传感器在环境检测中可分为气体传感器和液体传感器,这是我为大家整理的传感器检测技术论文,仅供参考!
试述传感器技术在环境检测中的应用
摘要:传感器在环境检测中可分为气体传感器和液体传感器,其中气体传感器主要检测氮氧化合物和含硫氧化物;液体传感器主要检测重金属离子、多环芳香烃类、农药、生物来源类。本文阐述了传感器技术在环境检测方面的应用。
关键词:气体传感器 液体传感器 环境检测
中图分类号:O659 文献标识码:A 文章编号:
随着人们对环境质量越加重视,在实际的环境检测中,人们通常需要既能方便携带,又可以够实现多种待测物持续动态监测的仪器和分析设备。而新型的传感器技术就能够很好的满足上述需求。
传感器技术主要包括两个部分:能与待测物反应的部分和信号转换器部分。信号转换器的作用是将与待测物反应后的变化通过电学或光学信号表示出来。根据检测方法的不同,我们将传感器分为光学传感器和电化学传感器;根据反应原理的不同,分为免疫传感器、酶生物传感器、化学传感器;根据检测对象不同,分为液体传感器和气体传感器。
1气体传感器
气体传感器可以对室内的空气质量进行检测,尤其是有污染的房屋或楼道;也可以对大气环境中的污染物进行检测,如含硫氧化物、氮氧化合物等,检测过程快速方便地。
以含氮氧化物(NOx)为例。汽车排放的尾气是含氮氧化物的主要来源,但随着时代的发展,国内消费水平的提高,汽车尾气的排放量呈逐年上升趋势。通过金属氧化物半导体对汽车尾气及工厂废气中的含氮氧化物进行直接检测。如Dutta设计的传感器,采用铂为电极,氧化钇和氧化锆为氧离子转换器,安装到气体排放口,可以检测到含量为10-4~10-3的NO。含硫氧化物是造成酸雨的主要物质,也是目前环境检测的重点项目,因为在大气环境中的含量低于10-6,需要更高灵敏度的传感器。如高检测的灵敏度的表面声波设备。
Starke等人采用直径为8~16nm的氧化锡、氧化铟、氧化钨纳米颗粒制作的纳米颗粒传感器,对NO和NO2的检测下限可达到10-8,提高反应的比表面积,增加反应灵敏度,且工作温度比常规的传感器大大降低,减少了能源消耗。
2液体传感器
在实际环境检测中,液体传感器大多应用于水的检测。由于水环境中的污染物种类广泛,因此液体传感器比气体传感器的应用更为广泛和重要。水中的污染物除了少量的天然污染物以外,大部分都是人为倾倒的无机物和有机物。无机物中,重金属离子为重点检测对象;有机污染物包括杀虫剂、激素类代谢物、多环芳香烃类物质等。这些污染物的过度超标,会严重影响到所有生物体的健康和安全。
重金属离子检测
采水体中重金属离子的主要来源包括开矿、冶金、印染等企业排放的废水。这些生产废水往往混合了多种废水,所含的重金属离子种类繁多,常见的有汞、锰、铅、镉、铬等。重金属离子会不断发生形态的改变和在不同相之间进行转移,若处置不当,容易形成二次污染。生物体从环境中摄取到的重金属离子,经过食物链,逐渐在高级生物体内富集,最终导致生物体的中毒。因此如果供人类食用的鱼类金属离子超标,将对人类产生严重的影响,因此对于重金属离子的检测显得尤为重要。
Burge等人发明的传感器,可以利用1,2,2联苯卡巴肼和分光光度计,可以检测地下水中的重金属铬浓度是否超标。
除了通过化学反应检测外,采用特殊的生物物质,也可以方便和灵敏地检测重金属离子。如大肠杆菌体内有一种蛋白质可以结合镍离子,有人在这种蛋白质的镍离子结合位点附近插入荧光基团,当蛋白质结合镍离子后,荧光基团会被淬灭,由于荧光的强度与镍离子浓度成反比,从而实现对镍离子的定量检测,检测范围未10-8~10-2mol/L。日方法也可应用于检测Cu2+、Co2+、Fe2+和Cd2+等几种离子中。他们还结合了微流体技术,该技术只需消耗几十纳升体积的待测液体,就可以对100nmol/L以下浓度的Pb2+进行检测。Matsunaga小组将TPPS固定在多孔硅基质中,当环境中存在Hg2+时,随着Hg2+浓度的变化,TPPS的颜色会从橘黄色逐渐转变成绿色,该传感器的检测限为,通过加入硅铝酸去除干扰离子Ni2+和Zn2+。
