9篇关于Faster RCNN的计算机毕业论文

今天分享的是关于Faster RCNN的9篇计算机毕业论文范文, 如果你的论文涉及到Faster RCNN等主题,本文能够帮助到你

智能机翼缺陷检测系统的设计与实现

这是一篇关于缺陷检测系统,目标检测,J2EE,Faster RCNN的论文, 主要内容为对机翼缺陷的检测识别和缺陷数据的管理是工业中不可或缺的一部分,它关系到机翼在使用过程中的安全性及数据维护和复查的可追溯性和可靠性。由于机翼在使用过程中不可避免的出现一些划痕、碰伤等缺陷,不同业务人员需要对缺陷检测过程中的数据进行统一维护,而目前大多数企业的生产线主要是依靠人工检测的方式来检测机翼的缺陷,检测效率较低,同时没有一套统一的管理系统对数据信息进行管理和维护,为此设计了一款基于目标检测的机翼缺陷检测系统。该系统主要可以通过目标检测算法模型对机翼缺陷进行检测,同时可以对缺陷数据进行查询统计管理,用户信息管理,菜单和参数管理等功能。本文重点完成的工作如下:(1)分析了机翼缺陷检测系统的开发背景和国内外研究现状。(2)简要介绍了系统研发的相关技术和缺陷检测算法的模型组件。(3)根据软件工程生命周期的方法,分析了缺陷检测系统的业务需求,得出系统的功能和性能需求,并对系统进行了设计。(4)对缺陷检测的算法进行设计和实现,机翼缺陷需要识别的缺陷类型有剥落、砂眼、破损3种,同时需要标注出每种缺陷类型的位置和缺陷程度,针对需要识别的3种缺陷类型需求,完成了缺陷检测算法的训练和测试。(5)实现了缺陷检测管理系统,并对系统完成了功能性和非功能性测试,对缺陷检测算法完成了精度测试。系统目前已经正式投入运行,系统的完成有效的实现了机翼缺陷的检测功能,缺陷数据的管理功能,提高了机构用户的使用体验。

基于图像处理的糖尿病孕妇饮食能量采集与分析系统

这是一篇关于妊娠糖尿病,目标检测,微信服务号,Faster RCNN的论文, 主要内容为妊娠糖尿病是一种高危妊娠,对母亲和胎儿危害极大。现在,我国每百位妊娠期女性中就有十人患有该病,与十年前百分之三的患病比例相比,提高了三倍多。妊娠糖尿病患者的饮食、运动以及血糖情况,是医生比较关注的重要指标,每次问诊上述信息需要占用医生大量的时间。因此,如果建立一个糖尿病孕妇健康管理系统,通过其帮助孕妇随时随地采集饮食、运动等与糖尿病相关的信息,并自动分析它们之间的关系,应该可以帮助医生给出更符合患者自身情况的血糖控制建议。本文主要讨论这一系统中的饮食数据采集分析方法以及系统的具体实现。论文在数据集采集阶段,首先用MySQL数据库搭建食物营养信息数据库,然后采用MVC架构和JavaEE技术,实现让糖尿病孕妇随时随地输入每日饮食、运动、血糖等信息的微信服务号,通过其采集用户数据。此后医生可以通过用户输入的上述信息为用户提供个性化的健康指导。其中,在饮食数据采集模块,改变当前多数应用常用的手动输入食物名称及克数的方式,而是用户通过移动设备上传的食物图像,由系统自动识别和分析图片中食物的种类及能量,以降低用户输入信息的复杂程度。在数据分析阶段,通过上传的食物图像识别和分析用户摄取营养及能量的方法。本文创新地采用Faster RCNN目标检测的方法进行食物定位和识别。由于用户拍摄图片时,移动设备与食物的距离和角度不固定。因此,本研究使用人们经常会带在身边且尺寸固定的硬币作为标准参照物,即每次将硬币与食物同时拍摄图片然后上传。本研究首先建立包含硬币的食物图像库,库中包含20种菜的11000张图像数据。然后标记出图像中的硬币和食物的位置。接着通过图像库中的5500张图像训练Faster RCNN中的RPN层和ROI层,用剩余5500张图像做测试,进而识别食物种类和位置坐标,由坐标转换为面积。最后通过每种菜和硬币的面积的比值,计算食物重量并转换为对应的卡路里值,作为分析用户饮食数据的依据。

