基于改进YOLOv4的澳洲坚果视觉监测方法

针对大规模澳洲坚果种植园管理困难的问题,提出一种基于改进YOLOv4的林地澳洲坚果生长监测方法。在澳洲坚果种植基地中进行图像采集,记录3种常见的澳洲坚果存在形式,制作VOC数据集并用于模型训练。对样本数量较少的类别进行数据增强,使训练样本均衡分布。在原始YOLOv4方法的基础上进行改进,用DenseNet121网络替换原来的主干网络,并使用Focalloss优化检测模型的分类损失函数,有效提升检测模型精度,同时缓解类别间检测精度不平衡问题。试验结果表明,与YOLOv4、YOLOv3方法相比,所提改进YOLOv4方法对每种澳洲坚果形式的平均精度(AP)均为最高,检测模型的平均精度均值(mAP)达到93.33%,检测速度达到28.7 FPS,实现对林地澳洲坚果落果、病害等生长信息的实时、高效获取,为精确监测澳洲坚果生长状态提供依据。

基于改进YOLOv4算法的工程实验室信息化管理系统构建与应用

融合物联网技术、图像检测技术和深度学习算法,提出一种基于改进YOLOv4算法的工程检测实验室信息管理系统,通过WIFI+NB-IoT实现数据传递。为了弥补YOLOv4算法在尺度分布不均匀时精度降低的问题,提出利用IK-means++算法,引入ECA注意力模块和阶梯状特征融合网络结构对算法进行改进,算法改进后浮点运算数量、模型参数量分别降低了25.1%和43.1%,FPS和mAP分别提高6.8帧/s和3.65%,改进后算法不仅收敛速度更快,而且在不同光线环境下的设备检测准确率均高于改进前。将系统应用到工程实验室检测中,设备和环境各参数检测结果与标准仪器检测结果误差控制在±5%以内。

基于改进YOLOv4的智能变电站二次设备稳态AR红外测温技术

研究了基于改进YOLOv4的智能变电站二次设备稳态AR红外测温技术,实现智能变电站二次设备稳态识别。在分析红外测温原理的基础上,利用AR红外测温眼镜采集智能变电站二次设备温度的红外图像,通过改进加权引导滤波增强算法对采集智能变电站二次设备温度的红外图像实施图像增强处理,将处理后的红外图像输入改进YOLOv4网络中,实现智能变电站二次设备稳态识别。实验表明:该方法可准确采集智能变电站二次设备8个保护屏柜的内部温度,且接近设备实际运行温度;同时有效降低智能变电站二次设备的红外图像的噪声,对智能变电站二次设备稳态识别的应用效果较好,能准确识别出智能变电站的二次设备异常状态,助力智能变电站运维管理员针对设备异常状态做出对应维修方案。

改进的YOLOv4⁃tiny行人检测算法研究

针对大型行人检测网络由于权重大、检测速度慢等原因无法直接应用到小型设备场景中的问题,提出3种改进YOLOv4⁃tiny的行人检测识别模型:①YOLOv4⁃tinye模型,在CSP(Cross Stage Partial Connections)网络中引入改进的ESA_CSP(Enhanced Spatial Attention_CSP)结构,使网络更多关注有利于行人检测的特征信息;②YOLOv4⁃tinyr模型,在主干网络输出后增加多尺度特征融合模块(Ring⁃fenced Bodies,RFBs)结构,增大特征提取的感受野,重复利用特征图的多尺度信息;③同时融合ESA_CSP和RFBs结构的YOLOv4⁃tinyer模型。实验结果表明:3种改进行人检测模型在WiderPerson的验证集上,mAP分别达到了53.62%、53.80%和56.13%,FPS达到了86 ms、75 ms和69 ms。与原YOLOv4⁃tiny模型的行人检测结果(mAP:51.35%,FPS:77 ms)相比,3种模型检测精度分别提高了2.27%、2.45%和4.78%,且速度并未下降太多,依然满足轻量级特点,便于在小型设备上移植。

基于改进YOLOv4的园林绿化景观设计探究

深度学习算法中,YOLOv4在目标识别、检测中已经得到典型应用,其性能出色,但参数量、计算量仍然较高,存在相应的改进空间。为改进目标识别过程中的小目标实时检测,基于改进YOLOv4,生成一种用于园林绿化景观设计场景的轻量级目标检测模型,能够利用现场实测数据集、模拟数据集进行训练,以较少精度损失,降低参数、模型的大小,便于在此基础上形成应用于园林绿化景观设计中的目标检测、识别和分类系统。结果表明,改进YOLOv4能够有效提升园林绿化景观设计过程中小目标检测精度,具有良好的泛化性、迁移性,在小目标识别检测方面的准确性与速度获得高度平衡,潜力较大。

