基于改进YOLOv4网络的光伏组件故障诊断方法

为提高红外光伏组件故障的检测精度,提出一种基于改进YOLOv4网络的图像检测方法。针对无人机采集的红外光伏组件图像数据较少的问题,通过离线数据增强方式扩充数据集;用DenseNet121网络替换YOLOv4网络中原有的DarkNet53主干网络,实现YOLOv4网络的轻量化,提升了网络检测速度;设计新的路径聚合网络,提升YOLOv4网络对红外光伏组件图像浅层特征的融合程度,并在新增路径上添加YOLO检测头,提高网络对红外光伏组件图像中小目标的检测精度;在主干网络后添加注意力机制模块,提升网络的专注度。试验结果表明,改进YOLOv4网络对红外光伏组件故障的检测具有较高的精度。

基于改进YOLOV4网络的绝缘子缺陷检测

针对现有目标检测方法进行绝缘子缺陷检测速度慢、精度低等问题,改进YOLOV4网络提高绝缘子缺陷检测性能。对比主干特征提取网络不同输出层添加卷积注意力模块(CBAM)缺陷检测结果以确定注意力机制引入方法;采用K⁃Means聚类算法确定适合绝缘子特征的锚框尺寸;加强特征提取网络采用CSPlayer并利用深度可分离卷积代替普通卷积,减少模型参数,提高检测速度;同时,加强特征提取网络中添加金字塔池化模块(SPP),融合多重感受野缺陷特征,改善检测精度;增大类别损失比重,提高分类精度;采用柔性非极大值抑制代替普通非极大值抑制,避免小目标缺陷重叠引起漏检。实验结果表明,改进YOLOV4网络的平均精度均值mAP和检测时间分别为92.26%和19.82 ms,满足绝缘子缺陷检测精度和速度要求。

基于改进YOLOV4网络模型的番茄果实检测

果实识别是视觉检测技术重要的环节,其识别精度易受复杂的生长环境及果实状态的影响。以大棚环境下单个、一簇、光照、阴影、遮挡、重叠6种复杂生长状态下的番茄果实为对象,提出一种基于改进YOLOv4网络模型与迁移学习相结合的番茄果实识别方法。首先利用ImageNet数据集与VGG网络模型前端16卷积层进行模型参数预训练,将训练的模型参数初始化改进模型的权值以代替原始的初始化操作,然后使用番茄数据集在VGG19的卷积层与YOLOV4的主干网络相结合的新模型中进行训练,获得最优权重实现对复杂环境下的番茄果实进行检测。最后,将改进模型与Faster RCNN、YOLOv4-Tiny、YOLOv4网络模型进行比较。研究结果表明,改进模型在6种复杂环境下番茄果实平均检测精度值mAP达到89.07%、92.82%、92.48%、93.39%、93.20%、93.11%,在成熟、半成熟、未成熟3种不同成熟度下的F1分数值为84%、77%、85%,其识别精度优于比较模型。本文方法实现了在6种复杂环境下有效地番茄果实检测识别,为番茄果实的智能采摘提供理论基础。

融合GhostNet的YOLOv4轻量化网络设计与实现

由于存储资源和功耗等限制,在嵌入式设备上部署基于深度学习的目标检测算法存在困难,且效果不佳.基于YOLOv4算法,提出了一种改进的YOLOv4-Light轻量化网络模型,采用GhostNet网络结构替换CSPDarknet53作为主干提取网络,引入CBAM注意力机制关注通道和空间两个维度的特征信息,并利用感知量化方法对权重进行INT8量化处理,在保证精度的情况下降低网络模型规模和参数量.在PC端和NVIDIA Jetson Xavier NX上选用VisDrone无人机数据集分别对网络模型进行测试,结果表明YOLOv4-GhostNet-CBAM模型的尺寸是160M,比YOLOv4降低了34.43%;检测速率最高可达到34.6FPS,比YOLOv4提高了56.6%.YOLO-Light模型的尺寸是40.2M,比YOLOv4降低了83.5%;检测速率最高可达到78.6FPS,为YOLOv4的3.6倍,且交并比为0.5时的平均精度均值(mAP50)与YOLOv4相比仅下降了3%.YOLO-Light模型相较于原模型优势明显,能够在低功耗的嵌入式设备上完成实时目标检测.

