基于改进Faster R-CNN的SAR图像飞机检测算法

在合成孔径雷达（SAR）图像分析领域，飞机作为一种重要目标，对其的检测越来越受到重视。针对传统SAR图像飞机检测算法需要人工设计特征且鲁棒性较差的问题，提出了一种基于改进Faster R-CNN的SAR图像飞机检测算法。制作了一个SAR图像飞机数据集（SAD），以Faster R-CNN为检测框架，利用改进k-means算法设计更合理的先验锚点框，以适应飞机目标的形状特点；借鉴inception模块思想，设计多路不同尺寸卷积核以扩展网络宽度，增强对浅层特征的表达；分析残差网络Layer5层的特征输出具有更大的感受野，对其上采样后进行特征融合以利用更多的上下文信息；同时引入Mask R-CNN算法中提出的RoI Align单元，消除特征图与原始图像的映射偏差。实验结果表明:相比原始的Faster R-CNN算法，所提改进的Faster R-CNN算法在SAR图像飞机数据集上平均检测精度提高了7.4%，同时保持了较快的检测速度。      

基于改进Faster R-CNN的失效卫星部件检测方法

基于光学图像对失效卫星部件的精确检测可以为失效卫星的定位与捕获等任务提供支撑。然而,失效卫星部件多为密集小目标,且其光照条件变化较大,这导致一般主干网络出现特征表征分辨率低,小目标漏检等问题。针对上述问题,提出了一种基于改进Faster R-CNN的失效卫星部件检测方法。该方法在Faster R-CNN的基础上,融合高分辨网络构建新的特征提取主干网络,以获得可靠、高分辨率的特征表达式。其次,在模拟真实空间环境的条件下,利用1：1的嫦娥卫星模型构建了一个信息丰富的失效卫星数据集。用该数据集进行验证,结果表明：本文方法的平均精度为93.6%,其与Faster R-CNN和Cascade R-CNN相比,对小部件检测的准确率与召回率分别平均提高了9.8%与5.4%。该方法可有效检测失效卫星部件。     

基于深度学习和图匹配的接线图检测与校核

传统的厂站一次接线图的绘制和管理主要依靠电网运行人员，费时费力且缺乏科学可校核的参考标准。提出了一种基于深度神经网络和数字图像处理相结合的厂站一次接线图的自动检测、识别和校核算法。首先，使用目标检测Faster R-CNN模型检测厂站接线图中的电器元件，并达到92%的检测准确率，同时使用端到端的文字检测识别模型识别厂站接线图中的文字信息，并达到94.2%的文字检测准确率和92%的文字识别准确率；然后，使用数字图像处理技术进行厂站接线图连接线、拓扑关系识别；最后，使用改进的VF2算法进行厂站一次接线图和人工维护的厂站一次接线图拓扑关系匹配校核，将拓扑数据抽象为无向图，通过轮廓序号得到元件的相对位置信息，根据改进的VF2算法得到2张图的匹配率，并通过匹配率与设定好的阈值来帮助核验，相比于节点遍历的匹配方法，核验准确率提高了37.5%。基于某供电公司提供的部分变电站的厂站一次接线图标注了接线图电器元件，贡献了一个小型接线图数据集。      

基于改进深度学习模型的焊缝缺陷检测算法

针对传统深度学习模型在进行焊缝缺陷检测时对小缺陷目标检测效果不理想问题，提出基于改进深度学习Faster RCNN模型的焊缝缺陷检测算法，算法通过多层特征网络提取多尺度特征图并共同作用于模型后续环节，以充分利用模型中的低层特征，增加细节信息；改进模型的区域生成网络，加入多种滑动窗口，从而优化了模型锚点的长宽比设置，提高检测能力。实验表明，改进Faster RCNN模型取得最优的缺陷检测结果，对于小缺陷目标仍取得较好的检测精度，从而验证了算法的有效性。     

基于R-D SSD模型航空发动机安装工位检测算法

为解决航空发动机在安装过程中大多实行人工安装、定位不精确等问题，在研究其自动化安装方法中，针对航空发动机安装工位的检测需求，提出了一种残差网络与膨胀卷积相融合的SSD改进算法(R-D SSD)。将经典SSD模型的主干网络VGG16替换为残差网络ResNet-101，并增加其输出特征图上的预选框数量，解决了原始算法对底层特征抓取能力不足的问题，进而弥补了对小目标检测效果较差的缺陷；利用膨胀卷积扩大网络的感受野，获取足够的安装工位边缘特征细节信息，在不改变网络结构的同时，保证了模型良好的实时性和对目标的检测精度。实验表明:对于小目标数据集和整个数据集，R-D SSD算法的平均检测精度较原始算法分别提高了8.6%和4.0%，可以满足航空发动机安装时平均检测精度不低于85%的要求。      

