改进Faster R-CNN的汽车仪表指针实时检测
针对产业化的汽车仪表指针人工视觉检测效果差、检测速度慢和实时性低等问题,本文提出了一种改进的Faster R-CNN汽车仪表指针实时检测算法.通过改进原始的RoI网络层结构,实现小目标高低层特征之间的完整传递;采用双线性内插算法替代两次量化操作,使得特征聚集变成连续的过程,能够有效减少计算时间;最后将工业机采集的视频数据,预处理成VOC格式数据集进行训练,调整超参数得到改进汽车仪表指针检测模型.实验结果表明:所提出的方法能够快速、准确地实现汽车仪表指针检测,单张图片的平均检测时间为0.197 s,平均检测精度可达92.7%.在不同类别仪表指针的迁移实验中,展示了良好的泛化性能.
卷积神经网络;汽车仪表指针;实时检测;双线性内插;深度学习;模式识别;特征提取;特征聚集
16
TP183;TP391.41(自动化基础理论)
国家自然科学基金项目;广西自然科学基金项目;广西研究生教育创新计划项目
2021-12-07(万方平台首次上网日期,不代表论文的发表时间)
共8页
1056-1063