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。

YOLOv4-Tiny的改进轻量级目标检测算法

目标检测是深度学习的重要分支领域,大量的边缘设备需要轻量级的目标检测算法,但现有的轻量级的通用目标检测算法存在检测精度低、检测速度慢的问题。针对这一问题,提出了一种基于注意力机制的YOLOv4-Tiny的改进算法。调整了原有的YOLOv4-Tiny算法的主干网络的结构,引入了ECA注意力机制,使用空洞卷积改进了传统的SPP结构为DC-SPP结构,并提出了CSATT注意力机制,与特征融合网络PAN形成CSATT-PAN的颈部网络,提高了网络的特征融合能力。提出的YOLOv4-CSATT算法和原始YOLOv4-Tiny算法相比,在检测速度基本持平的情况下,对于信息的敏感程度以及分类的准确程度有了明显的提高,在VOC数据集上精度提高了12.3个百分点,在COCO数据集上高出了6.4个百分点。在VOC数据集上,相比Faster RCNN、SSD、Efficientdet-d1、YOLOv3-Tiny、YOLOv4-MobileNetv1、YOLOv4-MobileNetv2、PP-YOLO算法在精度上分别高出3.3、5.5、6.3、17.4、10.3、0.9和0.6个百分点,在召回率上分别高出2.8、7.1、4.2、18.0、12.2、2.1和4.0个百分点,FPS达到94。通过提出CSATT注意力机制提高了模型对于空间的通道信息的捕捉能力,并结合ECA注意力机制和特征融合金字塔算法,提高了模型的特征融合的能力以及目标检测精度。

基于改进YOLOv4的消防设施检测算法

消防安全问题是一个全球性的难题,由于城市化进程加快和人口密集度增大,火灾事故频发,给人们的生命财产安全带来了极大威胁。准确定位建筑图纸中的消防器材作为智慧消防管理中不可或缺的一部分,然而目前建筑楼层消防器材统计效率低下。针对这一问题,文章提出了一种基于YOLOv4的消防设施检测算法以实现消防器材自动检测和定位。首先构建了建筑图纸中消防设施数据集,用于检测识别等研究工作,其次对YOLOv4模型的先验框参数进行设计,使其符合消防设施检测的实际应用,然后根据数据集特点选取合适的特征层降低模型参数量,并使用ASPP扩大模型的感受野,最后对Mosaic数据增强算法的参数进行了实验,提升了模型的检测能力。实验结果表明,所提算法权重为54.07MB,Map值高达89.47%。

基于YOLOv4模型的工件快速识别方法改进研究

为强化智能制造场景中机器人对工件的快速识别性能,从改进YOLOv4模型入手作了方法优化研究。首先,利用Ghost模块优化主干提取网络,以减少网络参数,提高网络检测速度;其次,引入DRConv卷积优化特征提取网络,以弥补对主干网络进行优化所造成的精度损失;最后,引入GAM注意力模块,以强化在光线不足条件下的适应性。通过对YOLOv4模型的改进,在保证较高识别精度和检测速度的同时,使模型规模得以简化,使工件快速识别网络趋于轻量化。

改进MobileViT与YOLOv4的轻量化车辆检测网络

基于深度学习的目标检测算法在智能交通的应用中,对于车辆检测存在模型参数量大、计算速度慢和简单网络精准度较低的问题。本文提出了一种高效的轻量化车辆检测模型,该检测模型采用YOLOv4网络作为参考模型进行改进。首先,本文采用CSPMobileViT网络来替换原始主干网络,然后将PANet替换成BiFPN,并且将BiFPN中的3×3标准卷积替换成深度可分离卷积,最后,在BiFPN之前和YOLO-Head之前添加ECA模块。在损失函数部分,将边框回归损失CIoU改进为Focal EIoU来解决难易样本不平衡的问题。实验结果表明改进网络的mAP值为96.77%,检测速度达到每张图片0.0234 s,模型大小只有32.76 MB,参数量为8587541,与原始算法相比mAP提升了1.54%,而模型大小和参数量仅约为原始模型1/8,并且FPS提升了7.5,改进算法具有更好检测效果。

