基于改进YOLO算法的动物源性食品检测方法

由于动物源性食品图像的特征分布不规则,导致对其检测结果的可靠性难以得到保障,为此提出了一种基于改进YOLO算法的动物源性食品检测方法。通过YOLO V3的主干特征提取网络Darknet-53,分别对动物源性食品图像中存在的可见光和红外光进行特征提取,结合二者对应模态特征的最佳权重参数,进行特征加权融合,计算融合后特征的目标框位置损失、目标置信度损失以及类别损失,确定最终的分类。测试结果表明,设计方法对动物源性食品图像的识别结果稳定,且错误识别数量始终保持在较低水平,不受测试数据集构成的影响。

基于改进YOLO v5的苹果叶部病害检测

针对YOLO v5检测模型存在的漏检率和误检率问题,改进目标检测技术,提升苹果叶部病害早期发现及定位的准确性和速度,从而减少经济损失。先采用加权双向特征金字塔网络(BiFPN)特征融合方法,有效改善PANet对多尺度特征融合的不良影响,并引入Transformer机制,有效改进原始网络结构,使其专注于有用的信息,并增强特征融合效果。再使用ATCSP模块和自上而下的特征融合方法,增强模型对多尺度疾病的检测效果,并将强大的语义信息传达至模型底层,进一步提高检测精度。使用数据集由实验室采集的苹果树叶样本构成,包含3 331张标记图像的矩形位置来标记病害。由于图像亮度分布不均匀,采用直方图均衡化和改进的直方图均衡化处理,使图像对比度得到增强,大幅降低后续图像特征提取的计算量。在训练和测试过程中,还对原始病害图像进行旋转、随机亮度增强、随机色度增强、随机对比度增强和锐化等数据增强操作。结果表明,改进的YOLO v5检测算法可以显著提高苹果叶部病害检测的精度,对比原始算法,平均精度mAP@0.5提高20.8%。改进YOLO v5苹果叶部病害检测算法能够及时发现和定位苹果叶部病害,进而为深度学习技术在农业病害监测中的广泛应用提供技术支撑。

基于MSRCP与改进YOLO v4的躺卧奶牛个体识别方法

奶牛的躺卧率可以反映奶牛的舒适度和健康情况,躺卧奶牛的个体识别是自动监测奶牛躺卧率的基础。本文提出了一种基于改进YOLO v4模型识别非限制环境下躺卧奶牛个体的方法。为实现对躺卧奶牛全天的准确个体识别,首先对18:00—07:00的图像采用MSRCP(Multi-scale retinex with chromaticity preservation)算法进行图像增强,改善低光照环境下的图像质量。其次,在YOLO v4模型的主干网络中融入RFB-s结构,改善模型对奶牛身体花纹变化的鲁棒性。最后,为提高模型对身体花纹相似奶牛的识别准确率,改进了原模型的非极大抑制(Non-maximum suppression,NMS)算法。利用72头奶牛的图像数据集进行了奶牛个体识别实验。结果表明,相对于YOLO v4模型,在未降低处理速度的前提下,本文改进YOLO v4模型的精准率、召回率、mAP、F1值分别提高4.66、3.07、4.20、3.83个百分点。本文研究结果为奶牛精细化养殖中奶牛健康监测提供了一种有效的技术支持。

基于改进YOLO v7的生猪群体体温热红外自动检测方法

针对当前生猪规模化养殖过程中基于热红外技术的生猪体温测量效率低的问题,提出了一种基于改进YOLO v7的生猪群体体温检测方法。改进YOLO v7算法在Head层引入VoV-GSCSP结构,降低网络结构复杂度;使用内容感知特征重组(Content-aware reassembly of features, CARAFE)替换模型原始上采样算子,提高特征图放大后的品质,强化生猪头部区域有效特征;引入感受野增强模块(Receptive field enhancement module, RFE),增强特征金字塔对生猪头部特征的提取能力。本文改进YOLO v7算法对于生猪头部的检测精确率为87.9%,召回率为92.5%,平均精度均值(Mean average precision, mAP)为94.7%。与原始YOLO v7相比,精确率提高3.6个百分点,召回率提高7.0个百分点,mAP提高3.6个百分点。该方法首先自动检测生猪头部区域,再利用头部最大温度与耳根温度的高相关性,最终自动获取生猪体温。温度提取平均绝对误差仅为0.16℃,检测速度为222 f/s,实现了生猪群体体温的实时精准检测。综合上述试验结果表明,该方法能够自动定位生猪群体的头部区域,满足生猪群体体温测定的高效和高精度要求,为群养生猪体温自动检测提供了有效的技术支撑。

