一种改进IoU损失的边框回归损失函数

针对目标检测任务边框回归精度低、模型收敛速度慢的问题,提出一种基于Io U损失的改进边框回归损失函数。为了提高Io U损失函数的精度和速度并保持损失函数的尺度不变性,在Io U损失中引入了归一化距离信息作为惩罚项;为了满足训练前期快速收敛和后期高精度要求,在惩罚项中分阶段采用了距离信息的不同范数形式。实验结果表明,改进Io U损失函数在Vis Drone数据集AP50指标和PASCAL VOC数据集m AP指标上达到了34.84%和71.67%的精度,比Io U损失相对提升了4.00%和1.17%,比DIo U回归损失相对提升了1.63%和0.43%,在边框回归任务中取得了更加优越的性能。

基于smoothL1改进的边框回归损失函数

为了进一步提高目标检测任务中的边框回归精度,提出一种基于smoothL1改进的边框回归损失函数.通过自适应地增大smoothL1中非离散点的梯度,缓解了模型反向传播中对离散点和非离散点梯度分布不平衡问题,提高了模型的精度.实验结果表明,在PASCAL VOC2007测试集上,基于改进的smoothL1的目标检测模型Faster R-CNN,平均精度均值(mAP)达到了70.8%,相较smoothL1,模型精度有所提高.

CoT-YOLO水下目标检测算法

水下检测由于背景复杂、光线暗淡、目标遮挡重叠等问题导致检测精度较低,提出一种CoT-YOLO水下目标检测算法提高检测精度。使用YOLOv5s作为基础模型,构建注重上下文信息的卷积神经网络,充分利用特征信息,增强全局特征表达能力,解决模型漏检、误检问题;改用解耦头,加快收敛速度;增添新的检测层并重获先验框,增强模型对小目标的检测能力,提高水下小目标检测效果;采用EIoU损失函数提高目标边界框的定位与回归。实验结果表明,改进后算法精确度达到77.9%,相较于基线提升了3.7%,mAP提升了5.2%,验证了该方法的有效性。

基于改进YOLOv4的苹果采摘机器人树枝障碍物深度识别

为识别特征不明显的树枝,尤其是机械手进行苹果采摘时遮挡住苹果位置的树枝,提出了一种结合语义分割和YOLOv4来获取树枝语义骨架,以及识别出树枝位置框的方法。采用语义分割划分树枝矩形包络的方法,剔除影响树枝识别效果的小树枝和分支,再用labelImg和labelme工具对数据集进行标注;对训练的网络模型添加了3层最大池化层,并在回归损失方面对YOLOv4的CIOU回归损失函数进行了改进,提出了针对复杂特征、适范围提高预测准确率的置信度相关函数BIOU。结果表明,改进的YOLOv4网络模型训练遮挡苹果位置树枝的F1和AP分别比原始网络训练全部树枝高出20.00个百分点和23.36个百分点,获得训练效果更好的数据集和树枝识别网络。

YOLOv5目标检测的轻量化研究

现有目标检测算法通常存在体积较大、结构复杂等问题,致使室内机器人作业过程中识别速率与精度较差。针对这一问题,以室内目标检测为基础,提出了一种改进的YOLOv5s轻量化检测方法。该方法主要是在YOLOv5s网络的基础上引入ShuffleNet v2特征提取机制来实现网络的轻量化,同时采用加权双向特征金字塔BiFPN和边框回归损失EIOU获取特征信息更为丰富的特征图,来提升目标检测精度,从而得到一种新的室内目标检测模型。研究结果表明,改进后的模型参数量明显减少,模型复杂度减少了46%,平均精确率均值mAP提升到63.9%,实现了轻量化和检测准确率的平衡,该研究为目标轻量化研究提供了参考。

基于深度学习的生姜种芽快速识别及其朝向判定

针对目前生姜机械化播种难以实现“种芽朝向一致”农艺要求的问题,该研究提出了一种基于深度学习的生姜种芽快速识别及其朝向判定的方法。首先,构建生姜数据集。其次,搭建YOLO v3网络进行种芽的识别,包括:使用Mosaic等在线数据增强方式,增加图像的多样性,解决小数据集训练时泛化能力不足的问题;引入DIoU(Distance Intersection over Union)边框回归损失函数来提高种芽识别回归效果;使用基于IoU的K-means聚类方法,经线性尺度缩放得到9个符合种芽尺寸的先验框,减少了先验框带来的误差。最后进行壮芽的选取及其朝向的判定。测试集中的结果表明,该研究提出的生姜种芽识别网络,平均精度和精准率、召回率的加权调和平均值F1分别达到98.2%和94.9%,采用GPU硬件加速后对生姜种芽的检测速度可达112帧/s,比原有YOLO v3网络的平均精度和F1值分别提升1.5%和4.4%,实现了生姜种芽的快速识别及其朝向的判定,为生姜自动化精确播种提供了技术保证。

基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法

柑橘识别是实现柑橘园果实自动采摘、果树精细化管理以及实现果园产量预测的关键技术环节。为实现自然环境下柑橘果实的快速精准识别,该文提出一种基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法。在采摘机器人领域,果实识别回归框的准确率直接决定了机器手的采摘成功率,该方法通过引入GIoU边框回归损失函数来提高果实识别回归框准确率;为便于迁移到移动终端,提出一种YOLOv3-LITE轻量级网络模型,使用MobileNet-v2作为模型的骨干网络;使用混合训练与迁移学习结合的预训练方式来提高模型的泛化能力。通过与Faster-RCNN以及SSD模型对比在不同遮挡程度的测试样本下模型的识别效果,用F1值与AP值评估各模型的差异,试验结果表明:该文提出的模型识别效果提升显著,对于果实轻度遮挡的数据集,该文提出的柑橘识别模型的F1值和AP值分别为95.27%和92.75%,AverageIoU为88.65%;在全部测试集上,F1值和AP值分别为93.69%和91.13%,Average IoU为87.32%,在GPU上对柑橘目标检测速度可达246帧/s,对单张416×416的图片推断速度为16.9 ms,在CPU上检测速度可达22帧/s,推断速度为80.9 ms,模型占用内存为28 MB。因此,该文提出的柑橘识别方法具有模型占用内存低、识别准确率高及识别速度快等优点,可为柑橘采摘机器人以及柑橘产业产量预测提出新的解决方案,为柑橘产业智能化提供新的思路。

基于改进的Faster R-CNN车厢编号识别方法

为了识别装煤列车车厢编号图像,提出一种基于改进的Faster R-CNN车厢编号识别方法。首先,引入Retinex图像增强算法对暗光条件下采集的低照度车厢编号图像进行增强,提高低照度车厢编号图像质量;通过分层多尺度区域推荐网络增强对多尺度、小目标车厢编号检测能力;使用基于GIoU的边框回归损失函数,提高车厢编号识别回归框准确率。在环境复杂的装车现场进行实验,车厢编号识别模型在平均精度和F1值分别为9293%和9573%,在开发套件上的推理速度为1帧/s。提出的车厢编号识别方法具有准确率高、识别速度快、漏检率低的优点,为车厢编号识别智能化提出新思路。