利用传感器技术不仅可以准确测定待测物的浓度,而且由于传感器的微型化技术特点,还可以通过传感器的偶联,进行多项指标的检测。Lau等人设计了基于发光二极管原理的传感器,可以同时检测Cd2+和Pb2+,该传感器对Cd2+和Pb2+的检测限分别为10-6和10-8。
农药残留物质的检测
农药是一类特殊的化学品,它在防治农林病虫害的同时,也会对人畜造成严重的危害。中国是农业大国,每年的农药使用量相当庞大,因此有必要对其进行监测。采用钴-苯二甲蓝染料和电流计就能方便地检测三嗪类除草剂,无需脱氧,直接检测的下限为50Lg/L,如果通过预处理进行样品浓缩后,检测限可以达到200ng/L。
采用带有光纤的红外光谱传感器可以进行杀虫剂的快速检测。将光纤内壁涂覆经非极性有机物修饰的气溶胶材料后,能显著改善光纤中水分子对信号的耗散作用,并且能够提取出溶液中的有机磷类杀虫剂进行光谱分析。此类传感器对于有机溶剂,如苯、甲苯、二甲苯的检测限则可达10-8~8*10-8。
多环芳香烃类化合物的检测
多环芳香烃类物质是另外一大类有害的污染物质,这类物质具有致癌性,但在许多工业生产过程中均会使用或产生此类物质。水体中的多环芳香烃类物质含量非常低,一般在10-9范围内,因此需要借助高灵敏度的检测传感器,Schechter小组发明了光纤光学荧光传感器。在直接检测过程中,待测样本中还可能存在一些如泥土这样的干扰物质,会降低检测信号值,如果用聚合物膜先将非极性的PAH富集,然后对膜上的物质进行荧光检测,从而解决信号干扰问题,报道称这种经膜富集后的传感器技术,对pyrene的检测可达到6*10-11,蒽类物质则可达4*10-10。Stanley等人利用石英晶振微天平作为传感器,在芯片表面固定上蒽-碳酸的单分子膜,检测限可达到2*10-9。
基于免疫分析原理,采用分子印迹的方法,在传感器表面印上能够结合不同待测物质的抗体分子,可以实现多种不同物质的检测。近年来发展起来的微接触印刷技术,也可应用到该领域,这样制备得到的传感器体积可以更加微型化。
生物类污染物质
除了以上的无机和有机合成类污染物质,还有生物来源的一些潜在污染分子。如激素类分子及其代谢物的污染常常会引起生物体生长、发育和繁殖的异常。Gauglitz带领的研究小组采用全内反射荧光生物传感器和睾丸激素抗体,对河流中的睾丸激素直接进行了即时检测,其检测限为。该技术无需样品的预处理,对于不同地区的自然界水体均可以进行睾丸激素的现场直接检测,检测范围为9~90ng/L。
另外,致病菌和病毒也是被检测的对象,水体中出现某些特定菌种,可以表明水体受到了某种污染,利用传感器技术非常容易检测到这些生物样本的存在,而且选择性非常高,如可以从烟草叶中快速地发现植物病毒烟草花叶病毒,采用QCM可以直接检测到酵母细胞的数量。
3结论和展望
目前,传感器技术已开始应用于各环境监测机构的应急检测,但是实际应用中有诸多的局限性,比如在对大气中的某些有害物质进行检测时,由于其含量往往低于传感器的最低检测限,因此在实际应用过程中,还需要进行气体的浓缩处理,这样就使传感器不容易实现微型化,或者需要借助更高灵敏度的传感器;同样,在野外水体检测时,常常会出现待测水体含有多种复杂干扰成分的情况,无法与实验室的标准化条件相比;在有些以膜分离分析技术为原理的传感器中,其膜的使用寿命往往较短,而频繁更换新膜的价格较为昂贵,因此仍然无法得到广泛的应用。
尽管如此,随着传感器技术的不断发展和完善,仍然有望应用于将来工厂企业排气、排污的现场直接检测和野外环境的动态无人监测,而且其结果能与实验室常规仪器的检测结果相符,这样将大大加快对环境监测和治理的步伐。
参考文献
[1]NaglS,,2007,132:507-511.