改进YOLO5Face的小鼠行为实时分析方法研究

传统的动物行为分析方法大部分是采取离线的形式,不能做到实时分析。为了解决此问题,本文提出了一种改进YOLO5Face的小鼠行为实时分析方法。本方法分为两个步骤:首先是小鼠关键点实时检测,然后是小鼠行为实时识别。针对小鼠关键点实时检测,在深度学习网络YOLO5Face的基础上改进:新增了一个更小的检测头来检测更小尺度的物体;主干网络中加入YOLOv8的C2f模块,让模型获得了更加丰富的梯度流信息,大大缩短了训练时间,提高了关键点检测精度;引入GSConv和Slim-neck,减轻模型的复杂度同时提升精度。结果表明:模型对鼻尖、左耳、右耳、尾基关键点检测的平均PCK指标达到了97.5%,推理速度为79 f/s,精度和实时帧率均高于DeepLabCut模型的性能。针对小鼠行为实时识别:利用上述改进的关键点检测模型获得小鼠关键点坐标,再将体态特征与运动特征相结合构造行为识别数据集,使用机器学习方法SVM进行行为分类。模型对梳洗、直立、静止、行走四种基本行为的平均识别准确率达到了91.93%。将关键点检测代码与行为识别代码拼接,整个代码运行的实时帧率可以达到35 f/s。

基于改进YOLO v5s的经产母猪发情检测方法研究

为解决限位栏场景下经产母猪查情难度大、过于依赖公猪试情和人工查情的问题,提出了一种基于改进YOLO v5s算法的经产母猪发情快速检测方法。首先,利用马赛克增强方式(Mosaic data augmentation, MDA)扩充数据集,以丰富数据表征;然后,利用稀疏训练(Sparse training, ST)、迭代通道剪枝(Network pruning, NP)、模型微调(Fine tune, FT)等方式重构模型,实现模型压缩与加速;最后,使用DIOU_NMS代替GIOU_NMS,以提高目标框的识别精度,确保模型轻量化后,仍保持较高的检测精度。试验表明,优化后的算法识别平均精确率可达97.8%,单幅图像平均检测时间仅1.7 ms,单帧视频平均检测时间仅6 ms。分析空怀期母猪发情期与非发情期的交互行为特征,发现母猪发情期较非发情期交互时长与频率均显著提高(P<0.001)。以20 s作为发情检测阈值时,发情检测特异性为89.1%、准确率为89.6%、灵敏度为90.0%,该方法能够实现发情母猪快速检测。

基于改进YOLO v4的肉鸽行为检测模型研究

肉鸽行为表现与鸽舍环境舒适度和肉鸽健康状况密切相关。为实现肉鸽行为精准检测、及时掌握肉鸽健康状况,提出了基于改进YOLO v4模型的肉鸽行为检测方法。由于肉鸽社交等行为特征相似性程度高,为了在复杂环境下准确识别肉鸽行为,本文采用自适应空间特征融合(Adaptively spatial feature fusion,ASFF)模块改进YOLO v4模型,在特征金字塔网络中增加ASFF模块,根据特征权值自适应融合多层特征,充分利用不同尺度特征信息,并且ASFF模块能有效过滤空间冲突信息、抑制反向梯度不一致问题、改善特征比例不变性以及降低推理开销。基于多时段的肉鸽清洁和社交行为数据集,自制5类肉鸽行为图像数据库,采用OpenCV工具进行模糊、亮度、水雾和噪声等处理扩充图像数据集(共10320幅图像),增加数据多样性和模拟不同识别场景,提升模型泛化能力。本文按照比例8∶2划分训练集和验证集,训练总共迭代300个周期,对不同时段、角度、尺寸的肉鸽数据集进行检测。检测结果表明,在阈值0.50和0.75时YOLO v4 ASFF检测精度比YOLO v4的mAP50和mAP75提高14.73、14.97个百分点。对比Faster R CNN、SSD、YOLO v3、YOLO v5和CenterNet模型验证本文模型检测性能,在测试集中mAP50分别提高13.98、14.00、18.63、14.16、10.87个百分点。视频检测速度为8.1 f/s,在推理速度相当情况下,本文改进模型识别准确率更高,复杂环境泛化能力更强,且对相似度高的行为误检和漏检情况更少,可为智能化肉鸽养殖和科学管理提供技术参考。

