改进Tiny-YOLOv3的工业钢材瑕疵检测算法

深度学习网络模型参数量大,不适用于嵌入式或移动设备上。针对工业钢材生产过程中的实时检测问题,提出了一种改进的R-Tiny-YOLOv3工业钢材瑕疵检测算法。首先,在Tiny-YOLOv3结构中加入残差网络结构,提高检测的精度。增加了空间金字塔SPP网络模块,提高网络特征提取能力。结合不同网络层的特征信息,将检测提高到三个尺度。然后,选取CIOU作为损失函数,使目标检测框的回归更加稳定。最后对数据集进行数据增强,并在Cambricon 1H8嵌入式平台进行测试。实验结果表明改进的R-Tiny-YOLOv3算法能够实时地检测出瑕疵目标,平均准确率提高了10.8%,运算速度可达39.8帧/s,为工业钢材瑕疵检测的嵌入式应用提供了参考。

基于改进Tiny-YOLOv3的火灾图像识别算法研究

传统图像识别率及识别准确率不高,检测速度比较慢,在计算能力比较低的设备中无法运行等,对此使用改进的Tiny-YOLOv3算法模型解决这些问题。改进的算法模型进一步减少了模型的尺寸,检测速度大大提升,检测准确率与原模型的相比并没有太大变化。实验结果表明,改进的Tiny-YOLOv3算法生成的模型的尺寸为8.5 MB,比原模型更小,同时在数据集上的实时性能表现为25.3 FPS,mAP值为60%左右,性能比原模型更优。

基于改进Tiny-YOLOv3的人数统计方法

卷积神经网络已经成为了计算机视觉处理最为广泛的技术方法,基于卷积神经网络的目标检测技术也是一个热门的研究话题。本文通过引入通道注意力机制,对目标检测算法Tiny-YOLOv3进行改进,训练人体头部的目标检测模型,从而统计当前监控环境下的人数。实验结果表明该方法能取得较好的头部检测效果,人数统计准确率高。

基于改进Tiny-YOLOv3的烟雾检测算法

实时准确的烟雾检测对森林火灾的预警至关重要,特别是面向计算力有限的嵌入式设备。为在这类设备上稳定检测烟雾,本文选择Tiny-YOLOv3作为基准模型。受Mobilenet的启发,设计一种改进Tiny-YOLOv3的新型网络结构,使用深度可分离卷积替换普通卷积,增加网络层数和输出通道数提高模型的精度。实验结果表明,所提出模型的体积小于Tiny-YOLOv3,在公开烟雾数据集的精度高于Tiny-YOLOv3,且性能优于经典的主流检测模型。这证明了本文算法的有效性。

基于改进Deeplabv3+的电力线分割方法研究

针对已有的分割算法存在的复杂场景干扰大、分割不准确的问题,提出一种用于电力线分割任务的改进Deeplabv3+模型。将原始主干网络替换为轻量级Mobilenetv2网络,增加低水平特征,获得5路输入特征,充分提取特征信息;添加空洞空间金字塔池化(atrous spatial pyramid pooling,ASPP)的卷积分支数量,调整空洞率,提升图像的特征抓取能力,进一步在每个空洞卷积后加入1×1卷积操作,加快计算速度;提出一种基于坐标注意力机制的语义嵌入分支模块(coordinate attention semantic embedding branch,CASEB),融合第2、3路特征,增强目标特征的表示;引入卷积注意力机制模块(convolution block attention module,CBAM)抑制无用信息的传递,提高模型识别效率。实验结果表明,相对于原Deeplabv3+模型,改进模型在平均像素精度(mean pixel attention,MPA)和平均交并比(mean intersection over union,mIoU)上分别提升2.37%和3.42%,该方法可提供更加精确的电力线分割结果。

一种改进型1-3-2压电复合材料的研究

高质量的压电换能器需要具备较高的机电耦合系数和灵敏度。该文在传统型1-3-2压电复合材料的基础上提出了一种改进型1-3-2压电材料,提高了压电换能器的机电耦合系数和换能器的接收灵敏度。通过有限元仿真分析了不同间距对改进型1-3-2压电材料敏感元件的谐振频率、反谐振频率及机电耦合系数的影响,并与传统1-3-2型压电复合材料进行了对比。结果表明,与传统型1-3-2压电复合材料相比,在相同间距条件下,改进型压电材料的机电耦合系数约大0.03。制做的3种不同间距改进型压电材料表明,间距为1 mm的改进型压电材料的机电耦合系数较大,约为0.68。