[2],2005,59:209-217.
[3]HanrahanG,,2004,6:657-664.
[4]HoneychurchKC,,2003,22:456-469.
[5]AmineA,,2006,21:1405-1423
传感器与自动检测技术教学改革探讨
摘要:传感器与自动检测技术是电气信息类专业重要的主干专业课,传统授课方法侧重于理论知识的传授,而忽略了应用层面的培养。针对此问题试图从教学目的、教学内容、教学形式、教学效果等多个方面进行分析,对该课程的教学方案改革进行探讨,提出一套技能与理论知识相结合、行之有效的教学方案。
关键词:传感器与自动检测技术;教学内容;教学模式;工程思维
“传感器与自动检测技术”是电气信息类专业重要的主干专业课,是一门必修课,也是一门涉及电工电子技术、传感器技术、光电检测技术、控制技术、计算机技术、数据处理技术、精密机械设计技术等众多基础理论和技术的综合性技术,现代检测系统通常集光、机、电于一体,软硬件相结合。
“传感器与自动检测技术”课程于20世纪80年代开始在我国普通高校的本科阶段和研究生阶段开设。本课程侧重于传感器与自动检测技术理论的传授,重知识,轻技能;教师之间也缺乏沟通,教学资源不能得到充分利用,教学效果不理想,学生学习兴趣不高。
一、教学过程中发现的问题及改革必要性分析
笔者在独立学院讲授“传感器与自动检测技术”课程已有四年,最开始沿用了研究型大学的教学计划和教学大纲,由于研究型大学是以培养研究型人才为主,而独立学院是以培养应用型人才为主,在人才培养目标上有较大差异,在逐渐深入的过程中发现传统方案不太符合学院培养应用型人才的定位,存在以下几方面的问题。
1.重理论,轻实践
该课程是应用型课程,其中也有大量的理论知识、数学推导,而传统的研究型教学方法普遍都以理论教学为主,在课堂上大篇幅讲解传感器的原理,进行数学公式推导,相比而言传感器的应用通常只是通过一个实例简单介绍,导致最后大多数学生只是粗略地知道该传感器的结构,而不知道如何用,在哪里用。
2.教学模式单一
该课程传统上以讲授的教学方式为主,将现成的结论、公式和定理告诉学生,学生不能主动地思考和探索,过程枯燥乏味,导致学生产生了厌学情绪。同时理论教学与实训、实践教学脱节问题也很严重。
3.教学实验安排不合理
传统的实验课程安排,验证性实验比例高达80%,综合设计性实验极少,缺少实训、实践环节。然而应用型人才的培养应该以实践教学为核心,重点培养学生的工程思维和实践能力、动手能力,以在学生毕业时达到企业对技术水平与能力的要求,使学生毕业后能尽快适应工作岗位。
二、适合独立学院培养应用型人才的教学方案改革
传统的传感器与自动检测技术课程重理论、轻实践,教学模式单一,教学实验以验证性实验为主,这种方案能够培养研究型人才,但却无法培养合格的应用型人才。在教学过程中,笔者潜心研习,并反复实践,总结出以下几个可以改革的方面。