面向天基监视的红外弱小飞行目标识别算法

针对当前红外弱小飞行目标特征不明显、背景干扰大等问题,提出了一种基于深度学习的红外弱小目标识别算法。检测框架以YOLOv4模型为基础,通过使用K-means++算法对训练集的候选框进行聚类处理,在初始大小的选取上放弃随机生成初始点的方式,在样本集里选取某一个样本作为初始中心使锚框（anchor）大小的选取更加合理。在模型结构中引入卷积注意力模块,使算法模型计算资源分配更合理,对红外弱小飞行目标的特征信息更加敏感。改进空间金字塔池化模块,使用平均池化可以更多保留图像的原始信息,降低天基成像中的噪点与坏点的影响。仿真实验表明采用K-means++计算Anchor大小时准确率可以达到80.13%,在加入了SPP和CBAM模块后之后在测试集上算法识别准确率达到了83.3%,经过对模型的修改有效提升了对红外弱小飞行目标识别的准确率。     

融合深度特征的输电线路金具缺陷因果分类方法

针对输电线路金具缺陷样本不足和缺陷目标形态多样化，仅仅利用深度学习模型导致金具缺陷分类准确率较低的问题，提出了一种结合深度网络和逻辑回归模型的因果分类方法。首先，通过样本扩充方法获得数量丰富化和角度多样化的数据集；然后，基于微调后的VGG16模型提取深度特征并进行特征处理，以构建符合因果关系学习的输入特征集；最后，通过全局混杂平衡进行金具缺陷特征与标签之间的因果关系学习，构建符合金具特点的因果逻辑回归模型，完成金具缺陷分类。为了证明所提方法的有效性，利用无人机实际采集的4类金具缺陷图片分别进行了实验，所使用的训练样本和测试样本数量较原始数据集提升了5倍左右。实验结果表明:所提方法可以实现对输电线路金具缺陷的精准分类，其中，防震锤相交和变形分类准确率分别达到了0.929 9和0.911 8，屏蔽环锈蚀和均压环损坏分类准确率分别达到了0.956 7和0.966 9。      

基于MobileFaceNet网络改进的人脸识别方法

为了解决训练过程中卷积模型参数较多、收敛速度较慢的问题，提出了一种基于MobileFaceNet网络改进的人脸识别方法。首先，使用MobileFaceNet网络提取人脸特征，在提取特征的过程中，通过引入可分离卷积减少模型中卷积层参数的数量；其次，通过在MobileFaceNet网络中引入风格注意力机制来增强特征的表达，同时使用AdaCos人脸损失函数来训练模型，利用AdaCos损失函数中的自适应缩放系数，来动态地调整超参数，避免了人为设置超参数对模型的影响；最后，分别在LFW、AgeDB和CFP-FF测试数据集上对训练模型进行评估。实验结果显示:改进后的模型在LFW、AgeDB和CFP-FF测试数据集上的识别精度分别提升了0.25%、0.16%和0.3%，表明改进后的模型相较于改进前的模型在精度和鲁棒性上有所提高。      

嵌入注意力机制的多尺度深度可分离表情识别

针对面部表情识别中，传统机器学习方法特征提取较为复杂，浅层卷积神经网络识别率不高，以及深度卷积神经网络易带来梯度爆炸或弥散的问题，构建了残差网络嵌入注意力机制的多尺度深度可分离表情识别网络。通过多层多尺度深度可分离残差单元的叠加进行不同尺度的表情特征提取，使用CBAM注意力机制进行表情特征的筛选，提升有效表情特征权重的表达，削弱训练数据的噪声影响。所提网络模型在Fer-2103和CK+表情数据集分别取得了73.89%和97.47%的准确度，表明所提网络具有较强的泛化性。      

改进的深度神经网络下遥感机场区域目标检测

卫星遥感监测器下的机场区域多类目标检测在实际生活中有着重大的军用和民用意义。为了有效提升机场区域遥感图片的检测精确率，以主流目标检测方法中更快的区域卷积神经网络（Faster R-CNN）为基础框架，针对数据侧提出了ReMD数据增强算法。同时使用更具深度的残差神经网络（ResNet）以及特征融合部件-特征金字塔网络（FPN）来提取机场区域目标更鲁棒的深层区分性特征。在末端检测网络添加新的全连接层并根据目标的类间关联性组合softmax分类器以及4个logistic regression分类器进行机场区域多类目标的精确分类。实验结果表明:相比原网络改进后的网络带来了11.6%的多类平均检测精确率的提升，达到了80.5%的mAP，与其他主流网络进行对比也有更好的精确率；同时通过适当减小建议区域的输入量，可以在降低3.2%精确率的前提下将0.512 s的检测时间提速3倍，至0.173 s，根据具体任务可以合理权衡精确率和检测速度，体现了该网络的有效性以及实用性。      