一种改进的YOLOv4-tiny车辆目标检测方法

伴随深度学习的不断发展,深度学习的目标检测方法被广泛应用。基于特征融合的思想,本文提出了一种改进的YOLOv4-tiny目标检测方法,通过添加卷积模块及调整部分超参数对其网络架构进行优化,以实现对道路车辆目标的快速检测、识别和定位。首先为了改善YOLOv4-tiny网络对小目标类型检测精度差的问题,基于特征金字塔网络对第二标度输出层的最后一个CBL输出特征与网络中第二个CSP输出特征进行融合,并在原有网络的基础上增加52×52的标度输出;其次,利用迁移学习权重在自己采集的数据集上进行实验,训练得出合适的权重进行测试。实验结果表明,与YOLOv4-tiny相比,改进后的网络结构相对YOLOv4-tiny的AP提升4.4%、召回率(Recall)提升4.6%、准确率(Precision)提升8.4%,且可以准确检测并定位车辆的位置。

基于MSRCRYOLOv4tiny的田间玉米杂草检测模型

为实现田间环境下对玉米苗和杂草的高精度实时检测,本文提出一种融合带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration,MSRCR)增强算法的改进YOLOv4tiny模型。首先,针对田间环境的图像特点采用MSRCR算法进行图像特征增强预处理,提高图像的对比度和细节质量;然后使用Mosaic在线数据增强方式,丰富目标检测背景,提高训练效率和小目标的检测精度;最后对YOLOv4tiny模型使用K-means++聚类算法进行先验框聚类分析和通道剪枝处理。改进和简化后的模型总参数量降低了45.3%,模型占用内存减少了45.8%,平均精度均值(Mean average precision,mAP)提高了2.5个百分点,在Jetson Nano嵌入式平台上平均检测帧耗时减少了22.4%。本文提出的PruneYOLOv4tiny模型与Faster RCNN、YOLOv3tiny、YOLOv43种常用的目标检测模型进行比较,结果表明:PruneYOLOv4tiny的mAP为96.6%,分别比Faster RCNN和YOLOv3tiny高22.1个百分点和3.6个百分点,比YOLOv4低1.2个百分点;模型占用内存为12.2 MB,是Faster RCNN的3.4%,YOLOv3tiny的36.9%,YOLOv4的5%;在Jetson Nano嵌入式平台上平均检测帧耗时为131 ms,分别是YOLOv3tiny和YOLOv4模型的32.1%和7.6%。可知本文提出的优化方法在模型占用内存、检测耗时和检测精度等方面优于其他常用目标检测算法,能够为硬件资源有限的田间精准除草的系统提供可行的实时杂草识别方法。

基于改进YOLOv4算法的轮毂表面缺陷检测

汽车轮毂加工过程中产生的表面缺陷严重影响整车的美观性及服役性能,针对人工检测效率低、漏检率高的问题,提出一种基于改进YOLOv4算法的轮毂表面缺陷检测方法。构建了轮毂缺陷数据集,其包含6种表面缺陷,由2346张4928×3264 pixel的图像组成;采用K-means方法进行先验框聚类,并针对YOLOv4算法在纤维、粘铝等小尺度缺陷上检测精度不足问题,在原网络Neck部分引入细化U型网络模块(TUM)和注意力机制,用于增强有效特征并抑制无效特征,强化多尺度特征提取与融合,改善特征处理过程中可能存在的小目标信息丢失问题;基于该数据集,训练并测试不同算法的缺陷检测性能并验证改进模块的有效性。结果表明,该方法大幅提升了粘铝等小尺寸缺陷的检测能力,缺陷检测平均精度达到85.8%,与多种算法相比较检测精度最高。

基于改进YOLOv4的中小型绝缘子检测

为解决中小型绝缘子在检测目标时出现的漏检、错检问题,提出一种改进YOLOv4算法的中小型绝缘子检测方法。首先,通过增加特征融合层、引入SE注意力机制的方式改变YOLOv4网络结构,以发掘更有用的中小型绝缘子特征信息。其次,在模型结尾增加负例挖掘模块,抑制复杂背景干扰,提高绝缘子检测准确度。最后,使用改进k-means++算法重新聚类符合中小型绝缘子特征的先验框以加快模型收敛速度。实验结果表明,使用含负例挖掘模块的改进算法进行绝缘子检测,中目标和小目标的平均精度(Average precision,AP)分别达到88.91%和73.09%,对中小型绝缘子检测具有一定的参考价值。