1.优化教学内容,注重工程思维
本课程一个很重要的内容是各种类型传感器的原理,传统的教学要讲清楚其中的来龙去脉,而本人则认为针对应用型人才培养,充分讲授清楚基本概念、基本原理和基本方法即可,涉及大额数学公式可以选择重要的进行讲解,其他则可作为学生的自学内容,让学生课余自学。同时应该重点讲解该传感器的工程应用实例;另一方面要结合最新实际工程讲解。这样才能激发学生的学习兴趣,培养学生应用型工程学习思维。
2.改革教学方法,改变教学模式
传统的教学是“灌输式”的方法,无论学生是否接受,直接把要讲的内容全部讲述给学生,而这也违背了培养学生分析问题和解决问题的能力以及创新能力的出发点和归宿。笔者认为应该应用工程案例教学,实行启发式、讨论式、研究式等与实践相结合的教学方法,发挥学生在教学活动中的主体地位。
3.与工程实际相结合,与其他课程相结合
教学过程中要从不同行业提取典型的工程应用实例,精简以后作为实例进行讲解。在进行教学时,要培养学生的系统观,让学生明白这不是一门独立的课程,而是与自动控制原理、智能控制理论等课程相融合的,以达到融会贯通的学习效果。
4.实验环节改革
实验教学主要是为了提高学生的动手能力、分析问题和解决问题的能力,加深学生对课堂教学中理论、概念的感性认识。以往该课程的实验内容大部分为原理性、验证性的实验,学生容易感到枯燥无味,毫无学习积极性,很少有学生进行独立思考并发现问题,实验效果极不理想。为了改变这种模式化的教育,笔者将实验内容由传统的验证性实验调整为设计开发型实验。在实验教学中根据客观条件在适当减少验证性实验的基础上,增加了开拓性实验项目以及设计综合性实验。
5.改革教学评价方法,提高课堂教学效率
高效的学习成果反馈机制是促进教学相长的必要手段,目前该课程都是通过课程作业进行学习效果反馈,可以采用每一个章节布置一道设计型题目,让学生更加广泛地查阅资料,并在一定知识广度的基础上深入分析题目中用到的内容,进而从更深的层面分析解决问题,以达到深度、广度相结合的效果。
本文针对传感器与自动检测技术传统研究型大学的方案,提出了三个方面的问题,并根据四年的教学积累,在教学内容、教学模式、实验环节、教学评价及反馈等几个方面进行了探讨分析并提出了一套改革的方法和措施。本方案以实际工程应用实例为核心,在教学内容上侧重于传感器应用方面的讲解,以提出问题、分析问题、解决问题为主线调动学生的学习积极性和主动性,培养学生的工程思维和能力,重视实验环节,以设计性、综合性实验代替验证性实验培养学生将抽象的知识具体化、培养学生的实际应用能力、动手能力和创新能力。
参考文献:
[1]吴建平,甘媛.“传感器”课程实验教学研究[J].成都理工大学学报.
[2]曹良玉,赵堂春.传感器技术及其应用.课程改革初探[J].中国现代教育装备.
[3]李玉华,胡雪梅.传感器及应用.课程教学改革的探讨Ⅱ技术与市场.
