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。

改进YOLOv3的无纺布表面缺陷检测研究

针对在无纺布表面缺陷检测中存在小缺陷目标漏检及识别率不高的问题,提出了一种改进YOLOv3的无纺布表面缺陷检测算法。首先在网络模型当中生成一个新的特征图层,来提取更多小缺陷目标的特征,其次引入K-Means++算法对聚类先验框中心点的提取进行改进,选取更为合适的Anchor Box,使定位更加精准,提高检测精度。最后,在自制的无纺布表面缺陷数据集上进行对比检测,研究结果表明:改进后的YOLOv3算法在测试集上的mAP值为85.83%,比原始的YOLOv3算法提高了6.99%,单张图片的平均检测时间为0.168s,与原始算法检测时间基本持平,检测性能也优于Faster R-CNN。

低可见度环境下基于改进YOLOv3的井下人员定位方法

煤矿井下光照不足、粉尘遮挡,井下视频监控系统采集的人员目标在二维图像中表现为小目标或低可见度目标时,原始YOLOv3网络的Darknet53特征金字塔结构无法充分提取和保留目标的细节信息,导致定位结果不准确。针对上述问题,提出了一种低可见度环境下基于改进YOLOv3的井下人员定位方法。首先,结合β函数映射和帧间信息增强技术,提升低可见度环境下煤矿井下监控视频的清晰度。然后,采用更轻量级的Darknet-19替代YOLOv3中的Darknet53,并引入CIoU作为损失函数,利用改进YOLOv3识别增强后视频中的井下人员目标。最后,基于映射模型将识别到的目标从二维空间投影至三维空间,结合三维定位结果完成井下人员定位。选用某煤矿一段低可见度环境下井下监控视频进行实验,结果表明:①经过基于改进YOLOv3的井下人员定位方法处理后的视频帧亮度、可见度和各项评价指标(平均灰度、平均对比度、信息熵与灰度谱带宽)较原始视频均有明显提升,整体光照条件得到显著改善,且处理后的视频帧对比度得到增强,目标和背景之间更易区分,证明了采用的图像增强技术的有效性。②改进YOLOv3模型能准确识别视频帧中的井下工作人员,不存在漏识别问题。③采用已知位置的标定物或人工标注的的真实三维位置作为基准,计算投影结果与真实位置之间的偏差(偏差计算涵盖X,Y,Z方向上的距离偏差),其中X方向和Y方向上的偏差均小于0.2 m,Z方向上的偏差小于0.002 m,表明构建的映射模型的映射效果好且定位精度较高。

基于改进DeepLabv3+算法的起重机锈迹检测

室外工作的起重机金属结构易产生锈蚀现象,严重的锈蚀会导致结构承载能力显著降低,从而引发灾难性事故。文中针对当前起重机人工锈迹巡检中存在的漏检、误检和费时等问题,提出一种基于改进DeepLabv3+算法的自动化锈迹检测方法。该方法依托于机器视觉,将原始DeepLabv3+的骨干网络替换为幽灵网络(GhostNet)以提升网络的轻量化程度;使用特征金字塔网络(FPN)进行特征提取,用于抑制噪声和背景对锈迹提取的不良干扰;引入空间感知独立自注意机制(SSA)来提高网络区域感知性能;最后使用特征融合(Add)代替原始网络的特征堆叠来降低算法参数量。将所提方法应用于室外起重机锈迹检测,结果表明所提算法的检测性能优于原始算法和其他经典语义分割算法,具有重要的工程应用价值。

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。

采用混合融合方式的改进MV3D目标检测模型研究

针对3D目标检测精度低、在复杂工况下检测效果差的问题,利用图像和点云数据作为输入,引入深度补全增加点云前视图特征,并对MV3D目标检测模型进行改进,提出混合融合方式,将全局信息较多的图片特征拼接到融合完成后的点云特征中,最后再进行融合。文中所提出的混合融合方案兼顾了深度融合的特征又增加了全局的特征信息,利用DETR模块对原模型的非极大值抑制操作进行优化,使得模型轻量化。最后在KITTI数据集上对文中模型进行了实验分析,结果表明,所提出的模型可以实现复杂工况下的3D目标检测,且在精度上与原模型相比,在三种不同检测难度的工况下平均提升了7.19%。

