基于DenseNet算法的一维桁架数字化装配控制系统仿真及优化

为解决一维桁架在轨建造过程中存在的精确定位难及桁架工位拓展转换控制效率低的技术难题,提出运用数字孪生和人工智能相结合的方式,通过计算机建模技术,构建并完成集自动装配、搬运、检测、信息追溯为一体的数字化装配系统,并与传统工艺对比。结果表明:与传统工艺相比,基于DenseNet算法的数字化装配系统在提高桁架素材故障检测率、空间利用率,减少配套失误,实现全生命周期实时追溯,加快动作节拍等方面效果显著。研究结果为我国宇航制造企业以及装备制造业开展面向智能制造的产品数字化生产线建设提供参考。

基于关键点检测的服装廓形识别

为精准且快速地实现对服装廓形的判断,以秀场连衣裙为研究对象,提出了基于关键点检测的服装廓形分类算法。使用YOLO v8-Pose模型对秀场连衣裙进行关键点检测,提取服装的肩部、胸部、腰部、臀部和底摆两侧共10个关键点,并生成服装廓形图。通过加入Sobel边缘提取算法改进的DenseNet网络深度提取服装廓形特征,采用余弦相似度算法将其与标准的廓形库中提取的特征相比较,最终实现服装廓形的判别与分类。结果表明,该方法能够快速且准确地实现服装廓形的分类,廓形分类准确率达到了95.9%。

基于改进YOLOV3的自然环境下绿色柑橘的识别算法

为研究自然环境下柑橘的图像识别技术,实现柑橘的早期产量预测,提出一种改进的D-YOLOV3算法,实现自然环境下未成熟的绿色柑橘的识别与检测。研究构建绿色柑橘图像数据集,并对采集的图像进行预处理;改进算法采用DenseNet的密集连接机制替换YOLOV3网络中的特征提取网络Darknet53中的后三个下采样层,加强特征的传播,实现特征的复用。通过自制的数据集对D-YOLOV3算法进行测试,并分别对改进前后网络的识别性能、不同预处理方法和不同数据量图像对模型的影响进行试验。试验结果表明,改进的D-YOLOV3算法相对于传统YOLOV3算法精确率提高6.57%,召回率提高2.75%,F_(1)分数提高4.41%,交并比提高6.13%,平均单张检测时间为0.28 s。通过不同果实数量图像对比试验验证了算法的可行性和准确性。研究结果表明,本文提出的D-YOLOV3算法对自然环境下未成熟的绿色柑橘识别具有较高的精准度,为柑橘的早期测产提供了技术支持。

基于改进YOLOv3-DN算法的水利施工危险源辨识

为解决水利工程施工危险源辨识精度低、实时性差及鲁棒性弱等问题,提出了新型智能建设安全管理危险源辨识方法。通过ZED双目视觉相机获取施工现场信息,利用改进的YOLOv3-DN算法辨识危险源要素,并将危险源实时反馈在建筑信息模型(Building Information Modeling,BIM)轻量化平台上。以浙江省八堡泵站工程项目施工现场为例验证改进的YOLOv3-DN算法辨识危险源的准确性。研究表明,该方法在辨识危险源中不仅能大幅提高平均准确率、查准率和召回率,还降低了硬件成本,相对于现有的方法具有明显优势。

基于深度学习优化YOLOV3算法的芳纶带检测算法研究

矿用芳纶带传送设备在长期运输过程中会产生划伤、砸伤等损伤。芳纶带表面缺陷需要及时的检测,而传统机器视觉检测精度低、受背景干扰比较大、漏检率和误检率较高,因此,本文提出运用深度学习神经网络检测,查看一次统一的实时对象检测(you only look once unified real-time object detection,YOLO)。在现场的测试中,YOLOV3算法对小目标的识别精度比较低,敏感度不够,本文优化了YOLOV3算法,网络信息的传输过程,由ResNet(残差网络)替换为特征表述更为完整的DenseNet(密集连接网络),同时运用了卷积降维进行优化,减少检测时间。在现场经过比对,优化后的YOLOV3算法相较于通过频域变换和Otsu算法,检测精度提高了26%,对比没有优化的YOLOV3算法,检测精度提高了15%,通过在现场的实验,该方法有效地改善了对于芳纶带小目标的瑕疵检测。

基于改进YOLOv3的车辆目标检测

为提高交通背景下车辆检测的速度和准确率,拟将YOLOv3算法进行改进。将YOLOv3算法的特征提取网络进行改进,减少不必要的计算以提高算法检测的实时性,并与密集连接网络结合在满足实时性的基础上提升其检测精度,使用参数修正单元PReLU来替代原有损失函数,改善了在复杂环境检测不佳的情况。实验结果表明,提出的改进在准确性和实时性方面皆优于其他算法。