基于改进YOLOv4的轻量化目标检测方法

针对检测模型参数量大,难以在嵌入式设备上部署等问题,设计了一种改进的YOLOv4目标检测算法.该算法使用轻量化的MobileNetV1替换CSPDarketnet53主干特征提取网络,并将后续网络中的3×3卷积替换为深度可分离卷积,极大地减少了模型的参数量;在检测头加入NAM注意力模块,增强网络对细节信息的提取能力;采用SDIoU Loss作为边框回归损失,在加快收敛速度的同时提高了检测精度.实验表明:与YOLOv4-CSPDarknet53相比,改进算法在PASCAL VOC07+12数据集上训练出来的模型大小为47.19 M,约为原来的五分之一,FPS提升了40(f/s),mAP提升了2.4%.与YOLOv4-Tiny、YOLOv5s、YOLOv7等目标检测算法相比,具有兼顾检测速度与精度的特点.

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。

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。

基于改进YOLOv4的隧道衬砌裂缝检测算法

针对传统隧道衬砌裂缝检测手段中存在的检测精度低、泛化能力差、检测速度慢的问题,对YOLOv4目标检测算法进行改进:引入Mosaic数据增强技术对输入图片数据进行预处理;采用轻量级网络MobilenetV3取代CSPDarknet53作为YOLOv4神经网络的主干特征提取网络;将YOLOv4网络中卷积核大小为3×3的标准卷积替换为深度可分离卷积。为验证改进后算法的有效性和可靠性,采用Faster-RCNN、SSD、YOLOv3、YOLOv4四种算法进行对比验证分析,结果表明:该算法在检测性能方面表现优异,测试集的平均精度为78.05%,精确率以及召回率的加权调和平均值为84.44%,均高于其余四种算法。在模型大小方面,该算法模型的大小仅为55.1 MB,相对于原始YOLOv4模型压缩了78.0%,且远小于Faster-RCNN、SSD、YOLOv3模型。此外,该算法的单张图片的检测时间为23.75 ms,每秒帧数为42.1帧/s,很好地满足了隧道衬砌裂缝进行实时检测时移动设备对帧率的要求。且算法泛化能力良好,能够较为准确的对不同光照和复杂背景条件下的裂缝进行检测并标记。基于提出的改进YOLOv4算法构建隧道衬砌裂缝检测平台,实现对实际隧道工程中衬砌裂缝的准确、快速、智能化识别。

基于改进YOLOv4模型的番茄成熟度检测方法

目的:解决现有番茄成熟度检测方法存在的检测精度低和模型参数量多等问题。方法:基于番茄图像采集系统,提出了一种改进的YOLOv4模型用于番茄成熟度自动检测。将轻量级网络MobileNetv3网络引入模型替换CSPDarkNet53网络,降低模型复杂度。在SPP模块中采用平均池化替代最大池化,提高算法对小目标的检测精度。在上采样过程中引入注意力机制CBAM增强深浅层特征融合能力,并通过试验验证所提模型的可行性。结果:与常规方法相比,试验方法在番茄成熟度检测中具有较高的检测mAP值和运行效率,且模型参数量较少,mAP值为92.50%,检测速度为37.1 FPS,模型参数量为48 M。结论:该番茄成熟度检测方法能有效降低模型参数和检测时间,具有较高的检测mAP值。

