针对汽车涂料固有的缺陷特征,通过改进MobileNet-SSD网络的特征层,优化边界框的匹配策略,提出了一种改进的MobileNet-SSD算法,用于油漆缺陷的自动检测。实验结果表明,改进的MobileNet-SSD算法可以检测出六种传统车身漆膜的缺陷,准确率超过95%,比传统SSD算法快10%,可以实现实时、准确的车身漆面缺陷检测。 简介 车身主要由钢...
当前目标检测的算法有很多,如rcnn系列、yolo系列和ssd,前端网络如vgg、AlexNet、SqueezeNet,一种常用的方法是将前端网络设为MobileNet,后端算法为SSD,进行目标检测。之前使用过这套算法,但是知其然不知其所以然,今天系统学习一下。 MobileNet 1.论文:Efficient Convolutional Neural Networks for Mobile Vision Applications...
本文借助 Tensorflow Object detection API 开源框架和MobileNet V2—SSD 算法,阐述如何创建、训练自定义车道线数据集,并获得 LDW 目标检测模型。 一、前期准备工作 前期准备工作主要包含模型下载、环境配置以及 py 文件生成等,详细内容如下: 1)模型下载 —— API 是基于 TensorFlow 构造的开源框架,易于构建、训练、部...
摘要: SSD-Mobilenet目标检测模型是将SSD和Mobilenet进行结合衍生出的一种轻量化模型,同时具备了两模型各自的优势,即多尺度检测和模型轻量化。在原模型中特征提取层使用了人为设置的先验框,这样的设置存在一定的主观性,并不适用于对特定场景下单一类别目标的识别与定位。为解决这一问题,本文提出了使用K-Means算法对...
首先，SSDLite是Google在2018年提出的轻量级检测模型，它将VGG backbone替换为MobileNetV2，并采用深度可分离卷积，大大减少计算量和参数量。MMDetection重构了SSD模块，将额外的层提取为SSDNeck，使其更符合模块化设计。新的接口支持定制化设置，比如深度可分离卷积和head卷积层的层数。针对SSDLite，我们参考了...
提出了一种改进的MobileNet-SSD算法,用于车身油漆的缺陷检测。该过程包括两部分,数据增强算法,扩展数据集和改进的MobileNet-SSD算法,以检测缺陷位置。 1、提出了一种新的图像数据增强算法,通过为缺陷涂料图像制定相应的切割策略和采样位置来增强数据集,从而实现了缺陷涂料图像的多方向和多角度切割。2、提出了一种基于车...
基于K-Means算法的SSD-Mobilenet模型优化研究 0 引言 目标检测是将目标从图像中提取出来的计算机视觉技术,是计算机视觉领域的重要组成部分,是一切计算机视觉任务的基础,具有较高的研究价值。运动目标检测是从不断变化的序列图像中进行目标的识别和定位,分为静态背景下的目标检测和动态背景下的目标检测。目前,解决目标检测...
1.3 算法复现 由于MobileNetV2 论文中没有给出 SSDLite 模型训练的细节,Tensorflow Object Detection API 中提供的配置也不够详细,并且其中给出的结果也是在 coco 2014 上得出的,训练集和验证集的划分也不太一样(使用了自定义划分的 coco minival 8000 张图片进行验证)。除此之外,Tensorflow 中模型的一些操作也和...