基于卷积神经网络与ECG信息的多模态疲劳驾驶检测研究

为解决驾驶员疲劳驾驶引发的交通事故问题,本研究致力于设计一款高精度、及时预警的疲劳驾驶检测与预警装置。文章提出了一种基于卷积神经网络与ECG信息的多模态疲劳驾驶检测方法:首先,通过训练数据集获取模型文件,并将其与预设行为进行对比,得出预警结果;接着,结合ECG信号对驾驶员的驾驶状态进行进一步分析,输出最终结果并触发预警。实验结果表明,该方法能够准确识别驾驶员的疲劳状态并及时发出预警,最高检测正确率达到了99%,验证了方法的可行性。

基于YOLOv4卷积神经网络的钢材缺陷检测系统

为了提升钢材生产质量,设计了一种基于YOLOv4卷积神经网络的钢材缺陷检测系统。钢材缺陷目标检测系统硬件结构主要包括工控机服务器、电动控制模块、工业相机和网络通信装置,软件结构采用YOLOv4目标检测算法模型实现钢材缺陷识别、定位和筛选,产品缺陷主要包括:斑块、点蚀表面、内含物和划痕等缺陷。通过对钢材缺陷检测系统的测试验证表明,系统能根据缺陷特征准确快速地检测识别和定位缺陷目标,能满足企业生产中对钢材缺陷检测的实际需求,在智能制造领域具有一定的应用前景。

基于YOLOv4神经网络的小龙虾质量检测方法

设计了一种采用YOLOv4深度学习算法的小龙虾质量检测模型,该算法在网络架构、数据处理、特征提取等方面进行了优化。自主拍摄小龙虾图片并进行数据扩充,使用LableImage平台进行数据标注,在Darknet框架下进行网络模型训练,通过对比,模型最终性能均高于其他常见目标检测模型,其检测准确率达97.8%,平均检测时间为37 ms,表明该方法能够有效检测生产过程中的小龙虾质量。

基于YOLOv4卷积神经网络的口罩佩戴检测方法

针对疫情防控期间火车站等密集场所人员的口罩佩戴监测问题,文章提出一种基于图片高低频成分融合与YOLOv4卷积神经网络的口罩佩戴检测方法.通过网络爬虫以及手动数据标注,经过Darknet深度学习框架训练,其模拟检测达到了较好的效果.试验结果表明,由自行构建的口罩佩戴检测数据集,训练后模型检测的精度值达到0.985,平均检测速度为35.2 ms.此检测速度以及检测精度满足大部分场合人员口罩佩戴的需求,为口罩佩戴检测的视觉识别提供了技术支持.

基于改进的卷积神经网络水果分类算法设计

水果分类对于水果生产、加工、运输以及自助销售都有重要意义.卷积神经网络通过多层次的特征学习和自动特征提取,能够高效地处理和分类大量水果,在水果分类方面具有出突出的优势.然而,目前的水果分类方法存在诸多问题,如过度依赖人工、准确率不高、智能化程度不足以及鲁棒性差等.为解决这些问题,提出一种改进的YOLOv3卷积神经网络水果分类算法.利用LabelImg工具进行数据标注,把YOLOv3主干网络draknet53替换为DenseNet网络,建立网络层之间的密集连接,增强水果图像的特征信息,实现特征复用,减少计算参数量,强化特征训练,进而训练出一种准确度较高的水果分类模型.经测试,改进的算法对水果分类识别平均准确率达到98%,显著提升了水果分类的准确性.

基于卷积神经网络的头盔佩戴检测模型的研究

随着经济与社会的发展,各大城市车辆保有量不断提高,越来越多的人选择乘车出行,非机动车事故问题也越来越严重。驾驶人不得在乘坐人员未按照规定使用安全头盔的情况下驾驶摩托车。因此,检测非机动车[1]驾驶员[2]与乘坐者是否佩戴头盔对生命财产安全至关重要。本文采用深度学习的方法,结合YOLOv4模型的特点,已经模拟神经元的学习与训练功能,建立相应头盔检测神经网络模型,在搭建的神经网络各层次中调整偏置项,进而训练得到有效的神经网络模型,实现检测非机动车驾驶人是否戴头盔的功能,即实现头盔识别[3],并保证其较高的精确度。

