%,检测速度与检测精度达到平衡。     

基于卷积神经网络和Kmeans的中文新闻事件检测与主题提取

中文新闻事件检测的主要任务是从大量新闻中自动检测出潜在的新事件。人工构建事件特征词进行检测费时费力。单纯依靠密度聚类或谱聚类方法进行事件检测,存在不同事件的触发词相关性高时,容易误判为同一事件。为此,提出基于卷积神经网络和K-means结合的中文新闻事件检测与主题提取,将新闻中的文本向量化,通过深度学习抽取文本深层特征。实验结果表明:所提方法构建的模型准确率、召回率优于单一聚类方法,可对中文新闻事件准确识别,快速检测新事件,提取新事件主题。     

基于卷积神经网络的布料疵点检测方法

针对传统布料疵点检测准确率低、识别较慢且计算量大问题,提出基于卷积神经网络的布料疵点检测方法,实现增强布料疵点检测鲁棒性、高效性的设计目标。为保证训练结果准确,首先采集数量以千万级为单位的布料图像并进行图像预处理,标记无疵点布料和疵点布料;然后将图像送入设计的卷积神经网络进行训练和测试,获取疵点检测框;紧接着采用改进的NMS分类算法对检测框进行多框合并,减少误检,进一步提高模型检测效果;最后利用设计的特征图分割算法使网络模型脱离GPU显存限制,适用于各种性能计算机。实验结果表明该方法可在实现布料检测高速度、高准确率的同时增强检测方法的鲁棒性。实际检测速度为3fps,准确率可达99.6%,超过现有疵点检测算法,表明该检测方法可应用于对布料要求更高的生产企业。     

融合上下文的残差门卷积实体抽取

基于传统卷积框架的实体抽取方法,由于受到卷积感受野大小的控制,当前词与上下文的关联程度有限,对实体词在整个句子中的语义欠考虑,识别效果不佳.针对这一问题,提出一种基于残差门卷积的实体识别方法,利用膨胀卷积和带残差的门控线性单元,从多个时序维度同步考虑词间的语义关联,借助门控单元调整流向下一层神经元的信息量,缓解跨层传播...     

基于YOLO改进算法的安全帽和口罩佩戴自动同时检测

针对工地、危险区域等场景需要实现同时佩戴安全帽与口罩的自动检测问题,提出一种改进的YOLOv3算法以提高同时检测安全帽和口罩佩戴的准确率.首先,对网络模型中的聚类算法进行优化,使用加权核K-means聚类算法对训练数据集聚类分析,选取更适合小目标检测的Anchor Box,以提高检测的平均精度和速度;然后,优化YOLO...     

基于双尺度串行网络的视频异常行为检测

针对传统视频异常行为检测模型存在的性能不佳与时间开销较大的问题,从空间和时序维度构造双尺度串行网络的视频异常行为检测模型(Dual-Scale Serial Network,DSS-Net)。首先,利用深度可分离卷积对Vgg-16网络进行改进,并利用改进的特征提取器从空间维度提取特征,从而可以通过减少计算参数量来降低模型的时间开销。接着,在此基础上引入注意力机制,从而强化目标特征的表达能力。最后,利用长短期记忆(Long Short-Term Memory,LSTM)网络从时序维度提取运动视频每一帧之间的上下文时序关系。在当前主流的UCSD Ped1和Ped2数据集以及更具挑战性的UCF数据集上进行测试,结果表明,在3个数据集上DSS-Net的ROC(Receiver Operating Characteristic)线下面积(Area Under Curve,AUC)值分别达到95.30%、96.80%、80.60%,等错误率(Equal Error Rate,EER)分别达到10.60%、12.60%、18.50%,同时具有更强的实时性。相比经典的One-class Neural Network (ONN)和Aggregation of Ensembles (AOE)模型,DSS-Net在Ped1和Ped2数据集上的AUC值分别提升了0.42%和0.94%。此外,DSS-Net也在UMN、ShanghaiTech和CUHK Avenue等数据集上进行了泛化能力和鲁棒性的测试,结果与当前主流模型相比具有一定的竞争力。     

基于改进的卷积神经网络图像识别方法

当前的图像特征识别大多采用的是传统的机器学习方法与卷积神经网络方法。传统的机器学习对图像识别的研究,特征提取多是通过人工完成,泛化能力不够强。最早的卷积神经网络也存在诸多缺陷,如硬件要求高,需要的训练样本量大,训练时间长。针对以上问题,提出了一种改进的神经网络模型,在LeNet-5模型的基础上并在保证识别率的情况下,简化网络结构,提高训练速度。将改进的网络结构在MINIST字符库上进行识别实验,分析网络结构在不同参量中的识别能力,并与传统算法进行对比分析。结果表明提出的改进结构在当前识别正确率上,明显高于传统的识别算法,为当前的图像识别提供新的参考。