基于改进YOLO v5s算法的大豆叶片虫洞的识别

鉴于对大豆叶片虫洞进行识别有助于及时发现虫情并有针对性的防治虫害,提出了一种大豆叶片虫洞的识别方法:以YOLO v5s网络作为基础,在大豆叶片虫洞特征提取过程中引入空洞卷积代替3次池化处理,提取虫洞边缘不规则信息;将特征信息输入空间注意力机制,提取时空融合信息,进而捕获野外不同背景下的颜色信息;针对大豆叶片虫洞目标远近不一的问题,重构特征金字塔结构,增加了1层输出层,将80像素×80像素输出特征图经过上采样后得到160像素×160像素特征图,并将其与浅层同尺寸特征图进行拼接,提高虫洞目标识别定位的准确性;将融合后的总特征输入目标检测模块,输出单个对象的检测外框,得到大豆叶片虫洞识别模型。在大豆叶片虫洞样本数据集上对模型进行测试,结果对大豆叶片虫洞的平均识别准确率最高达95.24%,模型存储空间为15.1 MB,每秒传输91帧。所建立的方法与Faster R–CNN、YOLO v3、YOLO v5s对比,对大豆叶片虫洞识别的平均准确率分别提高2.50%、12.13%、2.81%。

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。

基于改进YOLO6D的工业零件位姿检测算法

针对工业现场散乱堆叠、零件位姿难以准确检测的问题,提出一种基于改进YOLO6D的工业零件位姿检测算法。首先,对原始YOLO6D网络结构进行改进。以Darknet53作为主干网络,并在其残差块内部引入坐标注意力机制,强化神经网络对坐标信息的表达能力;利用空洞空间金字塔池化捕获多尺度上下文信息,实现底层坐标信息与高层语义信息的特征融合;采用Mish函数作为激活函数,增强神经网络的鲁棒性。在此基础上,采用改进YOLO6D网络检测工业零件6D位姿。以工业零件图像作为改进YOLO6D网络的输入,直接回归输出目标零件3D边界框的9个关键点,利用2D-3D空间中的映射关系,采用PnP算法计算目标零件的6D位姿。最后,进行工业零件位姿检测实验验证。实验结果表明,所提算法具有较高的准确性和鲁棒性,为三维空间内工业零件的位姿检测提供了一种有效的思路。

基于改进YOLO v5s算法的沥青路面裂缝病害识别

以沥青路面裂缝病害为研究对象,旨在以及时发现路面损伤并进行针对性养护决策为视角,通过基于YOLO v5s神经网络结构的方法,为沥青路面病害识别提供参照。在裂缝病害特征提取过程中增加自适应注意力模块和特征增强模块,通过减少特征通道和增强特征金字塔,提取裂缝边缘不规则信息,可以有效提高裂缝识别准确率。同时,针对裂缝目标尺寸差异的挑战,通过重构特征金字塔结构,能够有效提高裂缝目标检测与定位的精确度。实验证明,改进算法对沥青路面裂缝识别准确率高达90.75%,相较于YOLO v3、YOLO v4及YOLO v5s识别算法,裂缝识别的平均准确度分别提高了11.58%、8.9%、1.98%,表明改进后的YOLO v5s算法在沥青路面裂缝识别上拥有更优的准确率。