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。

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。

浅谈A3管理方法在质量管理体系改进中的应用

将A3管理方法运用在质量管理体系改进过程中,聚焦研究现状,深挖问题根源,考虑更多的解决对策。然后制定实施计划,稳步推进,强化工作闭环管理,助推研究所质量保证能力持续提升和科研生产模式优化升级。

基于改进ID3算法的非结构化大数据分类优化方法

针对非结构化大数据在分类过程中,由于其数据中存在大量的冗余数据,若不能及时清洗大数据中的冗余数据,会降低数据分类精度的问题,提出一种基于改进ID3(Iterative Dichotomiser 3)算法的非结构化大数据分类优化方法。该方法针对非结构化大数据集合中冗余数据多以及维度繁杂的问题,对数据进行清洗处理,并结合有监督辨识矩阵完成数据降维;根据数据降维结果,采用改进ID3算法建立用于数据分类的决策树分类模型,通过该模型对非结构化大数据进行分类处理,从而实现数据的精准分类。实验结果表明,使用该方法对非结构化大数据分类时,分类效果好,精度高。

基于改进Shepard法的FLAC3D稳定性分析——以沱牌隧道为例

对于数值模拟而言,合理的力学参数初始化设置,对模拟结果具有较大的影响,甚至决定最终结果的判断,传统的岩土体力学参数初始化方法是基于有限点位的力学参数试验,以点带面,在数值模拟软件中按模型分组的方式进行赋值,这与实际情况有较大出入,基于此,本文以沱牌隧道为例,利用改进shepard法,通过大量纵波时差数据得到的岩石力学参数,快速插值到地质模型中,对沱牌隧道DK151+790~DK152+410段进行了开挖模拟计算,分析了围岩应力场、位移场及隧道下穿的遂徳高速地表沉降,结果表明隧道围岩与遂徳高速地表基本稳定,但不排除隧道围岩节理裂隙发育区域可能产生掉块和落石等局部破坏的现象.

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。

GDX1型3号包装轮底部折叠器的改进设计

为解决工厂软包硬化GDX1型包装机组3号包装轮底部折叠器积胶引起的小盒商标纸底部折叠不良、质量隐患大、清洁保养时间长等问题,对3号包装轮的底部折叠器进行改进设计,彻底解决了设备运行过程中3号包装轮底部折叠器积胶问题,避免了质量隐患,节约了清洁保养时间,从而达到提高产品质量和设备有效作业率的目的。

改进YOLOv3的金属表面缺陷检测研究

金属作为主要的工业产品原材料之一,在加工过程中难免会对表面造成损伤,如划痕、裂缝等,金属表面的损伤会使产品的质量、美观受到严重的影响,导致企业利润减少,所以企业需要在产品生产过程中对金属表面进行缺陷检测,确保产品质量,降低成本。然而传统的人工检测,由于人的主观因素影响较大,存在漏检、成本高、效率低等问题。针对于此,本文提出了一种改进YOLOv3的金属表面缺陷检测方法,并且通过实验分析重点研究其改进要点和检测成效,以供参考和借鉴。

基于改进YOLO-3的仓库物资识别与全过程配送跟踪方法

传统物资配送跟踪方法往往存在精度不高、实时性差等问题,对此,研究基于改进YOLO-3的仓库物资识别与全过程配送跟踪方法。基于改进YOLO-3处理仓库物资图像信息,识别仓库物资信息并进行定位。同时,结合仓库管理系统和全球定位系统(Global Positioning System,GPS)技术,实现物资全过程配送跟踪。实验结果表明,该方法具有良好的精准识别和实时跟踪的性能。