基于DIoU损失与平滑约束的结构化SVM目标跟踪方法

基于结构化SVM的目标跟踪因其优良的性能而受到了广泛的关注,但是现有方法存在损失函数不精确和模型漂移问题。针对这两个问题,首先提出基于DIoU损失与平滑约束的结构化SVM模型。该模型采用DIoU函数作为损失函数,利用t时刻超平面法向量w_(t)与t-1时刻超平面法向量w_(t-1)差值的L_(2)范数作为平滑约束。其次基于对偶坐标下降原理设计了该模型的求解算法。最后利用提出的基于DIoU损失与平滑约束的结构化SVM实现了一种多尺度目标跟踪方法。对所提出的目标跟踪方法在OTB100和VOT-ST2021数据集上进行了实验验证,实验结果表明:所提出的Scale-DCSSVM在OTB数据集上的跟踪成功率比DeepSRDCF高1.1个百分点,在VOT-ST2021上的EAO比E.T.Track高1.2个百分点。所提方法具有较优的性能。

基于N3D_DIOU的图像与点云融合目标检测算法

目标检测是自主驾驶和机器人导航的基础,针对二维图像信息量不足,三维点云数据量大、密度不均匀和检测精度低等问题,本文基于深度学习提出了一种融合二维图像与三维点云的目标检测网络进行三维目标检测。为减少运算量,论文首先用二维图像检测器生成的检测框对应的平截头体对原始点云进行滤波;为解决点云密度不均匀问题,提出了一种基于广义霍夫变换的改进投票模型网络用于多尺度特征提取;最后将二维DIOU(Distance Intersection over Union)损失函数扩展为三维空间的N3D_DIOU(Normal 3 Dimensional DIOU)损失函数,提高了生成框和目标框的一致性,进一步提高了点云检测精度。在KITTI数据集上进行的大量实验表明:与经典方法相比,本文算法在汽车三维检测精度上提升了0.71%,在鸟瞰图检测精度上提升了7.28%,取得了较好效果。

改进RRPN模型的遥感图像目标检测

针对遥感目标背景复杂、易受外界环境干扰,传统方法无法满足复杂场景下的检测高精度与实时性要求的问题,提出基于改进RRPN模型的遥感图像目标检测方法。首先,将特征金字塔(FPN)架构引入到了模型的残差网络中,使得遥感图像的高、低层特征得到了有效融合;其次,在特征提取网络中添加了通道和空间相融合的注意力机制(CBAM),提升了模型在遥感图像目标特征提取方面的跨通道和空间处理能力;此外,将剔除重叠建议框时的原始NMS算法优化为DIoUNMS算法,综合考虑遥感图像候选框之间的重叠度、距离、尺度大小等因素,使目标框的回归过程更加稳定。对比实验与消融实验显示,所提方法在公共数据集DOTA和HRSC2016上获得的平均精度均值mAP分别可高达77.30%、90.24%,较原始RRPN模型分别提高了8.29%、11.16%,且优于其他几种较新的经典模型,表明所提方法对于复杂环境下的遥感图像目标检测是合理且有效的。

改进YOLOv5s的堆叠医疗器械检测算法

针对医疗器械堆叠问题和提升医疗器械识别准确率,提出一种改进YOLOv5s的医疗器械检测方法。首先使用C2f模块优化YOLOv5s网络提升模型识别精度,其次在特征融合网络引入SENet,提升模型对有效信息的关注度,最后在DIOU损失函数的基础上引入Alpha交并比(α-IOU)构成α-DIOU,使边界框回归更加准确,精确定位图像中的医疗器械。实验结果表明,改进后的模型在验证集中对医疗器械的精确率、召回率、平均精度均值分别达到81.8%、93.7%、91.5%,相比于YOLOv5s模型分别提升3.2%、3.4%、4.6%。本研究方法简单有效,有望为医疗器械的检测方法提供新思路。

