一种改进的车牌识别算法

针对现如今车牌识别工作量大且识别速度和识别准确率低的问题,提出一种基于YOLOv4的识别算法,融合MobileNet网络结构修改其特征提取的主干网络,并加入黑盒预测模型。融合后的算法不仅大大缩小了自身的模型大小,而且相比原来的YOLOv4算法有着更高的识别准确率,同时省去了人工编码的工作。以本地实拍车牌作为数据集来训练和测试算法模型,以精确率Precision、召回率Recall、F1分数和平均准确率mAP作为评价指标依次对融合后的新模型以及YOLOv4进行评判。实验结果表明,MobileNetV1-YOLOv4实验效果相比YOLOv4更佳,mAP高达98.08%,而模型大小仅为49 MB,准确率提升了1.75%,模型缩小了80.48%,性能有着显著的提升。

基于改进YOLOv5s的水果图像识别

针对已有的水果识别模型在复杂场景下识别准确率低、推理耗时长、对硬件要求高等问题,提出了一种适用于复杂场景下轻量级的水果识别模型YOLOv5s_CB_CA。在YOLOv5s目标检测算法的基础上,对主干特征提取网络Backbone引入卷积注意力机制CBAM,丰富空间和通道维度的特征信息;并采用特征图上采样CARAFE替换原始上采样,减少计算量、提高识别速度。将改进算法与YOLOv5s算法在水果图像数据集作对比。实验结果表明:YOLOv5s_CB_CA算法平均精度(mAP)达到了96.5%、召回率(Recall)达到了93.5%,使模型体积缩小了约14%。YOLOv5s_CB_CA算法提高了检测精度和召回率、缩小了模型体积,证明了该算法的有效性。