基于改进YOLOv5算法和ResNet50网络的行人检测与识别系统

行人检测与识别技术在交通管理、智能监控等领域具有重要的应用价值。针对现有行人检测与识别存在的检测精度低、识别困难等问题,提出了一种融合SE注意力模块的YOLOv5算法和ResNet50网络的行人检测与识别系统。在Backbone网络中引入SE注意力模块,以捕获更加丰富的特征信息,从而提升模型的检测精度;采用ResNet50网络对裁剪图片进行识别检索。实验结果表明,该算法的检测精度较高,能够识别复杂场景下的行人,基本满足不同场景下的行人检测与识别要求。

基于RetinaFace和FaceNet算法的佩戴口罩人脸识别系统研究

在疫情暴发期间,佩戴口罩已成为一项重要的公共防疫措施。但口罩遮盖会导致基于图像的人脸识别系统识别准确率降低、检测速度变慢。本研究设计了一种基于RetinaFace和FaceNet算法的佩戴口罩人脸识别系统。首先,使用RetinaFace算法训练得到RetinaFace模型,实现人脸关键点定位功能;其次,采用FaceNet算法训练得到FaceNet模型,提取人脸特征向量并构建特征数据库;最后,通过比对待识别人脸特征向量与数据库中向量的欧氏距离,输出识别结果。实验结果表明,该系统在RKNN模型转换后的识别速度超过25 f/s,在数据集Mask-LFW上,特征向量间欧氏距离阈值设定为1.01时,ACC最高达93.78%,AUC为91.03%。该系统满足实时性且具有较高的检测准确率,可满足实验室、公司、工厂或一些公共场所的使用需求。

基于YOLO算法的牛体姿态估计研究

牛体姿态估计在分析牛行为和评价牛健康状况方面具有至关重要的作用。针对目前无法对牛进行全天候监控并及时地获得相应行为信息的问题,采用YOLO算法对牛体姿态进行研究,建立牛体姿态估计模型,用于识别牛并提取牛体骨架结构。测试结果表明,YOLOv8n-pose牛体姿态估计模型与YOLOv7-w6-pose相比,精确度、召回率、L_(oks)=0.50时的平均精确度均值(mAP_(0.50))分别提升4.7%、3.0%、2.7%,模型参数量、计算量分别降低59.2%、91.0%,单张图像平均检测时间减少5.74 ms。YOLOv8牛体姿态估计模型具有较高的检测精度和检测速度,可为大规模畜牧业中的牛体姿态估计提供可靠且有价值的参考。