基于YOLOv3和Deep SORT的草原牛跟踪系统

设计了一种基于深度学习算法的草原牛跟踪系统。融合YOLOv3目标检测算法与Deep SORT目标跟踪算法实现对草原牛的检测跟踪,结合比例—积分—微分(PID)算法控制云台(PTZ)摄像头稳定跟随草原牛转动。在内蒙古苏尼特左旗牧场进行现场实验测试,实验结果表明:系统运行稳定,对草原牛检测准确率较高,跟踪效果较好,可以实现未检测到草原牛时自动巡航、对多只草原牛自动跟踪、以及指定跟踪单只草原牛的功能。

基于深度学习的智能交通车流监测与预测研究

为了方便交通部门改善交通拥堵问题,使用旭日X3嵌入式开发板作为硬件平台,通过YOLOv8深度学习网络识别道路上通行的车辆及其车辆类型。使用开放神经网络交换(Open Neural Network Exchange, ONNX)格式可视化编辑工具去掉了模型的输出头,将网络中的激活函数由SiLU函数更换为ReLU函数,将模型输出由80个检测类别更改为4个检测类别,在Small版本中,使用非极大值抑制算法(Non-Maximum Suppression, NMS)将最合适的检测框筛选出来,然后用SORT(Simple Online and Realtime Tracking)多目标追踪算法和匹配算法将独立帧检测到的车辆关联起来,实现车辆自动计数。在服务器上配置好YOLOv8的训练环境,训练3个周期,测试模型的mAP指标为0.635,推理速度提升至20 fps左右,目标检测系统的计数精度达到98%,可以准确获取到路口的交通流数据,帮助改善交通拥堵问题。

基于深度学习的产品分拣机器人设计

随着人工智能时代的到来,智能机器人被广泛运用在各个领域中,其中分拣式机器人的运用最为广泛,由于其高效快速地完成现代生产生活中的分类工作,因此在工业生产和环境科学等领域都有其身影。通过分析快递行业分拣工作存在的问题,提出了用分拣机器人进行分拣工作的策略,利用Tensorflow框架建立CNN神经网络模型,通过Keras-YOLOV3算法实现将物体归类并生成带有分类以及置信度的锚框,设计了基于深度学习的产品分拣机器人,实现对工厂流水线零件的分类和通过摄像头识别工厂流水线生产零件并利用机械臂完成零件分类工作。

基于改进YOLO v3模型与Deep-SORT算法的道路车辆检测方法

针对道路车辆实时检测遮挡严重与小目标车辆漏检率高的问题,提出了基于改进YOLO v3模型和Deep-SORT算法的车辆检测方法;为提高模型对道路车辆的检测能力,采用K-meansSymbolk@pSymbolk@p聚类算法对目标候选框进行聚类分析,选择合适的Anchor box数量,并在网络浅层增加了特征提取层,可提取到更精细的车辆特征;为加强网络对远近不同目标的鲁棒性,在保留原YOLO v3模型输出层的同时,增加了一层输出层,将52像素×52像素输出特征图经过上采样后得到104像素×104像素特征图,并将其与浅层同尺寸特征图进行拼接,实现车辆目标的检测;为了降低目标遮挡对检测效果的影响,提高对视频上下帧之间关联信息的关注度,将改进YOLO v3模型和Deep-SORT算法相结合,以此来弥补两者之间的不足。试验结果表明:改进YOLO v3模型有效地提高了车辆检测的性能,与在网络浅层增加特征提取层的模型相比,平均精度提高了1.4%,与增加一层输出层的模型相比,平均精确度提高了0.8%,说明改进YOLO v3模型提取的特征表达能力更强,增强了网络对小目标的检测能力;改进YOLO v3模型在引入Deep-SORT算法后,查准率和召回率分别达到90.16%和91.34%,相比改进YOLO v3模型,查准率和召回率分别提高了1.48%和4.20%,同时保证了检测速度,对于不同大小目标的检测具有良好的鲁棒性。