基于改进YOLO模型的烟叶杂物剔除系统的研究

在烟丝生产过程中,杂物掺入会严重影响产品的品吸口感。目前,类烟草的杂物的检测和剔除主要采用基于光谱的带式杂物剔除系统,该系统具有较好的杂物剔除能力,但是对于与烟草颜色相近的杂物,识别率较差且无法进行杂物分类,这对后续的杂物来源分析和管控带来了困难。基于此,提出一种基于改进YOLO模型的烟叶杂物识别和剔除算法,与现有的除杂系统相结合,在满足剔除需求的基础上实现杂物的分类功能,为从源头上实现杂物管控提供了依据,从而更好的保证产品质量。

基于改进YOLO v5的夜间温室番茄果实快速识别

为实现日光温室夜间环境下采摘机器人正常工作以及番茄快速识别,提出一种基于改进YOLO v5的夜间番茄果实的识别方法。采集夜间环境下番茄图像2000幅作为训练样本,通过建立一种基于交并比的CIOU目标位置损失函数,对原损失函数进行改进,根据计算函数anchor生成自适应锚定框,确定最佳锚定框尺寸,构建改进型YOLO v5网络模型。试验结果表明,改进YOLO v5网络模型对夜间环境下番茄绿色果实识别精度、红色果实识别精度、综合平均识别精度分别为96.2%、97.6%和96.8%,对比CNN卷积网络模型及YOLO v5模型,提高了被遮挡特征物与暗光下特征物的识别精度,改善了模型鲁棒性。将改进YOLO v5网络模型通过编译将训练结果写入安卓系统制作快速检测应用软件,验证了模型对夜间环境下番茄果实识别的可靠性与准确性,可为番茄实时检测系统的相关研究提供参考。

基于改进YOLO v5的矿山石块实例分割算法

随着工业工程的发展,矿山挖掘作业的安全性要求越来越高,挖掘机械的智能化已经成为未来发展的趋势。破碎目标物的高效识别,是实现破碎锤挖掘机无人驾驶的关键技术之一。本文提出了一种基于改进YOLO v5的实例分割网络模型Rock-YOLO v5,分别从通道注意力机制与空间注意力机制两方面对原始YOLO v5算法进行改进。通过对采集到的图像进行预处理,产生训练样本,构建出石块图像数据集。相较于其他方法,本文方法可以准确地分割出石块区域,在测试图像集上显示出更好的分割精度,对于复杂环境下的目标堆积和遮挡问题具有一定的鲁棒性。通过试验验证,Rock-YOLO v5的目标精度达到90.3%,相较于YOLO v5l-seg,优化后的模型在分割精度上提高了5.3%,能够高效的完成矿山石块的分割任务。

基于改进YOLO v3模型的挤奶奶牛个体识别方法

为实现无接触、高精度养殖场环境下奶牛个体的有效识别,提出了基于改进YOLO v3深度卷积神经网络的挤奶奶牛个体识别方法。首先,在奶牛进、出挤奶间的通道上方安装摄像机,定时、自动获取奶牛背部视频,并用视频帧分解技术得到牛背部图像;用双边滤波法去除图像噪声,并用像素线性变换法增强图像亮度和对比度,通过人工标注标记奶牛个体编号;为适应复杂环境下的奶牛识别,借鉴Gaussian YOLO v3算法构建了优化锚点框和改进网络结构的YOLO v3识别模型。从89头奶牛的36790幅背部图像中,随机选取22074幅为训练集,其余图像为验证集和测试集。识别结果表明,改进YOLO v3模型的识别准确率为95.91%,召回率为95.32%,m AP为95.16%,Io U为85.28%,平均帧率为32 f/s,识别准确率比YOLO v3高0.94个百分点,比Faster R-CNN高1.90个百分点,检测速度是Faster R-CNN的8倍,背部为纯黑色奶牛的F1值比YOLO v3提高了2.75个百分点。本文方法具有成本低、性能优良的特点,可用于养殖场复杂环境下挤奶奶牛个体的实时识别。