基于改进的轻量化卷积神经网络火龙果检测方法

在自然环境下对火龙果进行实时检测是实现火龙果自动化采摘的必要条件之一。该研究提出了一种轻量级卷积神经网络YOLOv4-LITE火龙果检测方法。YOLOv4集成了多种优化策略,YOLOv4的检测准确率比传统的YOLOv3高出10%。但是YOLOv4的骨干网络复杂,计算量大,模型体积较大,不适合部署在嵌入式设备中进行实时检测。将YOLOv4的骨干网络CSPDarknet-53替换为MobileNet-v3,MobileNet-v3提取特征可以显著提高YOLOv4的检测速度。为了提高小目标的检测精度,分别设置在网络第39层以及第46层进行上采样特征融合。使用2513张不同遮挡环境下的火龙果图像作为数据集进行训练测试,试验结果表明,该研究提出的轻量级YOLOv4-LITE模型Average Precision(AP)值为96.48%,F1值为95%,平均交并比为81.09%,模型大小仅为2.7 MB。同时对比分析不同骨干网络,MobileNet-v3检测速度大幅度提升,比YOLOv4的原CSPDarknet-53平均检测时间减少了160.32 ms。YOLOv4-LITE在GPU上检测一幅1200×900的图像只需要2.28 ms,可以在自然环境下实时检测,具有较强的鲁棒性。相比现有的目标检测算法,YOLOv4-LITE的检测速度是SSD-300的9.5倍,是Faster-RCNN的14.3倍。进一步分析了多尺度预测对模型性能的影响,利用4个不同尺度特征图融合预测,相比YOLOv4-LITE平均检测精度提高了0.81%,但是平均检测时间增加了10.33 ms,模型大小增加了7.4 MB。因此,增加多尺度预测虽然提高了检测精度,但是检测时间也随之增加。总体结果表明,该研究提出的轻量级YOLOv4-LITE在检测速度、检测精度和模型大小方面具有显著优势,可应用于自然环境下火龙果检测。

融合卷积神经网络与视觉注意机制的苹果幼果高效检测方法

果实表型数据高通量、自动获取是果树新品种育种研究的基础,实现幼果精准检测是获取生长数据的关键。幼果期果实微小且与叶片颜色相近,检测难度大。为了实现自然环境下苹果幼果的高效检测,采用融合挤压激发块(Squeeze-and-Excitation block,SE block)和非局部块(Non-Local block,NL block)两种视觉注意机制,提出了一种改进的YOLOv4网络模型(YOLOv4-SENL)。YOLOv4模型的骨干网络提取高级视觉特征后,利用SE block在通道维度整合高级特征,实现通道信息的加强。在模型改进路径聚合网络(Path Aggregation Network,PAN)的3个路径中加入NL block,结合非局部信息与局部信息增强特征。SE block和NL block两种视觉注意机制从通道和非局部两个方面重新整合高级特征,强调特征中的通道信息和长程依赖,提高网络对背景与果实的特征捕捉能力。最后由不同尺寸的特征图实现不同大小幼果的坐标和类别计算。经过1920幅训练集图像训练,网络在600幅测试集上的平均精度为96.9%,分别比SSD、Faster R-CNN和YOLOv4模型的平均精度提高了6.9百分点、1.5百分点和0.2百分点,表明该算法可准确地实现幼果期苹果目标检测。模型在480幅验证集的消融试验结果表明,仅保留YOLOv4-SENL中的SE block比YOLOv4模型精度提高了3.8百分点;仅保留YOLOv4-SENL中3个NL block视觉注意模块比YOLOv4模型的精度提高了2.7百分点;将YOLOv4-SENL中SE block与NL blocks相换,比YOLOv4模型的精度提高了4.1百分点,表明两种视觉注意机制可在增加少量参数的基础上显著提升网络对苹果幼果的感知能力。该研究结果可为果树育种研究获取果实信息提供参考。

