基于改进YOLOv5的工业安全帽检测

YOLO系列算法是目前计算机视觉目标检测领域主流的算法模型,其中以YOLOv5为代表的算法往往具有更快的检测速度和更高的准确率。由于工业施工现场受到例如光照、遮挡等复杂因素的影响,现有的检测算法对于小目标的检测精度不佳,存在漏检、错检等问题。鉴于此,提出一种改进的YOLOv5安全帽检测算法。算法的改进主要为两方面,一方面对YOLOv5的三个预测输出层分别加入三种不同的自注意力机制,对大、中、小三个预测输出层之前分别加入SKNet模块、CA模块、ECA模块用以增强模型对于中小目标检测的鲁棒性,加入通道和空间的特征信息使得模型在预测中小目标时专注于被检测目标,同时在每一个模块引入残差连接,提高训练速度,有效解决因为引入自注意力机制造成的梯度消失问题;另一方面改进原来预测边界框的损失函数,采用DIoU损失函数加快训练的速度,提高了检测精度。在开源的数据集上进行实验验证,实验结果显示改进后的YOLOv5模型对比于改进之前的mAP值提升了1.6%。

一种改进YOLOv3的手势识别算法

为了解决YOLOv3算法在手势识别中存在识别精度低及易受光照条件影响的问题,提出了一种改进的YOLOv3手势识别算法。首先,在原来3个检测尺度上新增加1个更小的检测尺度,提高对小目标的检测能力;其次,以DIoU代替原来的均方差损失函数作为坐标误差损失函数,用改进后的Focal损失函数作为边界框置信度损失函数,目标分类损失函数以交叉熵作为损失函数。结果表明,将改进的YOLOv3手势识别算法用于手势检测中,mAP指标达到90.38%,较改进前提升了6.62%,FPS也提升了近2倍。采用改进的YOLOv3方法训练得到的新模型,识别手势精度更高,检测速度更快,整体识别效率大幅提升,平衡了简单样本和困难样本的损失权重,有效提高了模型的训练质量和泛化能力。

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。

FPN-CenterNet安全帽佩戴检测算法

安全帽作为施工场所工人的安全保障,佩戴与否影响着工人的生命安全。在佩戴检测方面引入深度学习可以高效地提醒工人佩戴安全帽。但由于施工图像中安全帽的图像过小,CenterNet表现得并不好。因此针对这个情况,提出了FPN-CenterNet框架;使用ACNet非对称卷积核来对主干网络的特征提取进行增强;使用DIoU损失函数来优化边框预测的准确度。最终修改的算法相较于原始的CenterNet算法mAP提升了4.99个百分点,在GTXGeForce 1050的GPU上的FPS达到25.81。实验结果表明修改之后的算法在安全帽佩戴检测上有良好的准确性和效率。

基于无人机航拍的绝缘子掉串实时检测研究

由无人机代替人工进行电力绝缘子巡检具有重要意义,针对无人机的上位机算力和存储资源有限的问题,提出一种适用于绝缘子掉串故障检测的实时目标检测改进算法.以YOLOv5s检测网络为基础,将颈部结构中路径聚合网络替换为双向特征金字塔网络,以提升特征融合能力;使用DIoU优化损失函数,对模型进行γ系数的通道剪枝和微调,总体上提升检测网络的精度、速度和部署能力;在网络输出处进行图像增强以提升算法可用性.在特殊扩增的绝缘子故障数据集下测试,相较于原始的YOLOv5s算法,改进算法在精度平均值上提升了3.91%,速度提升了25.6%,模型体积下降了59.1%.

基于改进YOLOv3算法的行人目标检测研究

针对行人目标检测任务中目标检测速度慢及小目标难以检测的问题,提出一种融合CBAM注意力机制的YOLOv3多尺度目标检测模型。该算法首先以YOLOv3为基础网络进行特征提取,然后在YOLOv3的多尺度特征融合层新增一个两倍下采样特征图,用于补充小目标特征信息,最后在YOLOv3的各尺度特征图融合后加入卷积注意力模型(CBAM),以加强网络的特征表达能力。模型训练时使用DIOU损失函数代替较为主流的GIOU损失函数,并采用INRIA数据集进行实验。实验结果表明,改进后的YOLOv3目标检测模型精度和速度都有较大程度提升,检测精度最高提升了4.5%,检测速度提升了8帧/s,验证了该模型的可行性与有效性。