基于深度学习的异常目标识别

发布时间：2022-01-05 18:15

　　自计算机技术出现以来,目标检测一直是计算机视觉领域研究热点之一。目标检测的任务是找出图像中所感兴趣的目标,确定他们的位置和类别。依赖于手工特征的传统目标检测算法对于自然环境中目标姿态和角度多变性等问题往往没有合适的解决方案,而随着深度学习理论的不断发展,新模型新结构的不断出现,深度学习在各类目标检测公开数据集中取得优异的成绩,为解决实际工程问题提供了现实有效的方案。本文以深度学习理论为基础,着重研究了基于区域的全卷积网络（R-FCN）并将其应用于圆织机织物纹理检测和螺栓松动渗水检测两个场景中,搭建了完整的软硬件系统。本文主要工作如下:1.对R-FCN网络结构和原理进行深入研究,提出了一种全局信息融合的R-FCN网络结构。在原始Faster R-CNN网络结构的基础上,R-FCN通过引入位置敏感得分图,合并了大量独立运算,实现了全卷积的网络结构,在保证精度的同时提升了运算速度。本文通过将Soft-NMS算法引入到R-FCN网络的样本后处理过程中,实现了检测精度的提升。针对R-FCN只使用局部信息分块投票,未能有效使用全局信息的结构缺陷,本文提出了全局信息融合的R-FCN网络结构。实验结果... 

【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校

【文章页数】：98 页

【学位级别】：硕士

【部分图文】：

部分基于深度学习的目标检测算法发展演进过程图

三种激

东南大学硕士学位论文(a)M-P神经元模型图(b)多层感知机网络结构示意图图2.1神经网络模型结构也被称为多层前馈神经网络。图2.1b中第一层为输入层，第二第三层为隐藏层，其中的每一个节点都是一个基本的神经元，最后一层为输出层。该模型的拓扑结构为一个下层与上层之间全连接的有向无环图。2.2.2激活函数激活函数，也叫作激励函数，主要用来对输入值进行空间变换，为模型引入非线性特性。由于在现实应用场景下，线性模型往往无法解决所需完成的任务，所以引入非线性至关重要。应用中常见的激活函数主要有sigmoid型激活函数和rectifier型激活函数。sigmoid型激活函数是一类具有S形曲线形状的非线性激活函数，主要包括sigmoid函数和tanh函数等。这两类函数的表达式如下所示：sigmoid(x)=11+extanh(x)=exexex+ex(2.2)如图2.2a所示，sigmoid激活函数是对人类神经元响应呈阶跃变化的一种模拟，曲线平滑，处处可导。如图2.2b所示的tanh激活函数是0均值的，相比于sigmoid激活函数，其实际效果往往较优。这两类函数在两端接近饱和，导数接近为0，会使得模型不可避免的出现梯度消失的现象。(a)sigmoid函数(b)tanh函数(c)ReLU函数图2.2三种激活函数的图像rectifier型函数的典型代表是修正线性单元（RectifierLinearUnit，ReLU）函数[40]，10


本文编号：3570836