基于改进Yolov5s的增强现实文物识别方法

将增强现实技术应用于数字博物馆的文物展览,有助于拉近参观者与文物的距离,使展览更具趣味性。针对增强现实技术在文物展览应用场景中,增强现实设备采集的文物目标图像背景复杂、文物形状纹理丰富而导致的误检、识别准确率低的问题,提出一种基于改进的Yolov5s的文物识别方法。在Yolov5s网络结构中的骨干网络与颈部网络之间引入了CBAM注意力机制,并在骨干网络中的Bottleneck模块中,使用多头注意力机制替换普通卷积,有效捕获局部信息,降低了无用信息的干扰。为了提高识别网络对于目标文物的边界框定位精度,采用DIoU-NMS方法挑选最优的目标识别框作为最终的预测框。实验结果表明,该方法提高了文物的平均识别精度,比原模型更适用于AR应用文物的目标识别。

基于YOLOv8改进的打架斗殴行为识别算法:EFD-YOLO

在当今社会,打架斗殴检测技术对于防范暴力事件和冲突至关重要。结合监控摄像头和目标检测,能够实时监测人群活动,从而有效预防潜在威胁。因此,提出了一种基于YOLOv8改进的打架斗殴行为识别算法EFD-YOLO。EFD-YOLO采用EfficientRep替换主干网络,提高了特征提取的效率,并在监控范围内实现准确实时的特征提取。引入FocalNeXt焦点模块,通过深度卷积和跳跃连接的结合,解决了遮挡问题和多尺度特征需求问题。采用Focal-DIoU作为边界框回归损失函数,在复杂情况下减少了误检的问题。实验结果显示,EFD-YOLO算法相较于YOLOv8n在mAP@0.5指标上提升了4.2%,在mAP@0.5:0.95指标上提升了2.5%,满足关键场所中实时检测打架斗殴行为的需求。

基于改进YOLOv5m的电动车骑行者头盔与车牌检测方法

电动车上路必须佩戴安全头盔已成为交管部门的强制性规定.为了能自动检测出电动车骑行者的头盔佩戴情况,提出一种基于改进的YOLOv5m模型的头盔与车牌检测方法,在检测出骑行者未佩戴头盔的同时还能检测出电动车车牌.模型使用自建电动车骑行者头盔与车牌检测数据集进行训练,用DIOU损失函数代替GIOU损失函数,DIOU_NMS代替加权NMS,增强模型对密集骑行场景的识别能力.在Backone部位与预测中小目标的Neck部位加入ECA注意力机制,使得模型对中小目标的识别率有所提高;用K-means算法对锚框尺寸重新进行聚类.最后,改进Mosaic数据增强方式.实验结果表明:改进的YOLOv5m电动车骑行者头盔与车牌检测模型的mAP为92.7%,较原YOLOv5m模型提高2.15个百分点,较YOLOv4-tiny、Faster RCNN模型分别提高5.7个百分点与6.9个百分点.改进后的YOLOv5m模型能有效提高对头盔与车牌的识别率.

基于改进YOLOv8n的煤矿带式输送异物检测研究

在煤矿带式输送物料过程中,异物的出现可能会引发输送带撕裂或堵塞等安全风险。针对输送带输送物料中异物多样、人工巡检效率低、硬件限制等问题,提出一种基于改进YOLOv8n的轻量化煤矿带式输送异物检测算法:采用GhostNetV2网络对原CSPDarkNet53主干网络进行轻量化改进,以减少模型的参数和计算量;整合全局平均池化和全局最大池化思想优化SPPF模块,关注煤矿恶劣环境影响下图像的底层信息;设计了headC2f_CA模块,融入通道注意力机制,以便能够更有效地捕捉不同尺度和位置的异物特征,强化特征信息表达;引入DIoU损失函数,精确反映锚框与预测框之间的相似度,提升模型检测精度。实验结果表明,改进后的模型平均精度均值达88.3%,相比于基线模型YOLOv8n,提升了0.8%,参数量减少了18.51%,计算量减小了20.73%,模型大小缩减了15.87%。该模型有效缓解了边缘设备的硬件限制,同时保障了煤矿安全监测的准确性。