基于改进YOLO v3-tiny的奶牛乳房炎自动检测方法

针对利用热红外技术检测奶牛乳房炎精度低的问题,提出了一种改进YOLO v3-tiny的奶牛乳房炎自动检测方法,构建了自动检测奶牛关键部位模型。改进YOLO v3-tiny算法以YOLO v3-tiny为基础,首先在卷积层与池化层之间加入残差网络,增加网络深度,进行深层次地特征提取、高精度地检测分类;其次在网络的关键位置加入了压缩激励(Squeeze and excitation,SE)注意力模块,强化有效特征,增强特征图的表现能力;最后比较了激活函数ReLU、Leaky ReLU与Swish的性能,发现激活函数Swish优于激活函数ReLU和Leaky ReLU,故将网络模型主干部分卷积层中的激活函数更改为Swish激活函数。改进后的奶牛关键部位检测模型检测结果准确率为94.8%,召回率为97.5%,平均检测精度为97.9%,F1值为96.1%,与传统模型相比,准确率提高了9.9个百分点,召回率提高了1.7个百分点,平均检测精度提高了2.2个百分点,F1值提高了6.2个百分点,性能指标均优于YOLO v3-tiny模型,满足实时检测的要求。使用该目标检测算法进行奶牛乳房炎检测试验,将获得的温差与温度阈值比较,判定奶牛乳房炎的发病情况,并以体细胞计数法进行验证。结果表明,奶牛乳房炎检测精度可达77.3%。证明该方法能够实现奶牛关键部位的精准定位并应用于奶牛乳房炎检测。

基于改进YOLO的建筑预埋件检测算法

针对面积较大或者楼层较高的建筑工程进行人工预埋件位置检查耗时费力的问题,提出基于深度学习的预埋件快速检测方法,配合无人机航拍对施工现场预埋件进行实时检测。利用SE-Net模块改进轻量化网络MobileNet,利用改进之后的SEMobileNet网络代替YOLO v3的特征提取网络,减少网络参数,在保证检测的准确性的同时显著提高了检测速度,实现了预埋件的高效检测。在预埋件数据集检测的实验中,改进之后的SEMobileNet-YOLO模型相比YOLO v3在准确率上提升了16.77百分点,在速度上提升了97.3%。结果表明,SEMobileNet-YOLO算法更加快速、准确,可以满足建筑工程中预埋件实时检测的要求。

基于改进YOLOv4的烟条拉线头缺陷检测

针对烟条透明塑料外包装上拉线头的缺陷检测中传统图像处理的误报率高的问题,提出了一种基于YOLO深度学习算法和算法相结合并具有自学习优化功能的改进方案。首先,使用传统Hough变换圆检测,将检测出缺陷的图像二次经过YOLO算法。其次,为使YOLO算法达到高性能、高精度的效果,对YOLO的网络结构进行改造,提出了AAS-YOLO(adaptive anchor size with YOLOv4)算法,使其具备兼容动态尺度锚定边框的功能,可以实现将传统算法的部分计算结果作为自学习参数贡献给AAS-YOLO算法。最后,通过去除贡献低的批量归一化(batch normalization, BN)通道,精简了网络结构,减少冗余计算。实验数据表明,改进后的AAS-YOLO算法提高了定位精度和检测速度,改进后的方案降低了拉线头缺陷检测的误报率。

基于改进YOLO v2的船舶目标检测方法

针对船舶图像目标检测中存在的小目标检测准确率低、系统鲁棒性差的问题,提出一种改进的YOLO v2算法对船舶图像目标进行检测。通过目标框维度聚类、网络结构改进、输入图像多尺度变换等方法对传统YOLO v2算法进行改进,使其能够更好地适应船舶目标检测任务。测试结果表明,在输入图像尺寸为416×416时,该算法的平均精确率(mean Average Precision,mAP)达到79.1%,检测速度为64帧/s(Frames Per Second,FPS)。所提方法可满足实时检测的需要,且具有小目标检测精度高、鲁棒性强的特点。

基于改进YOLO v3算法的零件目标快速检测方法

针对通用算法在小规模数据集时零件目标检测效率不高的问题,提出一种基于YOLO v3算法的改进网络.改进YOLO v3算法针对数据集的特点,在充分保留深度卷积网络特征提取能力的基础上,减少网络层数、模型参数量和检测特征图,能够有效提高算法检测速度.对比试验证明,改进YOLO v3算法与原YOLO v3算法相比,两者的检测效果没有明显差距,但改进YOLO v3算法的检测效率得到了明显提升.