基于改进YOLO v5的复杂环境下柑橘目标精准检测与定位方法

针对自然环境下柑橘果实机械化采收作业环境复杂和果实状态多样等情况,提出了一种多通道信息融合网络——YOLO v5-citrus,以解决柑橘果实识别精准度低、果实分类模糊和定位精准度低等难题。将不同的柑橘目标通过不同遮挡条件分为“可采摘”和“难采摘”两类,这种分类策略可指导机器人在真实果园中顺序摘取,提高采摘效率并减少机器人本体和末端执行器损坏率。YOLO v5-citrus中,在颈部网络插入多通道信息融合模块,对柑橘的深浅特征信息进行处理,提高柑橘采摘状态识别精度,同时修改颈部网络拼接方法,针对目标柑橘大小进行识别,训练后在识别部分嵌入聚类算法模块,将训练部分识别模糊的柑橘目标进行最后区分。识别后进行深度图像和彩色图像的像素对齐,并通过坐标系转换获取柑橘目标三维坐标。在使用多种增强技术处理的数据集中,YOLO v5-citrus比原始YOLO v5在平均精度均值和精确率上分别提高2.8个百分点与3.7个百分点,表现出更优异的泛化能力。与YOLO v7和YOLO v8等其他主流网络架构相比较,保持了更高的检测精度和更快的检测速度。通过真实果园的检测与定位试验,得到柑橘目标的三维坐标识别定位系统的定位误差为(1.97 mm,0.36 mm,9.63 mm),满足末端执行器的抓取条件。试验结果表明,该模型具有较强的鲁棒性,满足复杂环境下柑橘状态识别要求,可为柑橘园机械采收设备提供技术支持。

基于YOLO v7-ST-ASFF的复杂果园环境下苹果成熟度检测方法

针对复杂果园环境下目标检测算法参数量大、鲁棒性差等问题,本文提出一种改进的YOLO v7网络模型用于苹果成熟度(未成熟、半成熟、成熟)检测。以YOLO v7为基线网络,在特征提取结构中引入窗口多头自注意力机制(Swin transformer,ST),极大地降低网络参数量与计算量;为提高模型对远景图像中小目标的检测能力,在特征融合结构中引入自适应空间特征融合(Adaptively spatial feature fusion,ASFF)模块优化Head部分,有效利用图像的浅层特征和深层特征,加强特征尺度不变性;采用WIoU(Wise intersection over union)代替原始CIoU(Complete intersection over union)损失函数,在提高检测准确率的同时加快模型收敛速度。试验结果表明,本文改进的YOLO v7-ST-ASFF模型在苹果图像测试集上的检测速度和准确率均有显著提高,不同成熟度检测精确率、召回率和平均精度均值可达92.5%、84.2%和93.6%,均优于Faster R-CNN、SSD、YOLO v3、YOLO v5、YOLO v7以及YOLO v8目标检测模型;针对多目标、单目标、顺光、逆光、远景、近景以及套袋、未套袋苹果目标的检测效果都较好;本文网络模型内存占用量为53.4MB,模型平均检测时间(Average detection time,ADT)为45.ms,均优于其他目标检测模型。改进的YOLO v7-ST-ASFF模型能够满足复杂果园环境下苹果目标的检测,可为果蔬机器人自动化采摘提供技术支撑。

基于YOLO-v8的复杂施工场景危险源识别方法应用

基于机器视觉的复杂施工场景不安全行为与施工进度检测尚处于研究阶段,以YOLO-v8模型为基础提出一种复杂施工场景不安全行为与施工进度无监督学习检测模型。通过MaskCut模块对数据集开展自监督学习标注,降低数据集标注工作量;应用DRM与CRM模块逐层分割遮挡特征并进行背景重构;以MaskCut模块自监督标注数据集训练YOLO-v8基础模型对典型施工8种场景中常见15种不安全行为以及施工进度开展检测。试验结果表明:本文所提方法对复杂施工场景多种不安全行为表现较高检测性能,平均准确率达到84.63%;所提方法针对多种常见施工不安全行为并且融合遮挡对象解耦与重建具有较高应用潜力,并且对基于机器视觉的施工进度检测研究具有较高借鉴价值。

