针对传统图像处理算法在检测隐形眼镜表面缺陷时存在精度低、耗时长、算法鲁棒性差、漏检多等问题，提出一种基于改进Faster R-CNN的隐形眼镜表面缺陷检测算法。首先，对比了3种特征提取网络的性能，选取ResNet50作为骨干网络；然后，引入特征金字塔网络（FPN），通过融合多层次的特征信息，提高Faster R-CNN的多尺度检测能力；最后，基于构建的隐形眼镜表面缺陷数据集，使用K-means++算法改进锚框的尺度和数量。实验结果表明：改进后的Faster R-CNN算法在测试集上的平均精度均值（mAP）达到了86.95%，相比于改进前的Faster R-CNN算法，提高了9.45个百分点，可以有效地检测出气泡、车削亮点、划痕、模具亮点等多种隐形眼镜典型缺陷。

综合采集混凝土振捣施工过程多源异构信息, 进而及时、客观地分析振捣质量, 对于保障高拱坝坝体混凝土施工质量至关重要。针对高拱坝混凝土振捣施工信息以“空-地”感知技术为主, 存在信息感知不全和数据质量有待提高的问题, 建立空天地一体化的混凝土振捣施工信息智能感知体系, 实现混凝土浇筑过程中多源、多维度、多模态施工信息的立体感知。在此基础上, 针对数值型、视频流以及图像型信息, 分别提出基于Kalman滤波的全球导航卫星系统(GNSS)定位信息降噪方法、基于改进Faster R-CNN的视频信息解析方法和基于DeblurGAN-v2的表面图像去模糊方法。以杨房沟水电站为例, 应用所提空天地一体化感知方法与技术, 实现混凝土振捣质量智能分析与监控。

针对Faster R-CNN在多尺度目标检测时易出现小目标漏检和误检的问题, 提出一种改进的多尺度目标检测算法。将利于小目标检测的低层网络和利于大尺度目标检测的高层网络进行多尺度特征融合; 在训练阶段, 采用在线难例样本挖掘算法维护难例样本分类池, 加速神经网络模型迭代收敛, 解决训练样本不均衡、训练效率低下的问题; 计算并统计待检测目标的尺度大小, 合理控制用于生成候选区域的锚框尺寸, 提高模型泛化能力。采用PASCAL VOC2012公开数据集和类人足球机器人自建数据集进行算法验证, 实验结果表明, 相比Faster R-CNN算法, 本算法的平均检测精度在上述数据集下分别提高了8.61和5.47个百分点。

针对传统目标检测算法对航拍影像中的车辆等小目标检测效果差的问题, 提出一种基于改进Faster R-CNN的无人机地物车辆检测算法。该算法在原始Faster R-CNN网络的基础上融合了FPN作为基础网络模型——FFRCNN, 采用ResNet-50代替原始VGG-16作为主要骨干网络进行多特征融合, 使用Focal Loss损失函数改善正负样本不均衡的情况。在改进网络的基础上, 使用空洞卷积将多尺度空间的特征信息进行融合, 提高网络的感受野, 更好地收集图像的上下文信息。实验结果表明, 改进后的检测算法平均精确度达到93.8%, 相较于原FFRCNN网络, 平均精确度提升了19.2%, 具有更好的鲁棒性。

针对SAR图像数据获取困难的问题, 提出一种基于单幅图像训练的多尺度生成式对抗网络, 并应用于SAR飞机图像的增广。由于原始的生成式对抗网络设置单一尺度卷积核, 仅获得图像在固定感受野下的特征分布, 因此, 在对抗网络中融入多尺度分组卷积, 可以从不同尺度挖掘图像的分布特征, 增加生成图像的细节信息, 其结果是通过训练得到400幅新的SAR飞机图像样本, 并使用Faster R-CNN以及图像质量评价指标对增广数据集进行验证。实验结果表明: 生成图像的质量评价指标满足图像检测的需求; 使用Faster R-CNN算法结合生成式对抗网络数据增广使得平均检测精度由73.5%提升至77.6%。

