基于YOLOv5算法的交通标志识别技术研究

针对传统方式识别交通标志算法存在的检测精度较低的问题,提出了一种改进YOLOv5算法的交通标志识别方法。首先改进YOLOv5算法的损失函数,使用EIOU损失函数代替YOLOv5算法所使用的GIOU损失函数来优化训练模型,提高算法的精度,实现对目标更快速的识别;然后使用加权Cluster非极大值抑制(NMS)改进YOLOv5本身所使用的加权NMS算法,提高生成检测框的准确率。实验结果表明,改进后的YOLOv5算法在由长沙理工大学制作的CCTSDB交通标志数据集上训练的模型的mAP值达到了84.35%,比原始的YOLOv5算法提高了6.23%。所以改进YOLOv5算法在交通标志识别中有更高的精度,能够更好的应用到实践当中。

夜间环境下交通标志的识别技术研究

针对在夜间的交通标志的识别时,出现的检出率、识别率较低的问题,提出改进限制对比度自适应直方图均衡算法。通过在限制对比度自适应直方图均衡算法中加入伽马校正的方法对图像进行预处理,使用HSV色彩空间对处理后的图像分割,检测定位图像中的交通标志,再利用SVM训练识别样本,建立训练模型完成对夜间交通标志的识别。实验结果证明:经过该方法处理后的夜间交通标志图像减少了光线因素对检测结果的影响,对夜间交通标志的平均检测率达到了96.8%,对检测出交通标志的平均识别率达到95.8%。改善了交通标志在夜间的检测识别问题,可应用于辅助驾驶系统在夜间对交通标志的识别。

基于改进Faster R-CNN的棉布包装缺陷检测的方法研究

由于传统检测算法对棉布包装缺陷检测不够准确、对小目标缺陷识别率不够高,所以提出改进的Faster R-CNN深度学习网络,对棉布包装存在的破损、污渍、孔洞、杂质、线头等5种缺陷进行检测。通过对图像进行预处理实现图像增强,然后改进Faster R-CNN中的RPN和ROI结构,为加强小目标缺陷的检测能力,在主干网络中融合特征金字塔网络结构,最后对ROI进行双线性插值以解决多次量化引起的像素偏差问题。实验表明,改进后的网络对棉布包装表面缺陷检测的平均精度均值mAP为91.34%,与传统算法相比,mAP值提高了9.08%。