基于改进YOLOv4的灾后人员检测算法

针对地震等灾后环境复杂、救援机器人对救援目标识别实时性和准确度要求较高的问题,提出一种基于改进YOLOv4的目标检测模型。该算法将YOLOv4网络中的主干特征提取网络替换成MobileNetv1模型以增强特征复用,同时缩减网络参数量,提高运行速度;通过K-means++算法进行锚点维度聚类以适应灾后人员检测,提升算法精度。并且针对灾后人员检测数据集缺乏问题,贡献相应的数据集。实验结果表明,改进的网络与YOLOv4相比在保证模型精度的前提下帧率提升了约92%,权重文件大小变为原来的20.73%,满足了灾后救援机器人目标检测实时性和准确性的需求,对于灾后人员检测场景有一定的借鉴意义。

基于改进YOLOv4的果园柑橘检测方法研究

水果的自动检测是自动采摘、果园喷药、采后分拣等农业应用中的关键技术。针对果园环境中柑橘目标小、噪声多、遮挡严重等问题,本文基于YOLOv4算法提出一种改进的适用于果园环境的柑橘快速识别方法。主要改进措施包括:一是在训练阶段利用Canopy算法和K-Means++算法自动选择先验框的数目和大小;二是在YOLOv4网络中每个不同尺度特征的输出层前增加一个调整层,并采用残差网络结构和密集连接网络相结合,同时修改回归框损失函数,以便检测复杂背景下的小柑橘;三是在保证不造成较大检测精度损失的前提下,对网络中不重要的通道和网络层进行剪枝。与目前常用的YOLOv4、MLKP和Cascade R-CNN等3种目标检测算法的对比实验结果表明,本文改进的YOLOv4算法对果园环境下不同生长期柑橘的检测平均准确率达96.04%,平均检测速度为每张图像0.06 s,均优于对比的3种主流目标检测算法。本文提出的方法可为自然条件下果园中柑橘的采摘、产量评估等应用提供技术和方法指导。

基于改进YOLOv4算法的无人机目标检测

为了提高无人机集群检测精度和速度,提出了改进YOLOv4无人机集群目标检测方法。使用轻量化网络MobileNetV3分别获得5个有效特征层代替原网络中主特征提取网络生成的有效特征层,降低原网络的参数量和计算量;采用改进的K-means优化聚类先验框替代原算法中的先验框;基于公共数据集验证算法的有效性,在单无人机和无人机集群2种情况下进行了检测实验。实验结果表明:使用轻量化网络并利用改进K-means优化聚类先验框的改进YOLOv4算法,相比传统YOLOv3和YOLOv4算法明显提升无人机检测精度和检测速度,检测精度比YOLOv3和YOLOv4分别提高了16.4%、7.3%,检测速率分别提高0.82倍、1.27倍,漏检率分别降低了68.5%、6.25%,误检率分别降低了69.8%、62.2%,有效解决了误检和漏检等问题;与其他深度学习算法SSD和Centernet相比,检测精度分别提高15.4%、19.4%,检测速率分别提高了16.4%、52.1%。

一种基于YOLOV4 Tiny的目标检测算法

YOLOV4 Tiny目标检测算法是通过卷积神经网络提取特征,进行预测类别和边界框坐标的经典深度学习算法,是YOLOV4目标检测算法的简化版,没有使用Mish激活函数来提取特征,而只使用特征金字塔来增强特征层,因此不需要进行下采样。存在的不足是检测精度比较低。文章针对YOLOV4 Tiny算法存在的不足进行了改进,将低层特征层与高层特征层进行特征融合,然后分别进行三次空洞卷积,在扩大感受野的同时也能捕获多尺度上下文信息,并将结果进行堆叠,取代原网络中的FPN特征金字塔。实验结果表明,改进后的YOLOV4 Tiny算法比原算法精度更高,满足实时要求,具有一定程度的鲁棒性。

基于改进YOLOv4的安全帽佩戴检测算法

针对目前智慧安监领域对于安全帽佩戴的检测存在尺度多样化、检测难度大、中小目标漏检率高的问题,提出了一种基于改进的YOLOv4的安全帽佩戴检测算法。首先,改进K-means算法重新选择锚框,然后在网络中引入CBAM注意力模块来增强安全帽佩戴信息的特征表达,最后对模型进行加速剪枝。实验结果表明,提出的算法在检测中mAP@0.5值提升了6.7%,检测速度提升了35%,模型参数量减少了48%,改进后的模型更适用于实际场景中对安全帽佩戴行为的识别。

基于改进YOLOv4模型的交通标志检测

针对交通标志在图像中占据位置小、检测精度较低的问题,提出了一种基于YOLOv4的改进交通标志检测方法。在YOLOv4算法结构上去掉了19×19的大感受野检测层,加入152×152的尺度检测层;在算法中引入注意力机制,在主干网络提取的3个特征层后加入高效通道注意力(Efficient Channel Attention,ECA)模块,使网络关注有用信息,提高算法检测能力;同时为了加快网络的收敛,利用K-means聚类算法重新生成网络的先验框。通过对TT100K交通标志数据集检测效果的平均精度均值评估,mAP达到84.95%,比YOLOv4提高了4.58%。实验结果表明,相比于YOLOv4,所提交通标志检测模型对于图像中较小的交通标志具有更好的检测性能,更能达到实际需求。