针对Faster R-CNN算法存在特征提取不充分、检测框定位不准确导致检测精度不高的问题，提出一种多尺度特征融合和锚框自适应相结合的目标检测算法。首先，通过双向融合方法充分提取相邻层级间的深层特征和浅层特征；然后，均衡化处理多尺度特征，使集成的特征能获得来自不同分辨率下等量的语义信息和细节信息，提高目标的识别能力；最后，在区域提议网络（RPN）中利用目标的特征信息，通过自适应预测锚框的位置和形状来生成锚框。基于VOC数据集对算法的实验结果表明：与基于ResNet50的Faster R-CNN算法相比，所提算法中的多尺度特征融合策略加强了算法对不同尺度目标的检测能力，自适应锚框机制能够提高定位精度并避免小目标的漏检，算法整体的检测结果具有较好表现，平均检测精度提升了3.20个百分点。

针对Faster R-CNN目标检测算法存在的定位和检测精度问题，设计了一种可嵌入Faster R-CNN目标检测算法并进行端到端训练的可移动的注意力（MA）模型。首先，为了获取更加精确的空间位置信息，MA采用两个自适应最大池化分别基于输入特征图的水平和竖直两个方向进行特征聚合，生成两个独立的方向感知特征图；其次，为了防止模型过拟合，使用Sigmoid激活函数增加网络非线性；最后，为了充分利用已经得到的空间位置信息，将具有非线性的两个特征图与输入特征图依次相乘以增强输入特征图的表征能力。实验结果表明：基于MA改进的Faster R-CNN目标检测算法有效地提升了网络对感兴趣目标的定位能力，并且平均检测精度也得到了明显的提升。

为了改善接触网管帽这类小尺度部件在故障检测过程中定位困难的情况，提出一种基于改进Faster R-CNN的接触网管帽目标定位算法。通过K均值聚类算法（K-means）对region proposal network （RPN）层中生成anchor boxes的比例及面积进行改进，所提算法在定位接触网管帽这类小部件上具有较好的表现。并通过比较VGG16、resnet50、resnet101、resnet152等4种特征提取网络在原始及改进的Faster R-CNN上定位管帽的准确率、召回率、准确率和召回率的调和平均F₁、单张检测时间等指标来选择最优特征提取网络。实验结果表明，基于resnet50的改进Faster R-CNN深度网络模型在接触网管帽定位中具有明显的优势，召回率为89.78%，定位准确率可以达到83.16%，F₁值为86.34%，单张检测时间为0.283 s。

针对目标检测网络Faster R-CNN(Faster Region-Convolutional Neural Network)存在漏检、误检和检测精度低的问题,提出一种融合注意力机制和Soft-NMS(Soft Non-Maximum Suppression)的Faster R-CNN目标检测算法。为了增强Faster R-CNN目标检测算法对特征图中全局重要特特的提取并弱化无关特征,首先在网络中引入了注意力机制;其次针对注意力机制采用两个全连接层构成瓶颈结构会造成局部信息损失的问题,构建一种可以和卷积神经网络进行端到端训练的非降维通道注意力和空间注意力串联模块;然后通过在区域建议网络中引入Soft-NMS替换传统的非极大抑制算法,可以降低目标漏检并提高定位精度;最后在评价标准里引入了误检率,进一步验证模型的性能。实验结果表明,基于ResNet-50的Faster R-CNN目标检测算法有效降低了漏检、误检并提高了定位精度,而且在平均检测精度上得到了明显的提升。

机场跑道异物(FOD)检测对机场安全运营具有重大意义。为此，自主设计了一套基于无人机的FOD检测与定位系统，该系统采用多无人机协同的迂回式航线规划策略对机场跑道进行图像采集; 然后针对异物标记问题，采用基于RootSIFT特征点匹配的自动校直拼接算法还原机场跑道全景; 最后设计了Faster R-CNN异物检测器，实现对FOD的检测与定位。基于实测数据的试验结果表明，该系统能有效提升FOD检测效率，并获得了较为满意的FOD检测定位效果。