论文名称:Rich feature hierarchies for accurate object detection and semantic segmentation 提出时间:2014年 论文地址: 针对问题: 从Alexnet提出后,作者等人思考如何利用卷积网络来完成检测任务,即输入一张图,实现图上目标的定位(目标在哪)和分类(目标是什么)两个目标,并最终完成了RCNN网络模型。 创新点: RCNN提出时,检测网络的执行思路还是脱胎于分类网络。也就是深度学习部分仅完成输入图像块的分类工作。那么对检测任务来说如何完成目标的定位呢,作者采用的是Selective Search候选区域提取算法,来获得当前输入图上可能包含目标的不同图像块,再将图像块裁剪到固定的尺寸输入CNN网络来进行当前图像块类别的判断。 参考博客: 。 论文题目:OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks 提出时间:2014年 论文地址: 针对问题: 该论文讨论了,CNN提取到的特征能够同时用于定位和分类两个任务。也就是在CNN提取到特征以后,在网络后端组织两组卷积或全连接层,一组用于实现定位,输出当前图像上目标的最小外接矩形框坐标,一组用于分类,输出当前图像上目标的类别信息。也是以此为起点,检测网络出现基础主干网络(backbone)+分类头或回归头(定位头)的网络设计模式雏形。 创新点: 在这篇论文中还有两个比较有意思的点,一是作者认为全连接层其实质实现的操作和1x1的卷积是类似的,而且用1x1的卷积核还可以避免FC对输入特征尺寸的限制,那用1x1卷积来替换FC层,是否可行呢?作者在测试时通过将全连接层替换为1x1卷积核证明是可行的;二是提出了offset max-pooling,也就是对池化层输入特征不能整除的情况,通过进行滑动池化并将不同的池化层传递给后续网络层来提高效果。另外作者在论文里提到他的用法是先基于主干网络+分类头训练,然后切换分类头为回归头,再训练回归头的参数,最终完成整个网络的训练。图像的输入作者采用的是直接在输入图上利用卷积核划窗。然后在指定的每个网络层上回归目标的尺度和空间位置。 参考博客: 论文题目:Scalable Object Detection using Deep Neural Networks 提出时间:2014年 论文地址: 针对问题: 既然CNN网络提取的特征可以直接用于检测任务(定位+分类),作者就尝试将目标框(可能包含目标的最小外包矩形框)提取任务放到CNN中进行。也就是直接通过网络完成输入图像上目标的定位工作。 创新点: 本文作者通过将物体检测问题定义为输出多个bounding box的回归问题. 同时每个bounding box会输出关于是否包含目标物体的置信度, 使得模型更加紧凑和高效。先通过聚类获得图像中可能有目标的位置聚类中心,(800个anchor box)然后学习预测不考虑目标类别的二分类网络,背景or前景。用到了多尺度下的检测。 参考博客: 论文题目:DeepBox: Learning Objectness with Convolutional Networks 提出时间:2015年ICCV 论文地址: 主要针对的问题: 本文完成的工作与第三篇类似,都是对目标框提取算法的优化方案,区别是本文首先采用自底而上的方案来提取图像上的疑似目标框,然后再利用CNN网络提取特征对目标框进行是否为前景区域的排序;而第三篇为直接利用CNN网络来回归图像上可能的目标位置。创新点: 本文作者想通过CNN学习输入图像的特征,从而实现对输入网络目标框是否为真实目标的情况进行计算,量化每个输入框的包含目标的可能性值。 参考博客: 论文题目:AttentionNet: AggregatingWeak Directions for Accurate Object Detection 提出时间:2015年ICCV 论文地址: 主要针对的问题: 对检测网络的实现方案进行思考,之前的执行策略是,先确定输入图像中可能包含目标位置的矩形框,再对每个矩形框进行分类和回归从而确定目标的准确位置,参考RCNN。那么能否直接利用回归的思路从图像的四个角点,逐渐得到目标的最小外接矩形框和类别呢? 创新点: 通过从图像的四个角点,逐步迭代的方式,每次计算一个缩小的方向,并缩小指定的距离来使得逐渐逼近目标。