目前电缆绝缘层厚度检测算法主要采用图像处理技术提取出绝缘层的边缘轮廓, 此类算法存在绝缘层边缘过宽和边缘不连续等问题, 影响了后续的检测精度。为提高绝缘层测量精度, 新算法基于RCF算法进行改进, 在模型的4、5阶段采用空洞卷积, 增大模型的感受野; 并在侧输出网络加入尺度增强模块(SEM模块)和由浅到深的级联网络, 增加侧输出图像的细节信息。通过自制的电缆绝缘层数据集对模型进行训练, 结果表明改进后的模型在数据集最优尺度(ODS)和单张图片最优尺度(OIS)分别为0.821和0.842, 平均精度为0.799, 算法相较于RCF模型ODS和OIS分别提高了0.008和0.01, 检测精度提升了0.021。并在伯克利大学数据集(BSD500)数据集上对模型的性能进一步验证, 其中ODS和OIS分别为0.810和0.825, 所提算法相较于RCF模型ODS和OIS分别提高了0.009和0.006

在目标检测领域,小目标的检测识别一直都是研究的难点,导致模型提取到的特征并不具有良好的表达能力,因此对小目标的检测结果不佳。为此,提出一种基于特征金字塔网络(FPN)的改进算法。在原有基础上增加并行分支,再融合两种不同上采样方法的特征信息以加强小目标特征的表达能力。同时,增加多阈值检测器(Cascade R-CNN)强化小目标定位能力。基于无人机航拍数据集进行实验,实验结果表明,在MS COCO数据集下,所提算法的平均精确率相比原始FPN算法提高了9.7个百分点,具有良好的检测性能。

提出了一种基于深度学习技术的年龄和性别识别方法,建立了人脸识别硬件与软件系统。运用经典的反向传播算法确定预测函数的权重矩阵和偏差。针对单个识别网络准确率不高的问题,采用多个神经网络级联的方式,对输入的目标特征进行多次判定。通过设计一种投票竞争算法,让级联网络的识别结果自动进行竞争,获胜者作为最终的预测结果。预测结果与实验数据对比表明采用级联网络可有效提高对年龄性别的识别准确率,级联后的识别准确率分别达到了88%和82.61%。

提出了一种基于级联神经网络的无人机目标关键点检测算法。该算法采用的网络由两部分级联而成: 网络 1负责对目标整体进行检测; 网络 2接收目标图像作为输入, 输出目标上关键点位置信息。针对现有方法通过加深网络提升准确性带来的低实时性问题, 该算法通过引入两种跨层级连接方式, 加强神经网络对全局信息的重利用, 提升关键点定位的准确性, 同时利用深度可分离卷积降低网络参数量, 提升实时性。经测试集数据验证, 该算法在复杂环境下关键点定位相对误差为 0.03, 在 NvidiaGeforceGTX1080ti上平均运行速度为 28f/s。在保证较高定位准确性的同时, 满足当前应用对算法实时性的要求。

针对小目标检测提出了一种基于特征金字塔网络改进的算法。通过引入预测优化模块,并结合感兴趣区域的上下文信息,使得特征信息具有更强的稳健性,同时通过内部级联的多阈值预测网络进行预测,最终实现多尺度多阶段的预测,在保证网络参数基本不变的前提下准确率得到提升。实验结果表明,经标准数据集VOC07+12训练后,所提算法在VOC2007测试中的准确率达到80.9%,具有很好的检测性能。