基于改进YOLOv4的红外行人车辆检测算法

智能设备对行人和车辆的目标检测对于建设智慧城市有着重要的意义。随着红外技术的发展和普及,红外成像科技具有强抗干扰和全天候的特性,被越来越多地用于解决可见光受限环境带来的问题。论文提出了一种改进YOLOv4深度学习算法对红外图像下的行人车辆进行检测。改进的YOLOv4算法加入了CA注意力机制模块,将位置信息嵌入到通道注意中,增强了对感兴趣区域的表示。此外还设计了CSP2-DBL模块,替换了原本简单的卷积模块叠加,对高分辨率特征性信息的做出了弥补。为了进一步提高网络计算速度,减少计算量,针对红外图像特性,对Head部分进行了裁剪。实验结果表明改进后的模型在FLIR红外数据集上较YOLOv4模型在mAP上提高了0.85个百分点,检测速度提升了2 f/s。

改进YOLOv4算法的安全帽检测

传统的人工巡检和查看监控检测安全帽佩戴的方法容易造成漏检、误检,因此提出一种基于改进YOLOv4算法的安全帽检测方法。首先,采用百度AI Studio平台的公开安全帽数据集和网络爬虫收集数据,自制安全帽佩戴情况数据集;再使用Mosaci、图像翻转等多种数据增强算法丰富图像信息;引入K⁃means聚类更新锚框尺寸,空洞卷积扩大感受野和标签平滑防止模型过拟合,以提升中小物体检测性能。经实验验证,改进版YOLOv4算法较原始YOLOv4算法mAP提升了1.77%;与Faster RCNN相比mAP提升了4.13%,小物体目标检测效果mAP提升了12.71%,检测速度提升20倍。实例结果显示,改进版YOLOv4算法无漏检、误检情况,可准确检测出未佩戴安全帽的人员,有效减少了安全隐患。

基于背景数据增强和改进YOLOv4的断路器试验机器人接线定位方法

为提高断路器试验机器人接线的准确性和可靠性,以双目视觉和深度学习目标检测技术为基础,提出一种基于背景数据增强和改进YOLOv4的断路器试验机器人接线定位方法。该方法利用本文提出的背景混合剪切的数据增强方法,解决因断路器训练图像背景特征不足而导致所训练的目标检测模型泛化能力和准确率低的问题,可以极大地提高不同试验场所(背景)和人员走动等背景扰动下机器人接线的准确性和可靠性;将标准YOLOv4的特征网络CSPDarknet-53替换为Mobiledets,可以优化目标检测模型的推理时间,提高机器人接线效率。仿真结果表明,本文方法的准确率为99.9%;实测结果表明,接线准确率为98.8%,全项目试验接线时间减少了57 s。通过对比分析,本文方法在接线准确率和时间上优于其他方法,可为断路器机器人试验平台的实用化提供技术支持。

基于改进YOLOv4风机叶片缺陷检测方法

随着风电行业发展,风电设备越来越普及。风力发电设备长期处于恶劣环境下,设备叶片关键部件会发生损伤,降低整机发电效率。为了解决风力发电机叶片传统检测耗时长、效率低、精度低等问题,提出一种基于改进YOLOv4的风机叶片缺陷检测方法。首先采用GhostNet特征提取网络更换原有YOLOv4的特征提取网络,使得模型轻量化的同时保持良好的检测精度;其次,采用基于COCO数据集权重的迁移学习,减少模型训练时间并加快模型收敛;最后,采用Focal loss分类损失函数解决数据集缺陷类别不平衡问题,且使得目标检测模型收敛。实验结果表明,相比原有的YOLOv4,map值提高了3.66%且能满足实时性需求。

基于改进YOLOv4的水果识别模型研究

为提高水果识别准确率,增强目标检测算法的泛化能力,文章提出基于改进YOLOv4的水果识别目标检测模型。采用边框标注和特征标注相融合的方式解决遮挡问题,对训练所用anchor框进行K-means聚类分析,将EIOU Loss函数代替CIOU Loss函数作为模型损失函数,将ASPP模块代替SPP模块进行多尺度特征提取,从而优化模型性能,提高模型识别准确率。实验结果表明,改进YOLOv4模型识别效果较好,mAP值达到95.92%,比原YOLOv4模型提升1.79个百分比,说明模型可以在该数据集上取得较好效果。