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 v8模型的烟草食叶性害虫识别

烟青虫、斜纹夜蛾、斑须蝽和甜菜夜蛾是烟草上重要的食叶性害虫,它们的准确识别是虫情预报和防治的基础。提出了基于改进的YOLO v8模型的烟青虫、斜纹夜蛾、斑须蝽和甜菜夜蛾的识别方法,首先在YOLO v8的C2f模块中加入了EMA注意力机制,提高了YOLO v8模型对于烟草害虫的关注度;其次使用SIoU Loss改进YOLO v8的边界框损失函数,提高模型定位的准确性并加速模型收敛;最后利用AFPN渐近特征金字塔网络改进了YOLO v8对非相邻特征的融合效果,提高了模型对烟草害虫特征提取的效率和准确率。与Faster R-CNN、SSD、Retinanet、YOLO v3-tiny、YOLO v4-tiny、YOLO v5s和YOLO v8等目标检测模型在本研究所构建的4种常见烟草害虫的数据集上进行对比,试验结果表明,本研究所提出的方法在精确率、召回率和平均精度均值(mAP)上比原有的YOLO v8模型及上述其他目标检测模型平均提高了6.24、6.53、7.22百分点,为烟草害虫的精准识别提供了技术支持。

基于YOLO v5s改进模型的玉米作物病虫害检测方法

针对玉米作物病虫害目标检测中由于图像背景复杂、无关因素干扰较多而导致的对病虫害目标检测效果不理想等问题,采用深度学习技术,提出一种基于YOLO v5s改进模型的玉米作物病虫害检测方法。该方法通过引入无参SimAM注意力机制对YOLO v5s模型进行改进,利用该机制能更全面地评估模型特征权重,以增强玉米病虫害的特征,削弱复杂背景和无关信息的干扰,从而提高模型的检测性能。同时,将模型的损失函数由CIOU替换为EIOU,可使病虫害预测框更加接近真实框,以提升模型检测的准确率。通过自建的玉米病虫害数据集对模型进行试验对比,结果表明,YOLO v5s(EIOU+SimAM)改进模型的精确率为94.6%,召回率为83.4%,平均精度均值为90.1%。经比较发现,改进模型比原始模型在上述3个指标方面分别提升了5.4、0.5、1.9百分点,说明YOLO v5s(EIOU+SimAM)模型对玉米病虫害检测具有较强的鲁棒性和泛化性。

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。

基于机器视觉的啤酒金属盖表面缺陷检测方法

目的为了提高啤酒金属盖表面缺陷检测的精度和准确率,提出一种基于机器视觉的金属盖表面缺陷检测方法。方法以不同类型的啤酒金属盖表面缺陷为研究对象,利用滤波抑噪和高反差保留算法对图像进行处理,运用YOLO–v5网络完成瓶盖的缺陷检测。通过添加注意力机制SE模块、改进模型损失函数和预测框筛选方式等技术手段对原YOLO–v5模型作出优化,抑制图像中的不重要特征,提升小目标检测的准确率和模型的特征提取能力。结果改进后的YOLO–v5模型与常用的检测模型的对比结果表明,改进YOLO–v5模型在测试集上的mPA指标为93.10%,检测速度达到了294张/min,优势较为明显。结论针对不同类型的金属盖表面缺陷,基于机器视觉的检测模型均有较高的检测精度和识别准确率,小目标缺陷的漏检率和误检率情况较少,满足生产线实时、高精度的检测要求。

基于深度学习的实验设备识别系统开发设计

为了让使用者科学规范使用实验设备、教学者提高实验室教学效率,提出了基于深度学习的实验设备识别系统,系统搭载Android平台环境,使用者通过拍照或本地相册选取实验设备图像。Android客户端采集图像并裁剪,使用TCP/IP网络传输协议将图像发送至服务器端;服务器端使用残差网络和改进的YOLO网络模型对图像进行检测,并在数据库中查找图像特征值对应的实验设备;数据库将识别结果和设备使用方法、注意事项等反馈至Android客户端。测试表明,系统对实验设备的识别准确率可达99%以上。实验设备识别系统可为同行提供参考借鉴,提高教学效率和质量。