基于视频分析的鸡群活动量异常检测轻量化算法

鸡只生病或受到应激惊扰后,活动量会有显著性异常。通过对鸡只群体活动量的实时监测,实现鸡群生病预警等异常情况提示,这将极大降低家禽养殖企业的经济损失。随着信息技术的发展,计算机视觉由于其非侵入性,以及呈现丰富信息的能力,已成为家禽实时自动化监控系统的一个有效监测工具。通过YOLOv5和改进的Deep SORT算法对鸡群进行多目标检测与跟踪,提取鸡只外观特征和运动特征,将鸡群的活动情况量化,由此判断鸡群活动量是否异常,为鸡群的福利评估提供重要技术支撑。

基于GhostNet与注意力机制的行人检测跟踪算法

针对复杂场景下仅依靠传统的目标检测与跟踪算法进行跟踪时准确度低且速度慢的问题,提出一种基于GhostNet与注意力机制结合的行人检测与跟踪算法。首先,将YOLOv3的主干网络替换为GhostNet,保留多尺度预测部分,利用Ghost模块减少深度网络模型参数和计算量,在Ghost模块中融入注意力机制给予重要特征更高的权值。然后,引入目标检测的直接评价指标GIoU来指导回归任务。最后,利用Deep-Sort算法进行跟踪。在公共数据集上实验表明,改进后的模型平均精确度均值(mean Average precision,mAP)达到了92.53%,帧速率是YOLOv3模型的2.5倍;所提算法跟踪准确度优于改进前及其他算法,可以精确有效地跟踪复杂场景下的多目标行人,并具有较强的鲁棒性。

基于卷积神经网络的简易垃圾分类系统设计

为了提高垃圾分类的效率,基于深度学习技术设计了一个垃圾自动分类系统。该系统由以K210为主控的图像识别模块、基于MPPT算法的太阳能供电模块和基于STM8单片机的垃圾分拣模块三部分组成。该系统搭建简易,作为一种验证性方案,具备一定参考价值。

深度学习算法在颗粒状农产品品质分选中的应用研究

颗粒状农产品品质分选的传统方式多是借助人工方法进行挑选与筛查,存在筛选效果差、效率低等问题.针对这种状况,研究在对颗粒状农产品品质分选中引入了深度学习算法,构建了色选图像分类算法,选取颗粒状农产品中的花生作为研究对象,借助深度学习算法中的卷积神经网络对花生图像进行分类,并从数据集、过拟合、指数衰减、滑动平均模型和卷积神经网络简化等方面进行优化设计.研究结果表明,优化后的卷积神经网络结构提升了训练的收敛速度,减少了过拟合影响,指数衰减之后的学习率提升至98.18%,简化后的卷积神经网络准确率达到95.64%.将深度学习算法应用于颗粒状农产品的品质分选,大大提高了颗粒状农产品图像的分辨率以及分类的精确度,对色选系统性能的提升以及在农业加工领域拓展机器视觉应用有重要的实践意义.

基于YOLOv4-tiny的铁路车站旅客流量和旅客异常行为监测研究

安全是铁路运输的永恒主题,为了实现对车站局部客流量的实时统计以及对旅客异常行为的监测和主动报警,设计了一种基于YOLOv4-tiny和Deep Sort算法的客流量统计和异常行人监测系统。采用深度学习YOLOv4-tiny算法检测行人目标以及旅客异常行为,利用Deep Sort算法进行对检测到的行人进行实时跟踪计数。实验结果表明该方法对客流量统计效果良好,平均精度达到81.65%;对行人及异常行为检测准确度达到82.99%。

基于YOLOv3算法的教室学生检测与人数统计方法

教室环境中人群密度高、重叠部分较大的特点会给人数统计工作带来困难。基于深度学习YOLOv3目标检测算法对学生目标进行检测,并加入Deep-Sort算法为核心实时追踪方法,对YOLOv3算法检测到的学生目标进行一段时间的跟踪,从而克服传统视频人数统计方法中忽略视频上下帧关联信息的缺点,并且能更好地解决视频遮挡问题。目标检测方法中的损失函数用tan方损失函数代替原有交叉熵损失函数,跟踪算法中的卡尔曼滤波算法采用Levenberg-Marquardt对修正后的轨迹预测予以优化。最后,对该方法进行性能评价与对比实验,包括是否加入上下文信息对比以及与SVM目标检测算法作对比。实验结果表明,此方法在测试集中,加入上下文信息后准确率达93.4%,召回率达81.4%。对比SVM,该方法在教室视频人数统计中准确率提升2.1%,召回率提升8.9%。