基于改进YOLOv3的自然场景中未成熟青苹果识别研究

为研究适合当前生产实际的苹果自动套袋技术,实现真实环境中未成熟青苹果的精准识别,提出一种基于改进YOLOv3的自然场景中未成熟青苹果图像识别方法。首先,为提高含干扰因素图像中未成熟青苹果识别准确率,基于YOLOv3算法利用残差网络和多尺度特征融合检测小目标的思想,对YOLOv3特征提取网络进行改进与试验验证,利用尺寸为(104,104,128)的特征图代替原尺寸为(13,13,1024)的特征图作为输出,提出改进YOLOv3的未成熟青苹果目标检测模型,通过增大特征提取网络输出特征图尺寸,减小感受野尺寸,提高算法网络对图像中未成熟青苹果的捕捉能力与识别准确率。其次,设计不同算法、不同品种和不同环境下的识别对比试验并对结果进行对比分析。改进YOLOv3在整体数据集上的检测均值平均精确率mAP值和召回率R值分别为92.46%、87.6%,较原YOLOv3分别提高3.22%、14.57%,改进模型性能提升主要体现在检测正确目标数量的能力上;在含光照影响、重叠和遮挡影响图像测试集上改进YOLOv3的mAP值较原YOLOv3分别提高3.58%、2.74%。改进YOLOv3模型对整体数据集和含干扰因素图像测试集的检测准确率较高,检测正确目标的数量较多,抗干扰能力较强。

基于改进YOLOv3的川贝母检测识别算法研究

正品川贝母药用价值高,市场上常出现掺伪现象,严重影响川贝母的质量。目前,川贝母的鉴别主要依靠传统性状鉴别、显微鉴别、理化鉴别等,主观性较强,对操作人员的实践经验要求较高,且预处理工作繁琐。针对目前川贝母鉴别方法的缺点,采用深度学习方法实现川贝母的自动检测识别,提出一种改进YOLOv3网络对不同种类的川贝母图像进行训练,嵌入双通路模块和通道注意力机制,分别从特征提取和特征选择上加强模型对川贝母形态特征的表达,提升模型检测精度。实验结果表明,改进的YOLOv3模型能够实现川贝母的快速批量自动化鉴定,平均精确度达到80%,为中草药行业中川贝母品质评价提供一种新的解决方案。

改进DeepLabV3+网络的指针轨迹图像识别

指针式机械记录仪通常用于记录精密设备运输过程中的震动轨迹图像,为了更好地监测运输过程中车辆颠簸对仪器设备的影响,提出一种改进DeepLabV3+网络的指针轨迹图像语义分割方法。首先将骨干网络替换为MobileNetV3,实现模型的轻量化;然后将解码器中4倍上采样替换为2次2倍上采样,增强图像中像素的连续性,使预测结果更接近原始图像。在自制数据集上进行对比实验,结果表明:改进DeepLabV3+网络的平均交并比(MIoU)达到85.84%,比原始DeepLabV3+网络提高了3.57%,单位时间内检测图片数量(FPS)提高了3.58 s^(-1);改进DeepLabV3+网络在识别精度和速度上具有明显的优势,可为精密仪器检测提供数据支持。

基于红外图像和改进MobileNet-V3的光伏组件故障诊断方法

为了提高光伏系统的可靠性和性能,提出一种基于红外图像和改进MobileNet-V3的光伏组件故障诊断方法。首先,分析开源光伏组件缺陷图像及其存在的问题;然后,基于存在的问题,对光伏组件红外缺陷图像进行图像增强、数据增强处理,使红外图像满足图片可用性及样本数量丰富性的要求;最后,对基本MobileNet-V3网络进行改进,实现光伏组件故障分类。实验结果显示:与传统CNN、基础MobileNet-V3相比,所提故障分类方法不仅准确率高、诊断速度快,且对各种故障类别的识别率高,具有较好的实用性和应用价值。