基于优化卷积神经网络的玉米螟虫害图像识别

【目的】随着人工智能和大数据技术的不断发展,针对常规玉米虫害识别方法存在的准确率和效率低等问题,本文提出了一种基于改进GoogLeNet卷积神经网络模型的玉米螟虫害图像识别方法。【方法】首先通过迁移学习将GoogLeNet的Inception-v4网络结构知识转移到玉米螟Pyrausta nubilalis虫害识别的任务上,构建模型的训练方式;然后通过数据增强技术对玉米螟虫图像进行样本扩充,得到神经网络训练模型的数据集;同时利用Inception模块拥有多尺度卷积核提取多尺度玉米螟虫害分布特征的能力构建网络模型,并在试验过程中对激活函数、梯度下降算法等模型参数进行优化;最后引入批标准化(BN)操作加速优化模型网络训练,并将该模型运用到玉米螟虫害识别中。【结果】基于TensorFlow框架下的试验结果表明,优化后的神经网络算法对玉米螟虫害图像平均识别准确率达到了96.44%。【结论】基于优化的卷积神经网络识别模型具有更强的鲁棒性和适用性,可为玉米等农作物虫害识别、智能诊断提供参考。

基于卷积神经网络的林火烟雾检测

【目的】随着卫星遥感技术的蓬勃发展,卫星遥感已成为林火监测的重要手段。林火发生初期,由于燃烧温度不高致使卫星红外波段接收不到足以成像的能量辐射。林火发生时会首先产生烟雾,采用深度学习方法利用气象卫星影像进行林火烟雾检测,相较于利用卫星红外通道监测林火而言可更早地发现林火。【方法】以高时间分辨率国产静止气象卫星FY-4A数据为基础,采集研究区内1500张林火烟雾图像和1500张云图像作为数据集,以4︰1的比例划分训练集与验证集并进行数据预处理,采用卷积神经网络AlexNet、MobileNet、ResNet及Inception-ResNet(IRNet)结构对数据集进行实验分析,采用准确率、精确率、召回率和Kappa系数评价模型的总体效果,选取最优结果建立基于卷积神经网络的林火烟雾检测模型。【结果】利用准确率、精确率、召回率及Kappa系数定量评价各模型的总体效果,得出AlexNet模型的准确率达89.3%,精确率达100%,召回率达78.7%,Kappa系数为78.7%;MobileNet模型的准确率达98.2%,精确率达99.7%,召回率达96.7%,Kappa系数为96.3%;ResNet模型的准确率达98.0%,精确率达100%,召回率达96.0%,Kappa系数为96.0%;IRNet模型的准确率达99.8%,精确率达100%,召回率达99.7%,Kappa系数为99.7%。IRNet模型的总体效果高于AlexNet模型、MobileNet模型与ResNet模型,选取IRNet为林火烟雾检测的最优模型。【结论】利用高时效性FY-4A静止气象卫星遥感数据,采用IRNet模型进行林火烟雾检测的总体效果最好,能有效地减少卫星监测时的林火漏判和迟判现象,提高对森林火灾的早期监测预警能力。

面向目标识别的轻量化混合卷积神经网络

针对当前基于深度神经网络的目标检测往往存在计算复杂度高、对硬件要求苛刻、难以在嵌入式平台和移动智能设备上运行且运行速率低等问题,提出一种基于YOLOv4(You Only Look Once Version4)的轻量化混合神经网络。此混合网络主干特征提取网络采用轻量级MobileNeXt网络模型,并使用改进后RFB(Receptive Field Block)模型来增强特征提取网络,进而增大感受野;引入通道注意力机制SE(Squeeze-and-Excitation)模块,过滤筛选出高质量信息,使整个网络模型对特征提取更加高效。实验结果表明,在PASCAL VOC 2007数据集上,基于YOLOv4的轻量化混合神经网络模型大小仅占20.6 MB,很大程度上降低了原YOLOv4模型参数量,mAP(mean Average Precision)达到82.51%,帧处理速率为29.7 frame/s。,有较好的检测效果和较强的鲁棒性。