作者还提出了针对多目标情况的处理方式。 参考博客: 论文题目:Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 提出时间:2014年 论文地址: 针对问题: 如RCNN会将输入的目标图像块处理到同一尺寸再输入进CNN网络,在处理过程中就造成了图像块信息的损失。在实际的场景中,输入网络的目标尺寸很难统一,而网络最后的全连接层又要求输入的特征信息为统一维度的向量。作者就尝试进行不同尺寸CNN网络提取到的特征维度进行统一。创新点: 作者提出的SPPnet中,通过使用特征金字塔池化来使得最后的卷积层输出结果可以统一到全连接层需要的尺寸,在训练的时候,池化的操作还是通过滑动窗口完成的,池化的核宽高及步长通过当前层的特征图的宽高计算得到。原论文中的特征金字塔池化操作图示如下。 参考博客 : 论文题目:Object detection via a multi-region & semantic segmentation-aware CNN model 提出时间:2015年 论文地址: 针对问题: 既然第三篇论文multibox算法提出了可以用CNN来实现输入图像中待检测目标的定位,本文作者就尝试增加一些训练时的方法技巧来提高CNN网络最终的定位精度。创新点: 作者通过对输入网络的region进行一定的处理(通过数据增强,使得网络利用目标周围的上下文信息得到更精准的目标框)来增加网络对目标回归框的精度。具体的处理方式包括:扩大输入目标的标签包围框、取输入目标的标签中包围框的一部分等并对不同区域分别回归位置,使得网络对目标的边界更加敏感。这种操作丰富了输入目标的多样性,从而提高了回归框的精度。 参考博客 : 论文题目:Fast-RCNN 提出时间:2015年 论文地址: 针对问题: RCNN中的CNN每输入一个图像块就要执行一次前向计算,这显然是非常耗时的,那么如何优化这部分呢? 创新点: 作者参考了SPPNet(第六篇论文),在网络中实现了ROIpooling来使得输入的图像块不用裁剪到统一尺寸,从而避免了输入的信息丢失。其次是将整张图输入网络得到特征图,再将原图上用Selective Search算法得到的目标框映射到特征图上,避免了特征的重复提取。 参考博客 : 论文题目:DeepProposal: Hunting Objects by Cascading Deep Convolutional Layers 提出时间:2015年 论文地址: 主要针对的问题: 本文的作者观察到CNN可以提取到很棒的对输入图像进行表征的论文,作者尝试通过实验来对CNN网络不同层所产生的特征的作用和情况进行讨论和解析。 创新点: 作者在不同的激活层上以滑动窗口的方式生成了假设,并表明最终的卷积层可以以较高的查全率找到感兴趣的对象,但是由于特征图的粗糙性,定位性很差。相反,网络的第一层可以更好地定位感兴趣的对象,但召回率降低。 论文题目:Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 提出时间:2015年NIPS 论文地址: 主要针对的问题: 由multibox(第三篇)和DeepBox(第四篇)等论文,我们知道,用CNN可以生成目标待检测框,并判定当前框为目标的概率,那能否将该模型整合到目标检测的模型中,从而实现真正输入端为图像,输出为最终检测结果的,全部依赖CNN完成的检测系统呢? 创新点: 将当前输入图目标框提取整合到了检测网络中,依赖一个小的目标框提取网络RPN来替代Selective Search算法,从而实现真正的端到端检测算法。 参考博客 :
本文大部分内容来源于 基于深度学习的目标检测技术演进: R-CNN -> SPP-Net -> Fast-RCNN -> Faster-RCNN -> R-FCN
目标检测 ,就是将 目标定位 和 目标分类 结合起来,利用图像处理技术、机器学习等多方向的只是,从图像(视频)中定位感兴趣的对象。 目标分类 负责判断输入的图像中是否包含所需物体(object)。 目标定位 负责表示目标物体的位置,并用外接矩形框定位。
目标检测简单讲就两方面: 定位 和 识别 。就是在给定的图片中精确找到物体所在位置,并标注出物体的类别。即知道object在哪儿,这个object是什么。 然而,这个问题可不是那么容易解决的,物体的尺寸变化范围很大,摆放物体的角度,姿态不定,而且可以出现在图片的任何地方,更何况物体还可以是多个类别。