基于改进YOLOv3深度卷积网络的竹垫智能装配方法

针对我国竹垫人工组装劳动强度大、效率低的问题,提出一种基于改进YOLOv3深度卷积网络的竹垫智能装配方法,通过智能识别、定位、摆放和组装实现卡扣式竹垫的装配生产模式。YOLOv3深度卷积网络的改进包括:首先通过在原YOLOv3的特征提取网络Darknet-53中加入DenseNet密集型连接网络结构,提高特征提取能力;再根据实际检测需求减少网络预测尺度,提升检测精度;最后采用K-means聚类算法对YOLOv3中的初始锚点框参数进行优化,以加快识别速度。笔者还设计了试验机进行装配生产试验。该试验机使用CCD相机采集不同图案的竹垫样品图像,对竹垫样品图像进行识别定位处理,获得目标竹垫零件的位置和颜色信息,然后控制摆放系统对目标竹垫零件进行吸取摆放,再启动传送机构输送竹垫零件,最后通过组装系统实现对目标竹垫零件的组装,实现了竹垫检测、摆放、传送、组装自动化。试验结果表明,视觉系统在GPU和CPU下识别定位竹垫零件的平均时间为16.7和105.3 ms,识别均值平均精度M_(AP)为99.86%,平均组装一行竹垫零件的时间为24.63 s,验证了本方法的可行性。

改进的卷积神经网络行人检测方法

提出基于YOLOV3和DenseNet相结合的轻量化行人检测算法。加入HSV图像处理模块强化行人特征,利用卷积神经网络提取行人特征,通过k均值聚类算法筛选预测框,借鉴特征金字塔的思想做高低层特征融合和预测,利用Dense Block结构对网络轻量化进行完善,在国际广泛使用的行人数据集上进行一系列实验。实验结果表明,检测速度比现有的优秀目标检测模型YOLOV3提升了8倍,模型大小为YOLOV3的1/107,所提方法在测试集上的实时性和准确率都有所提高。

基于改进YOLOv5的人脸口罩佩戴检测

为对商场、车站等复杂环境中的人脸口罩佩戴情况进行检测,综合考虑目标密集、遮挡和小尺度目标等因素,提出一种复杂环境下基于改进YOLOv5的人脸口罩检测方法。引入改进DenseNet(密集连接卷积网络),提高网络特征利用率以及网络抗干扰能力;增加检测头部参数,对不同尺度特征跨级连接,增强多尺度信息交流,提高网络对小尺度目标的检测性能;将原有损失函数GIoU替换为CIoU,解决模型收敛速度慢的问题。实验结果表明,在人脸口罩佩戴检测任务中,改进YOLOv5算法mAP(平均精度均值)为97.8%,较YOLOv5算法与其它主流算法具有更高的检测精度,对实际场景中的人脸口罩检测任务具有现实意义。

基于改进YOLO-V4的贴片二极管表面缺陷检测

针对传统目测法检测贴片二极管表面缺陷效率低下和基于手工特征的目标检测算法模型较浅,以及语义性不高等问题,提出了改进YOLO-V4的贴片二极管表面缺陷检测方法。首先考虑到随着网络加深使梯度消失,以及减少网络中的特征冗余和参数量的情况,CSP1模块采用DenseNet替换原网络中的ResNet;其次,为了实现特征信息的跨维度交互,让网络更加关注重要信息,在CSP1模块后引入了三分支注意力机制模块,同时使用FPN+PANet对特征进行融合;并且用CSP2替换CBL×5模块,降低了网络的运算量,提高了算法检测速度;最后优化了Focal Loss函数,对正负样本添加权重,以解决正负样本不平衡的问题。本文算法相较于YOLO-V4的检测精度(precision,P)、召回率(recall,R)和多分类平均精度(mean average precision,mAP),分别高出2.98%,2.65%,2.92%,表明改进YOLO-V4可以有效检测贴片二极管表面缺陷问题。

基于密集卷积神经网络的全卷积池化算法

目前用于图像识别的大多数卷积神经网络(CNN)都使用相同的原理构建,即:卷积层、池化层、全连接层。文中使用密集卷积神经网络重新评估了用于图像识别的所有组件,并对池化层不存在的必要性提出了质疑。经过实验,分析发现池化层可以由步幅增加的卷积层代替,却不会降低图像识别的准确率。研究中则在DenseNets上训练提出的由卷积层替代池化层的方法,组成新的卷积神经网络体系结构,并在多个图像分类的数据集(CIFAR-10,SVHN)上产生了先进的性能。本文提出了基于密集卷积神经网络(DenseNets)的全卷积池化算法,提高了图像分类的准确率。最后,在多个经典数据集上进行比较,实验结果验证了全卷积池化算法的高效性。