基于轻量型卷积神经网络的马铃薯种薯芽眼检测算法

马铃薯种薯芽眼属于小目标物体,识别难度大、要求高。为了在试验台(芽眼识别装置)上快速、准确地完成识别任务,该研究提出一种基于轻量型卷积神经网络的芽眼检测模型。首先,为了降低模型的计算量和聚焦小目标物体,替换YOLOv4的主干网络CSPDarkNet-53为GhostNetV2轻量型特征提取网络;其次,在YOLOv4的颈部网络中,使用深度可分离卷积(depthwise separable convolution,DW)模块代替普通卷积块进一步降低模型计算量;最后,更改边界框损失函数为具有角度代价的边界框损失函数(SIoU),避免因预测框的位置不确定,而影响模型收敛速度和整体检测性能。结果表明,改进后芽眼检测模型参数量为12.04 M,使用笔记本电脑CPU检测单张图片的时间为0.148 s,从试验台收集的测试数据显示平均精度为89.13%。相对于其他主干特征提取网络CSPDarkNet-53、MobileNetV1、MobileNetV2、MobileNetV3、GhostNetV1,其检测精度分别高出1.85、0.75、2.67、4.17、1.89个百分点;与同类目标检测模型SSD、Faster-RCNN、EifficientDet、CenterNet、YOLOv7相比,在检测精度上,分别高出23.26、27.45、10.51、18.09、2.13个百分点,在检测时间上,分别降低0.007、6.754、1.891、1.745、0.422 s,且模型参数量具有明显优势。该研究为小目标物体检测和模型部署提供技术支撑。

基于卷积神经网络的带钢表面缺陷图像检测算法

为解决带钢生产过程中产品表面缺陷自动检测问题,通过分析不同类型视觉检测算法特点,选取Faster-RCNN、YOLOv4和CenterNet 3种算法,采用Python语言实现3种算法设计并应用于带钢表面缺陷检测中。通过对带钢表面6种典型缺陷1800张图像进行训练和测试,YOLOv4和Faster-RCNN算法的识别精度达70%以上,在带钢实际生产过程中具有较高应用价值。实验对比不同缺陷的识别精度,对于斑块、划痕、麻点、夹杂等边缘清晰对比度高的缺陷,适合采用机器识别算法进行检测。

基于深度卷积神经模型的智能苹果采摘设想

在经济发展和科技进步的双重背景下,苹果种植受到了人们的重视,这对乡村振兴至关重要。然而,收获季节的劳动力短缺问题日益凸显,使得采摘作业开始从劳动密集型向机器自动化型转变。针对苹果的智能识别采摘,文章利用数学模型解决了复杂果园环境下的机器化采摘问题,提高了图像识别率、速度和准确率,对智能化快速采摘意义重大。其中,首先收集了大量标注苹果图像数据,用CNN模型估计成熟度,并按7:3的比例对数据进行划分以确保其具有泛化能力;其次通过深度学习提取特征并结合分类模型来评估成熟度,同时采用双边滤波、颜色空间转换、形态滤波预处理等增强图像分割能力;接着利用YOLOv4定位苹果位置并实现可视化;最终通过CNN模型分析成熟度分布,旨在提高智能采摘效率和品质评价精度,从而助力农业现代化和乡村振兴。

基于改进YOLOv4模型的自然环境下梨果实识别

针对自然环境下梨果实识别场景中存在梨果实颜色与背景颜色相近、遮挡、重叠等因素导致的识别困难的问题,本试验提出1种基于改进的YOLOv4网络模型梨果实识别的方法,使用的神经网络模型以CSPDarknet53作为主干特征提取网络,将空间金字塔池化(SPP)中的最大池化法改为平均池化法,以适应目标与背景颜色相近的场景,更多地保留目标信息;将SPP模块前后的卷积、PANet中的部分卷积以及输出部分的卷积替换为深度可分离卷积,在保证卷积效果不变的效果下减少网络模型所占空间。使用训练后的改进YOLOv4模型对未参与训练的图像样本进行测试,改进后的模型所占空间比原模型下降44%,召回率达到85.56%,比原模型提高了1.29%,mAP达到90.18%,比原模型提高了0.1%。实验结果表明,本文算法对自然环境下近色背景的梨果实的识别具有良好的查全率与精确率,能够较好地对梨果实进行识别,可为实现梨果园的自动采摘和产量预测提供技术支持。

基于改进YOLOv4的消防设施检测算法

消防安全问题是一个全球性的难题,由于城市化进程加快和人口密集度增大,火灾事故频发,给人们的生命财产安全带来了极大威胁。准确定位建筑图纸中的消防器材作为智慧消防管理中不可或缺的一部分,然而目前建筑楼层消防器材统计效率低下。针对这一问题,文章提出了一种基于YOLOv4的消防设施检测算法以实现消防器材自动检测和定位。首先构建了建筑图纸中消防设施数据集,用于检测识别等研究工作,其次对YOLOv4模型的先验框参数进行设计,使其符合消防设施检测的实际应用,然后根据数据集特点选取合适的特征层降低模型参数量,并使用ASPP扩大模型的感受野,最后对Mosaic数据增强算法的参数进行了实验,提升了模型的检测能力。实验结果表明,所提算法权重为54.07MB,Map值高达89.47%。

