一种改进的BR-YOLOv3目标检测网络

在目标检测任务中不同目标间尺寸差异较大,导致多尺寸目标难以被有效检测。基于YOLOv3提出BR-YOLOv3目标检测网络。利用空洞卷积提升网络层感受野尺寸的特性,使用不同数量、尺寸、膨胀率的卷积构建多层并行的空洞感受野模块。通过双向特征金字塔结构实现浅深层特征的双向融合,提升浅层预测分支分类、深层预测分支目标定位能力。使用LOSSGIOU定位损失函数实现目标回归过程整体化,从而降低目标漏检率。实验结果表明,BR-YOLOv3目标检测网络在Pascal VOC测试集上的测试平均精度均值达到79.24%,相比原网络提升3.52个百分点,且在检测精度上优于SSD、Faster RCNN等主流目标检测网络。

基于多尺度改进的YOLOv5电解槽设备及样品检测方法

针对电解铝车间电解槽转运机器人实时识别问题,电解槽设备和铝锭样品的目标检测存在识别物体尺寸差异过大的问题,通常使用的目标检测算法参数较大,部署在电解槽转运机器人上难以达到实时检测的要求。因此,提出一种解决目标尺寸差异过大的轻量化多尺度的YOLOv5网络模型,替换主干特征提取网络为轻量化ShufflenetV2网络;添加SE注意力机制提高小目标识别准确率;在加强特征提取网络中增加一层浅层检测层作为更小目标的检测层,实现对多尺度以及尺寸变化大的目标的识别准确率。实验结果表明,改进后的YOLOv5算法在电解槽转运机器人的电解槽设备和样品识别中物体总类别的平均检测精度为93.5%,相比YOLOv5算法平均检测精度提升了1.5%,模型参数量降低了约39.4%,每张图片平均检测速度提升了2.5 ms,有利于部署到电解槽转运机器人中。