基于强化学习的改进NSGA-Ⅱ算法的城市快速路入口匝道控制

为了缓解城市快速路拥堵和尾气排放问题,提出了基于竞争结构和深度循环Q网络的改进非支配排序遗传算法(non-dominated sorting genetic algorithm Ⅱ based on dueling deep recurrent Q network, DRQN-NSGA-Ⅱ).该算法结合了基于竞争结构的深度Q网络(dueling deep Q network, Dueling DQN)、深度循环Q网络(deep recurrent Q network, DRQN)和NSGA-Ⅱ算法,将Dueling DRQN-NSGA-Ⅱ算法用于匝道控制问题.除了考虑匝道车辆汇入以提高快速路通行效率外,还考虑了环境和能源指标,将尾气排放和燃油消耗作为评价指标.除了与无控制情况及其他算法进行比较之外, Dueling DRQN-NSGA-Ⅱ还与NSGA-Ⅱ算法进行了比较.实验结果表明:与无控制情况相比,本算法能有效改善路网通行效率、缓解环境污染、减少能源损耗;相对于无控制情况,总花费时间(total time spent, TTS)减少了16.14%,总尾气排放(total emissions, TE)减少了9.56%,总燃油消耗(total fuel consumption, TF)得到了43.49%的改善.

基于数据驱动代理模型的城市输电网运行品质调节控制策略

传统电网运行品质调节控制忽略了高压配电网拓扑结构对潮流转供的作用。将高压配电网计入所提城市输电网运行品质调节控制策略中,通过高压配电网的拓扑重构,提升输电网运行品质。通过马尔科夫链蒙特卡洛抽样生成大量高压配电网拓扑数据,计算每种拓扑下的运行品质,包括线路损耗、母线电压、线路负载率和断面负载率。使用深度神经网络拟合高压配电网拓扑和以上输电网状态参数之间非线性关系,生成基于深度神经网络的城市输电网运行品质评估代理模型。该数据驱动代理模型可以实现快速高效的输电网状态评估。之后将数据驱动代理模型嵌入非支配排序遗传算法(NSGA-Ⅱ)的寻优计算中,对高压配电网拓扑结构进行迭代,寻找到能提高城市输电网运行品质的拓扑重构策略。所提算法在某城市电网进行验证,显著提高了城市输电网运行品质。

基于深度学习与多级匹配机制的港区人员轨迹提取

针对港口环境空间布局复杂,集装箱堆场、起重机械、装卸运输设备等复杂背景干扰下港区工作人员难以被准确跟踪的问题,本文面向港口监控视频提出一种基于Faster-RCNN(Faster Region Convolutional Neural Networks)检测算法和改进Deep SORT(Deep Simple Online and Realtime Tracking)跟踪算法的港区工作人员轨迹提取框架(FRIMDS)。本框架加入自适应高斯降噪和直方图均衡化算法,融合图像增强技术和行人重识别网络(Person Re-identification,ReID)提取港航图像特征信息,以提高港区工作人员轨迹提取的快速性和准确度。通过前置特征提取网络、候选区域建议网络、感兴趣区域池化和全连接层联合输出港区工作人员图像序列检测结果,采用级联匹配和匈牙利算法匹配港区工作人员位置信息,最后利用卡尔曼滤波预测得到港区工作人员运动轨迹。结果显示,本文所提方法在各典型港口场景中面对不同光照变化、低能见度、阴影干扰等挑战均表现出良好的性能,E_(IDF1)、E_(IDR)、E_(RCLL)、E_(MOTA)指标平均值分别为98%、97%、97%、95%。结论表明,本文提出的FRIMDS框架具有一定的精确性和稳定性,可为自动化码头安全监管提供技术支撑。