改进YOLOv3算法下通航机场场面运动目标检测

为获得更好的检测精度和更快的检测速度,保障通航机场场面运行安全,提出一种改进的YOLOv3算法,分别从网络结构和损失函数2方面进行改进。首先,在主干网络中使用深度可分离卷积代替原卷积,构建基于距离交并比(DIoU)的目标框回归损失函数;然后,以某通航机场为研究对象,搭建通航机场场面目标检测场景,采用迁移学习和冻结训练相结合的训练方法,以提升场面目标检测的速度;最后,比较分析所提算法与传统的YOLOv3、YOLOv4算法的识别效果。结果表明:飞机目标的检测效果明显优于车辆和人员目标,改进的YOLOv3算法对目标的检测精度、召回率、全类平均精度(mAP)分别达到92.96%、80.51%、91.96%,图形处理器处理速度高达74帧/s,较传统的YOLOv3、YOLOv4算法性能均有明显提升,可实现通航机场场面运动目标的有效检测。

基于改进麻雀优化PID的波浪补偿控制方法

随着海上风电“十四五”规划的不断推动,在深远海域对兆瓦级大功率海上风机的需求量随之增加,其规模也在不断扩大。但是,在吊运、安装等海上工作过程中,复杂海浪对船舶产生的持续影响导致风机安装的精度和效率大幅下降,甚至会对人员安全以及财产造成重大损失。在深远海域复杂海况下对工程船舶进行有效的波浪补偿,可提供稳定的作业环境以保证精准高效地完成各项工作,因此,本文提出了一种基于改进麻雀优化PID的波浪补偿控制方法并将其应用于Stewart补偿平台。首先,建立波浪补偿平台动力学以及运动学反解模型,并设计正解模型迭代求解算法。随后,使用PID进行波浪补偿控制,并通过麻雀搜索算法优化参数。接着,采用Circle混沌映射对其进行初始化分布,以解决初始化不均匀的问题;并采用动态自适应加权、柯西突变以及反向学习以提升算法全局寻优能力。最后,生成4~6级海况下的某工程船运动数据作为系统输入,利用MATLAB和Simulink软件平台搭建模型进行补偿控制验证,并在Stewart硬件平台上做补偿试验。结果表明,改进麻雀搜索算法具有较快的收敛速度、较高的精度和更好的寻优能力,优化后的PID控制方法更适合用于复杂海况下波浪补偿平台的控制优化,可为大功率海上风机安装的补偿平台控制系统设计提供参考。

基于改进MobileNetV3的水稻病害识别模型

针对水稻病害识别方法准确度低、模型收敛速度缓慢的问题,本文提出了一种高性能的轻量级水稻病害识别模型,简称为CA(Coordinate attention)-MobileNetV3。通过微调的迁移学习策略完善了模型的训练,提升了模型收敛速度。首先创建10个种类的数据集,其中包含9种水稻病害和1种水稻健康叶片。其次使用CA模块,在通道注意力中嵌入空间坐标信息,提高模型的特征提取能力与泛化能力。最后,将改进后的MobileNetV3网络作为特征提取网络,并加入SVM多分类器,提高模型精度。实验结果表明,在本文构建的水稻病害数据集上,初始的MobileNetV3识别准确率仅为95.78%,F1值为95.36%;加入CA模块后识别准确率和F1值分别提高至96.73%和96.56%;再加入SVM多分类器,通过迁移学习后,改进模型的识别准确率和F1值分别达到97.12%和97.04%,参数量和耗时仅为2.99×106和0.91 s,明显优于其他模型。本文提出的CA-MobileNetV3水稻病害识别模型能够有效识别水稻叶部病害,实现了轻量级、高性能、易部署的水稻病害分类识别算法。

基于改进的YOLOv3输电线路异物检测

输电线路存在异物将会对电网的安全、稳定运行造成很大的影响。因此,对于输电线路异物检测十分重要。提出了一种基于改进的YOLOv3算法来识别输电线路的异物。将主干网络换为更有效的CSPDarkNet-53,该网络引入了性能更优异的残差模块;同时在特征金字塔层中增加了下采样通道,加强了特征融合;并在主干网络与特征金字塔连接处增加了注意力机制,以便有针对性地提取特征。实验结果表明:改进后的模型准确率达到85.02%。与原YOLOv3输电线路异物检测相比,准确率提高了7.21%,改进后的模型能准确有效地辨识出异物。

Na_(2)CO_(3)、NaHCO_(3)与稀盐酸反应实验装置的新设计

针对教材中Na_(2)CO_(3)、NaHCO_(3)与稀盐酸的反应装置的不足之处,利用一次性注射器、具支试管、小气球等对实验装置进行了改进。新设计的实验装置简约,易于安装,可操作性强,完善了实验方法,解决了原实验存在的一些问题,有助于提高教学质量。

