融合YOLOv5s与Swin Transformer的森林火灾检测

针对传统的森林火灾检测方法检测精度不佳、可靠性低等不足,提出一种基于YOLOv5s融合Swin Transformer的火灾检测方法.为实现森林火灾的实时性检测,提出了YOLOv5s-SwinT的改进识别方法.基于Transformer模型的应用,解决了卷积神经网络的运算局部性以及全局特征提取等不足.融合Swin Transformer与YOLOv5s卷积神经网络模型,并将其应用于森林火灾检测的机器视觉任务中.引入α-IoU损失函数替换GIOU损失函数,并在骨干网络中融入CA注意力机制轻量模块,提升了整体网络的特征提取能力以及获取高质量和高精准度的定位图像区域,进行边界框生成及预测,改善小目标检测漏检及检测精度差等问题.实验结果表明,融合YOLOv5s-Swin T的改进识别方法在森林火灾检测任务中,可实现mAP值达到74.2%,相比YOLOv5s提高了4.5%,并设计了GUI界面直接部署到PC端实现实时火灾检测需求,为森林火灾检测视觉任务提供了一种有效的检测方法.

基于DBSCA聚类算法优化的均值漂移算法的移动通信网络站址规划优化算法研究

为适应当今无线通信产业的快速发展,解决基站选址是否合理,本文提出了一种基站定位算法,结合均值漂移算法和DBSCAN聚类算法来解决基站的合理选址问题。该算法将大区域划分为较小的子区域,并利用均值漂移算法计算每个子区域内局部服务体密度的密度极值点。根据每个高密区域的大小,建立覆盖范围不同的基站。采用DBSCAN聚类算法对近距离弱覆盖区域进行聚类,优化传统均值漂移算法的收敛速度。实验结果表明,该算法在寻找基站定位和数据分类的最优解方面具有实用性和有效性。

基于改进YOLOv5目标检测算法的口罩识别

为遏制疫情蔓延,正确佩戴口罩是有效的防护手段之一,但人工检测和监督的效率很低。基于深度学习网络模型的口罩实时自动检测在准确性和实时性方面还有待提升。在YOLOv5目标检测算法的基础上,创建人脸识别数据集MaskData。采用DIOU_nms方法替代NMS中的IOU,提高对遮挡和重叠目标的检测精度。最后,用α-CIoU损失函数替换GIOU损失函数,更快、更准确地获得更高质量的定位图像区域,生成边界框并预测类别。改进后的YOLOv5检测网络,对创建的数据集MaskData进行训练。实验结果表明,改进后的网络在94.45%的检测精度的基础上,提升到了95.2%,可以更准确地识别人脸是否戴口罩。

基于轻量级YOLOv4的手势识别算法研究

手语是一种自然语言工具,为听力障碍者提供更加有效的交流。通过计算机对手语进行分类识别能够准确给出相应的手语信息,为听力障碍者提供更加便捷的交流,具有更广泛的应用前景。但存在分辨率低、背景杂乱及遮挡情况下识别效果不佳等问题,利用深度学习目标检测框架可实现对手势的识别,如YOLO系列能够解决上述问题,YOLOv4对遮挡物体等检测性能更佳,检测精度大幅提升,但存在模型复杂度巨大和检测速度不佳等问题为。为实现手语的快速有效识别,本文提出一种基于YOLOv4的改进算法。通过使用残差模块替换YOLOv4的主干网络CSPDarkNet53中的CSPBlock模快,来提高模型的检测速度。深度可分离卷积的引入,在保证了模型精度同时,减小了YOLOv4网络模型复杂度。实验结果表明,在单个手势识别检测中,识别率达到95.23%,平均识别率为94.45%,检测速度达到147.94帧/s。解决了YOLOv4模型的计算量复杂和检测速度不佳的问题。