基于深度强化学习种群优化的演化式分拣调度算法

机械制造中的产线分拣作业具有问题与数据的双重复杂性,为了对分拣操作进行优化以提高生产效率,设计了一套分拣作业的数据表示方法与一种基于种群优化的演化式算法,同时整理并公开了一个真实的工业数据集。数据表示方法通过借鉴词袋模型对原始作业数据进行抽象表示;演化式算法使用深度强化学习初始化遗传算法中的种群,同时引入了精英保留策略以提高算法的优化能力。最后,将提出的算法与其他算法在真实的工业数据集与旅行商问题数据集上进行了对比。结果表明,该算法能找到更优的分拣顺序与访问路径,验证了算法的有效性。

基于深度学习的行人检测与跟踪系统的设计与实现

针对复杂环境中行人静动态监测的需求,设计了一个基于深度学习的行人检测与跟踪系统。文章首先利用YOLO系列算法实现对行人目标的检测,然后,在此检测结果的基础上有效结合SORT跟踪方法来实现对行人的多目标跟踪,并实现了易于用户操作的图形化系统界面。针对于无法平衡行人检测速度与精确度的问题,文章设计的系统提供了可以根据监测场景的不同而选择具有不同优点的算法模型的模型选择功能。通过实验表明,该系统能够较好地完成复杂环境下的行人检测与跟踪,推动行人检测与跟踪系统领域的进一步发展。

基于深度学习的工业分拣机器人快速视觉识别与定位算法

针对工业分拣机器人识别复杂工件慢、精确度低以及定位不准等问题,提出一种基于深度学习的快速识别定位算法.通过工业高精度相机获取目标图像信息,经过图像灰度化、图像滤波、Otsu二值化处理,再经边界像素检测算法定位并分割目标图像.运用已训练的深度卷积神经网络(CNN)对目标进行识别,得到目标所在的位置坐标以及所属类别,实现工业机器人分拣.实验测试中以纹路复杂的象棋为例进行定位识别,结果表明定位算法误差小于0.8 mm,最快识别速度达0.049秒/个,在实验环境中识别精度能保持在98%以上,表明算法具备良好的准确性和稳定性.

基于改进YOLOv3的多目标跟踪算法研究

针对目前多目标跟踪过程中漏检率高和检测速率慢的问题,提出一种改进YOLOv3网络结构的多目标跟踪算法。首先,利用K-means++聚类算法对数据集中的目标边框进行聚类,根据聚类结果优化网络的先验框参数。然后,在Darknet-53特征提取层中引入深度可分离卷积模块,用深度可分离卷积代替标准卷积,减少参数量,并在YOLO预测层中引入SENet模块,利用SENet模块突出特征图的关键通道信息。最后,选定经典的trackingby-detection框架,使用改进的YOLOv3算法来实现对目标信息的检测工作,跟踪部分选用Deep-SORT算法进行跟踪。实验结果表明,所提出的多目标跟踪算法能够有效地减小漏检率,同时兼顾了算法的检测精度和实时性。

基于拓扑排序方法的预约检查流程优化

【目的】为了优化医疗服务流程,改善患者就医体验。【方法】将图论中的拓扑排序的模型和算法应用到医院的计算机信息系统中。【结果】在线性时间复杂度O(|V|+|E|)内,可为门诊患者相关医技检查提供精准预约和流程排序优化的服务信息。在比较精准预约和流程优化实施前后的效果时,选取了一定时间段内200例患者的数据,采用随机数表法进行分配,分为观察组和对照组,每组人数为100例。对照组采用以前的医技检查流程,观察组采用的是就诊精准预约和流程排序优化方法,观察两组患者在医技检查流程中所花费的时间以及患者的满意度。【结论】采用精准预约和流程排序优化方法后,使得医院和患者双方的流程更加合理优化,提高了患者对医技检查次序清楚的程度,有序的就诊流程改善了患者群体就医的满意度,也有助于提高医院的医疗服务水平和管理效率。