优化YOLOv4算法的安检X光图像检测网络

针对目前安检场景中违禁品种类复杂、人工检查效率低易出错等问题,文章提出一种名为Res152-YOLO的网络架构,该架构基于YOLOv4(You Only Look Once)优化目标检测网络.为提高对X光图像中危险品的检测精度,Res152-YOLO采用ResNet-152网络代替原YOLOv4中的CSPDarknet-53网络,将改进后的ResNet残差网络与YOLOv4网络连接.实验中利用YOLOv4、Res152-YOLO等一系列网络在同一数据集上进行对比实验,分别比较上述网络的损失曲线、对各类危险品的检测性能以及各网络的总体性能.结果表明,Res152-YOLO网络在以上实验中性能优于原YOLOv4网络,并且满足安检设备的帧率要求.改进后的网络有效提高了安检的准确率,能够消除一定的安全隐患.

改进YOLO v4模型在版纳微型猪只行为识别中的研究

为了能够在猪只重叠、遮挡等复杂场景中实现版纳微型猪只行为的准确、高效识别,试验通过改进YOLO v4模型的方法来识别猪只行为,通过视频捕获的方式截取不同角度猪只行为图片,构建行为特征数据集;采用嵌入CBAM注意力机制的Res Net50残差网络结构作为改进YOLO v4模型的主干网络,并引入由深度可分离卷积、批标准化(BN)、Hard Swish激活函数组成的CH模块,代替主干网络中的传统卷积,提升模型检测精度的同时降低参数量;在PANet多尺度特征融合结构中引入双重3层1×1和3×3交替卷积运算替代上、下原采样方式,构成DPANet网络结构,增强对猪只行为图片中细节特征的提取,提高计算效率;基于参数共享理念与二阶段训练的迁移学习方法,优化训练过程以显著缩短训练时间,加速模型的收敛速度。结果表明:改进YOLO v4模型对猪只行为数据集的训练时间仅为6 h,而原模型训练时间则需要19 h;改进YOLO v4模型识别平均精度为93.97%,召回率为96.27%、参数量为0.26×10^(8),与Faster-RCNN、SSD、YOLO v4模型相比,平均精度与召回率分别提升8.88,15.36,8.68个百分点及16.09,41.34,30.40个百分点,参数量最大减少1.11×10^(8)。改进YOLO v4模型对识别爬栏探究、站立行走、进食、躺卧4种行为的准确率达到了98%、88%、92%、97%,与其他3种模型相比,站立行走、进食两种行为的识别效果远大于其他模型。说明改进YOLO v4模型在复杂场景下具有良好的准确性和有效性,能够精准识别猪只的不同行为。

基于YOLOv4-Tiny模型剪枝算法

针对YOLO系列算法参数量大、算法复杂度高提出一种基于BN(batch normalization)层剪枝方法。该方法先通过对BN层的缩放系数γ以及平移系数β添加正则化约束训练,根据BN层参数以及卷积层各通道对网络贡献度等指标设定合适阈值进行剪枝。该方法在基本没有精度损失的前提下对YOLOv4-Tiny模型压缩11倍,计算量减少72%,在CPU和GPU处理器下推理速度分别增快44%和29%。实验结果表明,该剪枝方法能保持模型良好性能的前提下压缩模型,减少参数,降低算法复杂度。

基于YOLOv4-Tiny的硬件加速系统的设计与实现

随着神经网络算法的迅猛发展,将其部署在边缘设备上面临着功耗和计算时间的制约。针对YOLOv4-Tiny算法在资源受限的边缘端部署困难等问题,文章提出了一项软硬件协同优化策略。为了提升硬件资源使用率和推理效能,文章采用了输入输出通道与权重通道的双重缓冲机制,并在此基础上,结合双缓冲结构与强化的高度并行流水线设计,开发了一种基于ZynqFPGA硬件平台的目标检测加速系统。实验结果显示,该系统在ZynqKV260平台上的运行功耗仅为3.712W,单帧推理时间缩短至0.43s,与现有的FPGA硬件加速器平台相比,实现了更优的性能表现。