基于改进YOLO v7的农田复杂环境下害虫识别算法研究

为使巡检机器人能够对体积小且密集、形态多变、数量多且分布不均的害虫进行高效精准识别,提出了一种基于改进YOLO v7的害虫识别方法。该方法将CSP Bottleneck与基于移位窗口Transformer(Swin Transformer)自注意力机制相结合,提高了模型获取密集害虫目标位置信息的能力;在路径聚合部分增加第4检测支路,提高模型对小目标的检测性能;将卷积注意力模块(CBAM)集成到YOLO v7模型中,使模型更加关注害虫区域,抑制背景等一般特征信息,提高被遮挡害虫的识别精确率;使用Focal EIoU Loss损失函数减少正负样本不平衡对检测结果的影响,提高识别精度。采用基于实际农田环境建立的数据集的实验结果表明,改进后算法的精确率、召回率及平均精度均值分别为91.6%、82.9%和88.2%,较原模型提升2.5、1.2、3个百分点。与其它主流模型的对比实验结果表明,本文方法对害虫的实际检测效果更优,对解决农田复杂环境下害虫的精准识别问题具有参考价值。

复杂环境下高扩展性无人机信号检测识别方法

利用无人机与遥控器间的无线电信号进行无人机检测和识别是当前的研究热点。但在该领域,仍存在两个关键问题有待解决:一是如何在存在众多第三方信号的复杂电磁环境下有效检测识别无人机信号,二是如何保证检测识别系统针对新型无人机的快速扩展能力。针对这两个问题,提出了一种高扩展性的无人机信号检测识别架构。首先,利用YOLO神经网络模型应对复杂电磁环境下信号检测难题。该模型设计和训练面向通用电磁信号检测。完成信号检测后,利用“信号特征提取+支持向量机”结构设计无人机信号识别算法。该步骤计算复杂度低,模型参数少,因此对新型无人机具备良好的可扩展性。

基于RGB图像的坦克损伤目标三维检测研究与应用

现代战争中,坦克在攻坚战中的地位越来越重要,检测坦克的损伤对于取得战场主动权乃至获取战争的胜利起着决定性作用,所以对实时性要求非常高。采用易获取的RGB图像,以坦克装甲车为研究目标,选用Complex-YOLO为基础三维目标检测模型,针对复杂战场环境中图像内容复杂、弹孔损伤目标小、没有三维CAD模型等问题,对Complex-YOLO模型进行改进,通过使用识别精度高且速度快的YOLOV3网络及九点法回归三维目标检测框的方法,提高模型性能。在坦克数据集上的实验结果表明,改进后的算法对于复杂战场环境下的多目标检测具有更强的敏感性,较大程度上增强了模型的检测识别精度。

面向无人机作战的复杂光照环境下小目标检测方法研究

针对复杂光照环境下无人机作战的小目标难以检测问题,以引入注意力机制的YOLOv5s-Se模型为基础,设计了基于Ghost模块与形状损失函数的YOLOv5s-Se_Point改进模型。该模型首先引入形状特征损失函数,提高对小目标形状特征的提取能力。然后,使用Ghost模块替换网络Backbone中的卷积模块,以提高识别速度,降低模型尺寸。通过设置模拟作战场景进行实验,结果表明YOLOv5s-Se_Point相对于YOLOv5s和YOLOv5s-Se模型,在准确率和检测速度上具有一定优势,可以有效地改善复杂光照环境下传统算法的缺陷,提高算法的鲁棒性,实现对复杂光照环境下小目标的有效识别。

侧扫声纳检测沉船目标的轻量化DETR-YOLO法

基于YOLOv5算法的侧扫声纳海底沉船目标检测方法虽然在检测精度和速度上取得了不错的成绩,但是如何在复杂海洋噪声背景下进一步提高小目标检测的准确性、降低重叠目标漏警和虚警率的同时实现模型的轻量化是一个亟需解决的课题。为此,本文创新融合DETR(end-to-end object detection with transformers)与YOLOv5结构,提出了基于DETR-YOLO模型的轻量化侧扫声纳沉船目标检测模型。首先,加入多尺度特征复融合模块,提高小目标检测能力。然后,融入注意力机制SENet(squeeze-and-excitation networks),强化对重要通道特征的敏感性。最后,采用加权融合框(weighted boxes fusion, WBF)策略,提升检测框的定位精度和置信度。实验结果表明,本文模型在测试集AP_0.5和AP_0.5∶0.95值分别达到84.5%和57.7%,较Transformer和YOLOv5a模型大幅度提高,以较小的效率损失和权重增加为代价取得了更高的检测精度,在提升全场景理解能力和小尺度重叠目标处理能力的同时满足轻量化工程部署需求。