基于深度学习的服装钉纽质量检测研究

这是一篇关于纽扣质量检测,区域生长法,生成对抗网络,Faster RCNN,迁移学习的论文, 主要内容为服装生产中钉纽工序的质量检测目前还依赖人工,速度慢,效率低下。论文结合服装企业的实际生产需求,设计并研究基于深度学习的钉纽质量机器视觉检测系统和方法。论文的主要工作如下:1.基于机器视觉系统、控制系统设计等技术,结合服装生产特点,设计了一套钉纽质量机器视觉检测系统。依据服装生产现场环境特点和现有钉纽设备结构特点,设计合适的相机安装方案;通过组合光源设计提升带纹理特征面料上获取的纽扣图像质量;根据现有钉纽设备内置信号端口设计与PLC的通讯方式;通过四轴联动系统实现图像获取节拍与钉纽生产节拍一致,准确获取待检测图像数据。2.针对原始图像数据存在的问题,设计图像预处理方案。通过数据降维,简化图像处理的运算量;非线性增强凸显钉纽与背景的纹理面料之间的差异;中值滤波过滤图像增强带来的椒盐噪声和高斯噪声;基于区域生长法分割图像,实现了纽扣区域与背景纹理区域的图像分割,减少后续训练时的冗余数据,提升训练效率。3.基于生成对抗网络扩充原始数据集,解决实际服装生产过程中纽扣图像数据量过少的问题。通过对WGAN-GP的判别器D增加一个训练调整倍数Ts,让生成器G和判别器D的训练保持相近速度;将WGAN-GP的判别器D的Sigmoid输出层替换为全连接层提高模型训练效率;在MI值和HD值两项图像评价标准上,该网络模型生成的纽扣图像数据质量优于DCGAN,WGAN-GP生成的纽扣图像数据。4.设计了基于Faster RCNN的改进质量检测算法。首先通过将特征提取部分更换成Res Net50,缓解网络过深带来的梯度消失;通过残差单元有效提高网络训练速度和训练敏感性;依据纽扣的特点设计RPN网络,增加有效候选框数量,降低运算量;通过消融实验验证了不同模块的改进对整体网络性能的影响,并选定最优方案;在两种新的纽扣图像数据上构建小样本数据集进行迁移学习,验证了所提出的模型在小样本数据集下具备良好的训练效率和检测准确率。

基于数字图像的木材表面缺陷检测研究

这是一篇关于KPCA,ResNet-50,Faster RCNN,特征融合,木材表面缺陷的论文, 主要内容为家具产业是南康的传统优势产业,是赣州目前最具特色、规模最大的产业集群,也是江西省重点打造的工业示范产业集群之一。作为家具的原材料,木材的品质是保证家具产业质量的前提。基于数字图像的木材表面缺陷检测是木材工业研究领域重要热点问题,其优越的检测效果极大地缓解了人工检测效率低,准确率低的问题,因此,基于数字图像的木材表面缺陷检测研究对木材工业生产乃至国民经济增长具有重要意义。本文首先介绍基于数字图像木材表面缺陷检测的相关理论,针对传统与深度学习方法进行研究,包括:(1)针对传统数字图像特征不易人工设计的问题,本文基于HOG与GLCM特征,提出了一种新的特征提取方法:HOG-KPCA-GLCM。该特征提取方法首先对得到的HOG特征使用KPCA降维,实验研究不同维数对木材表面缺陷检测的影响,得到最佳HOG-KPCA特征维数;然后与GLCM权重级联,并实验研究不同权重比的影响,得到最优权重。在实验木材表面缺陷数据集上,采用SVM作为分类器,本文提出的方法在测试集上分类准确率85.05%,优于HOG(80.67%)与GLCM(68.62%)。(2)针对深度学习网络训练准确率不够优秀且训练时间长的问题,本文通过研究深度神经网络Res Net-50的梯度传递信息,提出了基于CSP与注意力机制的改进Resnet-50网络,且分析了传统优化算法Adam的优点与不足,引入了Ranger优化方法训练网络。其中,CSP跨界比由试验确定,经过消融实验,改进的Res Net-50在实验木材表面缺陷数据上分类准确率88.55%,检测效果优于传统Res Net-50(86.77%)以及其他传统分类网络。(3)针对传统目标检测网络Faster RCNN准确率不够优秀以及同类重叠缺陷易漏检的问题,本文通过改进传统Faster RCNN的主干特征提取网络、损失函数以及非极大值抑制。主干特征提取网络使用(2)中改进的Res Net-50,损失函数使用Focal Loss,非极大值抑制使用Soft NMS,针对每个改进与整体改进设计实验,结果表明改进的Faster RCNN在实验木材表面缺陷数据集上具有较大提升。