基于双流YOLOv4的金属表面缺陷检测方法

目前有许多学者使用深度学习进行表面缺陷检测研究,由于这些研究大都沿用主流目标检测算法的思路,注重高级语义特征,而忽视了低级语义信息(色彩、形状)对表面缺陷检测的重要性,因此导致缺陷检测效果不够理想。为解决上述问题,提出了一种金属表面缺陷检测网络——双流YOLOv4网络,骨干网络分成两个分支,输入分为高分辨率图像和低分辨率图像,浅分支负责从高分辨率图像中提取低级特征,深分支负责从低分辨率图像中提取高级特征,通过削减两分支的层数和通道数来减少模型总参数量;为了强化低级语义特征,提出了一种树形多尺度融合方法(Tree-structured Multi-scale Feature Fusion Me-thod,TMFF),并设计了一个结合极化自注意力机制和空间金字塔池化的特征融合模块(Feature Fusion Module with Polarized Self-Attention Mechanism and Spatial Pyramid Pooling,FFM-PSASPP)应用到TMFF中。在东北大学热轧带表面缺陷数据集NEU-DET、金属表面缺陷数据集GC10-DET和伊莱特电饭煲内胆缺陷数据集Enaiter的测试集上对所提算法进行了测试,测得的map@50结果分别为0.80,0.66和0.57,相比大部分主流的用于缺陷检测的目标检测算法均有提升,且模型参数量仅为原YOLOv4的一半,速度与YOLOv4接近,可满足实际使用需求。

基于改进YOLOv4模型的无人机目标检测算法

针对无人机全自主飞行对目标检测的实时性与准确性需求不断提升的现状,对现有YOLOv4网络进行优化,提出采用轻量型MobilenetV3网络取代原始模型中的主干特征提取网络,并在特征金字塔结构中利用深度可分离卷积模块取代传统卷积,实现了保证模型检测精度的同时减少模型参数的目的。通过采用CIOU位置回归损失函数,促使目标框回归变得更加稳定,采用的数据增强方法进一步提高了目标检测算法的鲁棒性。在相同配置条件下的对比实验结果表明,改进YOLOv4模型损失小幅精度却实现检测速度的大幅提升,其中参数容量减少82%,仅44.74 M,FPS提升69%并达到22帧/s,验证了所提算法的有效性。

基于协调注意力机制的轻量级YOLOv4零件检测

针对零件自动检测任务在复杂工况下,如零件堆叠粘连、有杂物干扰等,存在实时性差、硬件资源占用大等问题,提出一种基于轻量级YOLOv4网络的零件检测方法。采用MobileNeXt代替CSPDarkNet53作为主干特征提取网络(backbone),并在每个卷积模块中添加协调注意力机制,用于增强特征层的语义表达能力;提出一种Fused-Sandglass模块插入到浅层的backbone中,提高网络的推理速度;网络训练方面引入渐进式训练方法和focal loss损失函数,提升训练速度,并且有效缓解正负样本失衡的问题。实验结果表明,该方法在15种零件的检测任务中能够保持和YOLOv4网络相近的准确率,但参数量大小仅为其20%,推理速度达到了43.7 fps,能够满足实际生产的需求。

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的车辆目标检测算法

针对公路上高速行驶的车辆检测常常存在错检、漏检的问题,对YOLOv4算法进行改进优化.首先,将CSPDarknet53-tiny作为主干特征提取网络,并对网络中的ResBolck_body模块中的残差边与GhostModule模块结合代替原始特征网络CSPDarknet53,从而简化网络结构,同时提高其检测精度;然后,将原算法中的SPPNet模块结构替换为ASPPNet,增大网络感受野,降低参数计算量,使模型能够在保持精准度的同时更加轻量化;最后,将注意力机制模块SENet结构嵌入特征金字塔PANet的两个不同位置,使其可对不同重要程度的特征进行相应处理.在BDD100K数据集实验中,原YOLOv4算法训练后得到的模型的平均精度(AP)为88.27%,改进优化后的YOLOv4模型AP为90.96%,改进后的YOLOv4算法相比原算法AP提高了2.69%.在实际真实场景数据集实验中,改进优化后的YOLOv4算法比原算法AP提高了3.31%.实验结果表明,本文提出的方法可以有效提高YOLOv4算法对车辆目标检测的精度.