从图像识别的任务说起 这里有一个图像任务: 既要把图中的物体识别出来,又要用矩形框创出它的位置。
上面的任务用专业的说法就是: 图像识别+定位 图像识别(classification) 输入:图片 输出:物体的类别 评估方法:准确率
定位(localization): 输入:图片 输出:矩形框在图片中的位置(x,y,w,h) 评估方法:检测评价函数IOU(intersection-over-union)
卷积神经网络(CNN)已经帮我们完成了图像识别(判断是猫还是狗)的任务了,我们只需添加一些额外的功能来完成定位任务即可。
定位问题的解决思路有哪些? 思路一:看做回归问题 看做回归问题,我们需要预测出(x,y,w,h)四个参数的值,从而得出矩形框的位置。
步骤1: • 先解决简单问题, 搭一个识别图像的神经网络 • 在AlexNet VGG GoogleLenet上fine-tuning一下
步骤2: • 在上述神经网络的尾部展开(也就说CNN前面保持不变,我们对CNN的结尾处作出改进:加了两个头:“分类头”和“回归头”) • 成为classification + regression模式
步骤3: • Regression那个部分用欧氏距离损失 • 使用SGD训练
步骤4: • 预测阶段把2个头部拼上 • 完成不同的功能
这里需要进行两次fine-tuning 第一次在ALexNet上做,第二次将头部改成regression head,前面不变,做一次fine-tuning
Regression的部分加在哪?
有两种处理方法: • 加在最后一个卷积层后面(如VGG) • 加在最后一个全连接层后面(如R-CNN)
regression太难做了,应想方设法转换为classification问题。 regression的训练参数收敛的时间要长得多,所以上面的网络采取了用classification的网络来计算出网络共同部分的连接权值。
思路二:取图像窗口 • 还是刚才的classification + regression思路 • 咱们取不同的大小的“框” • 让框出现在不同的位置,得出这个框的判定得分 • 取得分最高的那个框
左上角的黑框:得分
右上角的黑框:得分
左下角的黑框:得分
右下角的黑框:得分
根据得分的高低,我们选择了右下角的黑框作为目标位置的预测。 注:有的时候也会选择得分最高的两个框,然后取两框的交集作为最终的位置预测。
疑惑:框要取多大? 取不同的框,依次从左上角扫到右下角。非常粗暴啊。
总结一下思路: 对一张图片,用各种大小的框(遍历整张图片)将图片截取出来,输入到CNN,然后CNN会输出这个框的得分(classification)以及这个框图片对应的x,y,h,w(regression)。
这方法实在太耗时间了,做个优化。 原来网络是这样的:
优化成这样:把全连接层改为卷积层,这样可以提提速。
物体检测(Object Detection) 当图像有很多物体怎么办的?难度可是一下暴增啊。
那任务就变成了:多物体识别+定位多个物体 那把这个任务看做分类问题?
看成分类问题有何不妥? • 你需要找很多位置, 给很多个不同大小的框 • 你还需要对框内的图像分类 • 当然, 如果你的GPU很强大, 恩, 那加油做吧…
看做classification, 有没有办法优化下?我可不想试那么多框那么多位置啊! 有人想到一个好方法: 找出可能含有物体的框(也就是 候选框 ,比如选1000个候选框),这些框之间是可以互相重叠互相包含的,这样我们就可以避免暴力枚举的所有框了。
大牛们发明好多选定候选框的方法,比如 EdgeBoxes 和 Selective Search。 以下是各种选定候选框的方法的性能对比。
有一个很大的疑惑,提取候选框用到的算法“选择性搜索”到底怎么选出这些候选框的呢?那个就得好好看看它的论文了,这里就不介绍了。
343 浏览 1 回答
109 浏览 3 回答
313 浏览 5 回答
128 浏览 3 回答
249 浏览 2 回答
131 浏览 4 回答
320 浏览 7 回答
90 浏览 2 回答
205 浏览 2 回答
299 浏览 5 回答
228 浏览 2 回答
119 浏览 6 回答
253 浏览 2 回答
307 浏览 4 回答
113 浏览 3 回答