智能机翼缺陷检测系统的设计与实现

基于深度学习的服装钉纽质量检测研究

基于深度学习的水下目标检测方法及其应用研究

这是一篇关于深度学习,水下目标检测,Faster RCNN,YOLOV4,系统实现的论文, 主要内容为随着深度学习方法及其目标检测方法的飞速发展,它们的应用范围越来越大,特别是在水下目标检测、海洋环境探索、水底生态保护、渔业养殖辅助等方面正在发挥着越来越重要的作用。但是,由于水下环境比起陆地上的环境要复杂很多,光在水中传输时又会受到水的吸收、反射和散射等影响而发生严重的衰减,因此采集到的水下图像难免会出现可见范围有限、模糊不清、色彩不协调及噪声等各种问题。另外一方面,由于水下生物数量和种类繁多,部分水下生物的体积较小,所以在水下目标检测过程中极为容易出现遗漏或误判。因此,把深度学习方法及其目标检测方法应用到水下环境的目标检测和探索是十分有必要。本文针对上述的问题,采用深度学习方法对目标检测算法进行深入的研究和改进,使其在水下环境探测任务中有更优良的性能。本文的主要研究内容包括以下几个方面:(1)提出了一种基于改进Faster RCNN的两阶段水下目标检测方法。将Faster RCNN(Regions With CNN Features)的特征提取模块由原来的VGG16替换成Res2Net101,其结构能增强网络层感受野的表达能力。引入OHEM(Online Hard Example Mining)算法来解决候选先验框的正负样本的不均衡问题。最后使用GIOU(Generalized Intersection Over Union)和Soft-NMS(Soft Non-Maximum Suppression)对先验框的机制进行优化。(2)提出了一种基于改进YOLOV4的单阶段水下目标检测方法。首先通过相关的聚类算法对数据集中的先验框进行聚类,选出训练模型先验框的初始值。对主干网络加以完善,添加深度可分离卷积,提高网络的特征提取能力;接着将注意力机制模块Eca-Net添加到SPP(Spatial Pyramid Pooling)模块当中,通过适当的跨信道交互,显著地减少模型复杂性,以提升其效能。然后为了提高模型对小目标的检测性能,增加了一个预测层;最后改进训练策略,使用多尺度训练策略,使得改进后算法模型有更好的鲁棒性。(3)为了检验和验证及完善和提高上述算法的性能,本文在上述改进算法的基础上,研究和开发及实现了一款智能单阶段水下目标检测系统。该系统包含Web端后台管理平台和智能水下目标检测管理平台。两个平台相互协作,以完成水下图像目标检测、对图中生物数量的统计、查看历史数据、系统监控等各项功能和任务。

基于数字图像的木材表面缺陷检测研究

基于神经网络的汉字部件图像分割与检索算法研究

这是一篇关于汉字图像,部件分割,部件检索,Faster RCNN,ResNet50的论文, 主要内容为部件是汉字的构字单位,笔画结构相对简单,同时又具有汉字字形等方面的信息,在汉字研究中具有重要作用,因此部件分割与检索方法研究是一项非常有价值的工作。随着深度学习的发展,本文设计基于神经网络模型的汉字部件图像的分割方法,并设计实现了汉字部件图像检索系统,为研究者提供便捷高效的研究工具,进一步节省了时间成本。主要工作有:(1)设计了基于Faster RCNN的汉字部件图像分割模型。针对汉字图像中部件分割困难的问题,将部件分割问题转化为目标检测问题,使用Faster RCNN完成对部件的分割。首先根据部件层级性的特点,选用了十三种汉字结构及相应比例,对数据集中的汉字图像按照首层结构划分并挑选出符合比例的图像,然后对所挑选的汉字图像逐层的进行结构标注,并按照Pascal VOC标准制作了包含2002张图像以及所对应的标注文件的汉字图像数据集。然后在Faster RCNN的特征提取层加入特征金字塔结构FPN(Feature Pyramid Network),FPN结构可以将特征图中的底层特征和高层特征相融合,进一步提取图像的细节特征和位置信息等。预测目标的RPN(Region Proposal Network)层获取FPN提取的图像特征后,会生成十五种不同比例不同大小的锚框(anchor),对图像所有像素点进行预测,进而全方位的检测图像中不同大小的部件,最后通过预测汉字结构分割获得部件。Faster RCNN模型在本文所制作的数据集上进行训练,并与YOLOv3和YOLOv7进行对比实验,实验表明Faster RCNN的分割效果更精准,且预测数量更接近实际。(2)设计实现基于ResNet50提取特征的汉字部件图像检索系统。该系统集成了基于Faster RCNN的汉字部件图像分割模型,通过系统提交待分割的整字图像,调用汉字部件图像分割模型分割得到部件。检索前,需要对得到的部件图像进行噪声去除,通过设置的mask层与图像进行与操作去除部件图像上的细小噪声。检索过程中,使用卷积神经网络Res Net50对部件进行特征提取,使用余弦相似度计算特征匹配结果,并根据此结果返回检索到的相似部件图像。系统与VGG16、Dense Net121和以图搜图系统进行对比实验,结果表明本系统在检索结果前10、前20、前30的平均图像检索精度上均优于其他三组结果,与VGG16相比,三种情况分别高出0.3%,1.6%,2.9%,与Dense Net121相比,三种情况分别高出1.2%,3.1%,10.1%,与以图搜图系统相比分别高出0.7%、0.8%、1.3%。

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：源码工厂，原文地址：https://bishedaima.com/lunwen/48465.html