融合YOLO v5n与通道剪枝算法的轻量化奶牛发情行为识别

及时、准确地监测奶牛发情行为是现代化奶牛养殖的必然要求。针对人工监测奶牛发情不及时、效率低等问题,该研究提出了一种融合YOLO v5n与通道剪枝算法的轻量化奶牛发情行为识别方法。在保证模型检测精度的基础上,基于通道剪枝算法,对包括CSPDarknet53主干特征提取网络等在内的模块进行了修剪,以期压缩模型结构与参数量并提高检测速度。为了验证算法的有效性,在2239幅奶牛爬跨行为数据集上进行测试,并与Faster R-CNN、SSD、YOLOX-Nano和YOLOv5-Nano模型进行了对比。试验结果表明,剪枝后模型均值平均精度(mean Average Precision,mAP)为97.70%,参数量(Params)为0.72 M,浮点计算量(Floating Point operations,FLOPs)为0.68 G,检测速度为50.26帧/s,与原始模型YOLOv5-Nano相比,剪枝后模型mAP不变的情况下,参数量和计算量分别减少了59.32%和49.63%,检测速度提高了33.71%,表明该剪枝操作可有效提升模型性能。与Faster R-CNN、SSD、YOLOX-Nano模型相比,该研究模型的mAP在与之相近的基础上,参数量分别减少了135.97、22.89和0.18 M,FLOPs分别减少了153.69、86.73和0.14 G,检测速度分别提高了36.04、13.22和23.02帧/s。此外,对模型在不同光照、不同遮挡、多尺度目标等复杂环境以及新环境下的检测结果表明,夜间环境下mAP为99.50%,轻度、中度、重度3种遮挡情况下平均mAP为93.53%,中等尺寸目标和小目标情况下平均mAP为98.77%,泛化性试验中奶牛爬跨行为检出率为84.62%,误检率为7.69%。综上,该模型具有轻量化、高精度、实时性、鲁棒性强、泛化性高等优点,可为复杂养殖环境、全天候条件下奶牛发情行为的准确、实时监测提供借鉴。

基于YOLO的复杂环境视觉SLAM优化方法

针对视觉SLAM的前端视觉里程计在实际路面应用中易受移动车辆、行人等动态目标影响而导致的错误对极约束问题,基于YOLO提出了一种去除动态特征点的方法,通过对路面动态目标进行识别,并对提取到的不稳定特征点进行剔除,实现对视觉SLAM定位性能的优化。利用公开的带参考基准数据的11组KITTI数据集进行了测试,测试结果表明,提出的优化方法在常见路面场景中的定位结果有相应的优化,可以使原ORB-SLAM2方法双目模式下的相对姿态误差(RPE)的中值由4.24%降低至3.99%;在算法时间方面,同样在双目模式下,与使用Mask R-CNN的DynaSLAM在原ORB-SLAM2时间消耗基础上增加121%相比,使用YOLO时间消耗增加仅为36%,能更有效率地提高定位精度。

复杂背景下目标识别算法分析与改进

为解决复杂背景下目标不确定性和环境复杂性带来的算法识别速度慢、检测效率低等问题,系统采用多线程编程技术,在嵌入式Samsung SC6410和阿里云等平台,引入开源机器视觉库OpenCV、以及DarkNet、keras第三方深度学习框架,重点研究了现有的主流目标检测算法,针对现有算法存在的优势和不足进行剖析,提出了一种基于密集卷积网络目标检测算法改进思路,即优先采用帧间差分法对样本进行分割,再调用改进的YOLO v3算法实现对目标的分类和检测。实验结果表明,改进后的算法不仅能够大幅度提升检测速度,而且对复杂背景下动态目标检测具有优良的效果。

基于改进YOLOv5的三维目标检测算法

针对三维目标检测点云数据量大且对小目标物体检测识别效果较差的问题,基于Complex-YOLO算法思想,提出了一种改进YOLOv5网络的点云三维目标检测方法。首先,针对点云数据量大导致后续网络运行时间过长的问题,采用Complex-YOLO算法,将点云数据转化为RGB-Map格式,易于YOLOv5网络处理,同时给YOLOv5增加了角度预测分支和旋转框回归损失计算方法,用于实现对RGB-Map中旋转目标的精确定位。其次,为了提升网络对小目标的感知能力,对YOLOv5网络结构进行改进,引入了小目标特征融合层和预测头用于增强算法对小目标物体的检测能力。最后,在neck网络中增设卷积块注意力模块(CBAM),提升网络对小目标的敏感程度。在KITTI数据集上进行验证,实验结果表明,本文提出的基于改进YOLOv5网络的三维目标检测方法相较于Complex-YOLO算法,Car类型的平均精度均值(mAP)提高了7.48百分点,Pedestrian类型的mAP提高了12.54百分点,Cyclist类型的mAP提高了1.2百分点,所有类型的mAP提高了7.08百分点,证明了本文算法的有效性。