基于FPGA的红外目标识别神经网络加速器设计

在红外目标识别领域，基于卷积神经网络的深度学习算法的识别精度已远远超过了传统模式识别算法,但神经网络的实现需要庞大的计算和存储，难以在无人机等嵌入式平台上进行部署。针对此问题，将通道级量化策略和梯度的近似优化训练引入到了低比特神经网络模型的建立中，并提出了一种可充分利用硬件计算资源的FPGA加速器，其整体平均性能为65.6GOPS。与其他相关工作的对比表明，低比特量化方法及其FPGA加速器实现，可以为嵌入式红外目标识别系统提供一种能效高、识别精度高的解决方案。     

基于深度学习的航天器组合体惯性参数在轨智能辨识

针对在轨服务过程形成新组合体的动力学参数未知的问题,借助深度学习在多参数寻优上的优势,提出了一种基于卷积神经网络的智能参数辨识算法,实现在外力作用下,线动量和角动量不守恒条件下的航天器组合体多参数辨识。利用卷积神经网络权值共享的特点,设计4层卷积神经网络,通过短时间内对大量特定存储形式的状态数据的训练,实现航天器组合体多参数快速高精度辨识。利用数学仿真试验对算法的可行性进行验证,结果表明：在24s内,质量与质心位置收敛;1190s内,惯量参数收敛,辨识精度在3%以内。说明所提方法在外界随机干扰力和力矩影响下能准确快速辨识出航天器组合体质量、质心位置和惯量矩阵。     

基于深度学习的大型陨石坑识别方法研究

陨石坑是天体表面最为显著的地形特征，传统陨石坑识别方法主要是对小型陨石坑正负样本的二分类问题研究，且效率和精度均不高。以星体宏观视角下的大型陨石坑作为研究对象，结合图像处理和神经网络等方面的知识，创建了来自不同数据源的陨石坑样本数据库，研究了数据源对网络模型泛化能力的影响，提出了一种效率更高的陨石坑多分类识别方法。在非极大值抑制（NMS）算法基础上，提出了一种精度更高的陨石坑检测算法。经过参数优化和实验验证，构建的基于深度学习的多尺度多分类陨石坑自动识别网络框架取得了较高的准确率，在同源验证集上识别率可达0.985，在异源验证集上识别率可达0.863，并且有效改善了目标检测时检测框冗余及误检测的问题。      

运动信息引导的目标检测算法

在室外监控视频的场景下，由于场景的复杂性及目标的多样性，监控视频中的目标存在难以检测的情况，如目标被遮挡、目标尺寸变化等，目标检测任务仍然存在挑战。基于此，提出了一种利用运动信息引导基于卷积神经网络的目标检测算法来提高目标检测的准确率。对运动目标检测算法进行一定的改进，使得到的运动前景图中能够保持静止目标前景的存在；利用运动前景图中的前景可以指示目标空间位置的特点，在特征层面将网络提取的特征图与获取的以运动前景图为主的运动信息相融合，提高特征图可能存在目标区域的响应值；在目标检测算法的检测器中，引入一个定位分支，利用视频帧的运动前景图，学习候选目标的定位置信度，并与目标的分类置信度加权求和，作为目标最终的置信度，再通过非极大值抑制方法得到检测结果。实验证明，在固定摄像机下采集的数据集中，所提算法能够提升目标检测的准确率。      

基于IoU约束的孪生网络目标跟踪方法

基于孪生网络的跟踪方法通过离线训练跟踪模型，不需要对跟踪模型进行在线更新，兼顾了跟踪精度和速度。现有孪生网络目标跟踪方法使用固定阈值选择正负训练样本易造成训练样本漏选问题，且训练时分类分支和回归分支之间存在低相关性问题，不利于训练出高精度的跟踪模型。为此，提出了一种基于交并比(IoU)约束的孪生网络目标跟踪方法。通过使用动态阈值策略根据预定义锚框与目标真实框的相关统计特征，动态调整正负训练样本的界定阈值，提升跟踪精度。所提方法使用IoU质量评估分支代替分类分支，通过锚框与目标真实框之间的IoU反映目标位置，提升跟踪精度，降低模型的参数量。在数据集VOT2016、OTB-100、VOT2019、UAV123上进行了对比实验，所提方法均有较好的表现。在VOT2016数据集上，所提方法的跟踪精度比SiamRPN方法高0.017，期望平均重叠率为0.463，与SiamRPN++相比仅差0.001，实时运行速度可达220帧/s。