基于Tiny-YOLOv3的网络结构化压缩与加速

针对特定应用场景下,Tiny-YOLOv3(You Only Look Once v3)网络在嵌入式平台部署时存在资源开销大、运行速度慢的问题,文中提出了一种结合剪枝与量化的结构化压缩方案,并搭建了针对压缩后网络的卷积层加速系统。结构化压缩方案使用稀疏化训练与通道剪枝来减少网络中的计算量,使用激活值定点数量化和权重二的整数次幂量化来减少网络卷积层中的参数存储量。在卷积层加速系统中,可编程逻辑部分按照并行加流水线方法设计了一个卷积层加速器核,处理系统部分负责卷积层加速系统调度。实验结果表明,Tiny-YOLOv3经过结构化压缩后的网络平均准确度为0.46,参数压缩率达到了5%。卷积层加速系统在Xilinx的ZYNQ芯片进行部署时,硬件可以稳定运行在250 MHz时钟频率下,卷积运算单元的算力为36 GOPS。此外,加速平台整体功耗为2.6 W,且硬件设计节约了硬件资源。

改进DeepLabv3+模型无人机图像农田信息提取

自乡村振兴战略实施以来,无人机作为一种高科技工具为我国智慧农业生产发挥着重要作用。但存在信息提取的精准度不高的问题,特别是对农田边缘和小农田的信息提取精度不高。针对该问题,提出一种以GhostNet为骨干网络的改进DeepLabv3+模型的研究方法。该方法将从骨干网络中提取的特征通过特征金字塔网络(FPN)加强特征提取;将编码器中空洞空间金字塔池化模块(ASPP)的1×1卷积替换成空间感知独立自注意层并将ASPP模块中的扩张率进行一定调整,以提高农田边缘的提取精度;为进一步融合多尺度信息将解码器进行上述同样操作;在不降低模型性能的前提下,将特征堆叠(Concatenate)用特征融合(Add)进行替换,以减少模型的训练参数。实验结果表明,改进DeepLabv3+模型平均交并比(mIoU)可达94.57%,平均像素精度(mPA)可达97.16%,相比于DeepLabv3+模型分别提高了4.53%和2.93个百分点,有效提高了农田边缘和小农田的信息提取精度。

基于改进的YOLOv3火灾检测算法研究

卷积神经网络的快速发展,在图像分类、目标检测、跟踪任务等领域得到广泛的应用。因此,将卷积神经网络算法应用到火灾检测上有助于提升其在复杂环境下目标识别和抗干扰能力。针对火灾发生时烟雾及火焰目标在复杂背景下检测困难的问题,通过引入MobileNetv3特征提取网络、聚焦(Focus)和空间金字塔池化(Spatial Pyramid Poling,SPP)等方法对YOLOv3算法进行改进,以提高对火灾发生时烟雾及火焰的精确识别。实验结果表明:改进后的MobilenNetv3+YOLOv3+SPP算法的实时检测帧率达到61FPS,目标识别准确率88.73%,满足实时检测的要求。

基于改进YOLO v3的红掌佛焰与病虫害特征检测研究

针对红掌人工分级效率低下且易对红掌植株造成损伤的问题,提出改进YOLO v3网络模型来实现对红掌佛焰与病虫害特征的提取与检测,实现红掌准确分级。将YOLO v3特征金字塔网络替换双向特征金字塔-3网络,提升模型的感受野。添加通道注意力模块,强化有效特征并减少噪声。使用解耦合检测头代替耦合检测头,提升模型的精度与泛化能力。实验结果表明,相比于YOLO v3、CSP-YOLO v3、Mask-RCNN等目标检测模型,在不明显降低检测速度的前提下,改进YOLO v3模型对红掌佛焰与病虫害特征检测具有更高的精确率和召回率,能适用大批量红掌分级鉴定,满足实际生产需求。

基于Tiny-YOLOv3改进算法的工件识别

针对Tiny-YOLOv3算法在工件识别实时检测中存在漏检率高的问题,提出了在Tiny-YOLOv3基础上加以改进实现了对工件更加快速、准确地识别。主要改进的方式是在Tiny-YOLOv3的特征提取网络中增加3个网络模块,即SPP结构、SE模块和Ghost模块,并用卷积层代替池化层,改进后的网络结构平均精度均值、准确率和网络模型大小都有着显著的改善。试验结果表明,改进后的算法能够更好的提升工件识别的效率,并同时满足在嵌入式设备中进行实时检测的要求。