基于YOLOv5的铁轨异物入侵检测

随着铁路运输能力的提高和运量的增大,列车运行的安全形势愈发严峻,对列车运行线路安全保障也提出了更高要求。为了解决由于轨道异物入侵造成的铁路安全问题,本文通过无人机航拍与人工搜集相结合的方式获取轨道图像,使用专门标注软件对轨道中异物进行标注,应用深度学习YOLOv5算法网络模型对轨道异物数据集进行训练,并通过训练模型对划定的检测区域进行检测,取得了较好的测试结果。实验结果表明此算法在本文实验条件下对铁轨上异物识别的平均精度达到99.6%,基本满足轨道列车运行安全性对铁轨异物识别的要求。

基于轻量化YOLO模型的植物叶片识别

为了提升植物叶片的检测能力,减少繁琐的人工成本,本文构建了包含10类常见植物叶片的数据集。应用基于pytorch框架的YOLOv5网络模型对叶片数据集进行训练,并通过训练模型对叶片测试图像进行检测,在识别速度和精度上取得了较好的效果。实验结果表明,本文检测方法对叶片识别的平均精度为93%,识别速度较快,有效解决了传统植物识别方法中分类器耗时长、准确率低等问题。

长短期记忆网络在气温预测中的应用

气温变化对人们的正常出行、社会发展与生态环境都有着很大的影响,而天气和气候具有一定的随机性和无序性,是难以预测的复杂模型。本文采用长短期记忆网络深度学习模型对气温时间序列进行建模及预测,并将其与门循环单元模型、深度神经网络模型预测结果进行比较。结果显示,LSTM预测的均方误差比其它2个模型预测精度更高,且在处理较大数据集时具有更好的性能。

基于YOLOv7的复杂场景行人检测

YOLOv7是目前所有目标检测模型中速度最快和准确度最高的模型,但是应用在复杂场景下的行人目标时,由于提取的特征包含大量冗余背景信息,不能聚焦在行人目标区域,仍存在错检、漏检的情况。为解决这一问题,提出了一种基于YOLOv7的改进模型,在卷积层加入金字塔特征融合策略(Adaptively Spatial Feature Fusion,ASFF),通过在空域过滤冲突信息以抑制不一致的特征,使网络对不同尺度目标的特征融合能力有所提高。在Human Crowd数据集进行训练和测试改进后的模型效果检测。实验结果表明,改进的YOLOv7算法平均精度为73.5%,与原来的YOLOv7相比,平均精度提升了10.6%,且速度提升为原来的26.14%。

基于目标检测模型的无人机影像识别技术

YOLOv5具有较高的目标检测速度和检测精度,但在无人机影像小目标检测方面效果不太好。为解决在自然环境情况下小目标检测精度低及鲁棒性差等问题,本文以自然环境情况下无人机影像为研究对象,提出了一种改进的YOLOv5小目标检测模型。通过对特征图增加上采样处理,使特征图继续扩大,从而降低采样率和缩小感受野,提高模型对小目标的检测能力。改进的模型在天大无人机影像VisDrone数据集上进行了训练和测试。实验结果表明,改进YOLOv5的算法平均精度值为46.4%,与原YOLOv5模型相比,平均精度值提升了14.9%,改进YOLOv5在一定程度上改善了YOLOv5无人机影像识别率。