基于改进YOLOv5s的骑行头盔佩戴检测算法研究

电动自行车因其出行便利性,逐渐成为主流出行方式。但是在道路交通事故中,电动车骑行人员伤亡率居高不下。为解决电动车高伤亡率的问题,采用改进的YOLOv5s对道路场景下的骑行头盔佩戴情况进行检测。首先,用GSConv Module代替原有YOLOv5s骨干网络中的标准卷积,在保证检测精度的同时,提高网络运行速度;其次,引入CA(Coordinate Attention)坐标注意力机制,补充位置信息,增强关键信息的特征表达;最后,使用DIoU损失函数替换原YOLOv5s中的GIoU损失函数,提升算法的目标检测能力。结果表明,在自建骑行电动车头盔数据集上,改进后的YOLOv5s网络对骑行头盔的检测平均精度比原始YOLOv5s提高了3.7%,能够实现对骑行头盔佩戴的检测。

基于改进YOLOv5s的水果新鲜度检测算法研究

水果新鲜度分级在食品行业中有着重要作用。新鲜度是衡量水果质量的重要标准,直接影响到消费者的身体健康和购买欲望。由于水果颜色、纹理和外部环境变化(如阴影、照明和复杂背景)的相似性,使用机器视觉对水果进行自动识别和分类是具有挑战性的。文章提出一种基于改进YOLOv5s网络模型的多类水果分级方法。首先,引入DIoU-NMS算法,考虑预测框与真实框之间的重叠率以及中心点距离,回归精度得到提高;其次,利用K-means算法对初始锚框进行调整;最后,在主干网络Backbone中嵌入CAM,加强网络的特征提取能力。试验结果表明:改进后的YOLOv5s水果新鲜度检测算法平均检测一张图像耗时为0.028 s,且其mAP达到96.6%,比原来YOLOv5s模型提升了2.4%。所提方法为水果新鲜度检测提供一种高性能的解决方案,并能够以较高的准确率对多类水果进行分级与定位。

基于改进YOLOX的城市河道智能水位测量算法

针对目前基于深度学习水位测量算法存在特征信息提取不充分问题,提出一种基于改进YOLOX的城市河道水位智能测量算法。为了提高YOLOX对多类别密集目标的识别率,在特征融合网络中引入CBAM注意力机制,并采用基于计算目标框信息的损失函数D-IoU加快模型收敛。该算法利用改进后的YOLOX对水尺刻度进行识别与统计,并计算出水位值。试验表明提出的新算法对水尺刻度和数字的平均识别率分别达98.62%和92.23%,最终计算水位的平均误差为1.16 cm,较其他图像识别水位测量算法的平均误差减少了1.76 cm,可实现高精度智能测量城市河道的水位值。

基于改进YOLOv8的行人摔倒检测算法

随着社会老龄化进程的加快,行人摔倒事故成为了一个严重的社会问题。本文围绕基于改进YOLOv8的行人摔倒检测研究展开,针对原始YOLOv8在行人摔倒检测任务中存在的不足,提出了YOLOv8-RFAConv-Diou-Inner-Focaler模型。该模型通过RFA Conv卷积操作,在卷积层引入注意力机制,增强对重要特征的关注,提高特征的表达能力。引入Diou损失函数解决传统损失函数在目标重叠和尺度变化时的不足以及Inner-Focaler损失函数动态调整损失权重。通过实验验证:本文提出的改进算法在行人摔倒检测任务中取得了显著的性能提升,对比原始算法(YOLOv8算法)在平均精度上提高了4.8%。With the acceleration of social aging, pedestrian falling accidents have become a serious social problem. This article focuses on the research of pedestrian fall detection based on improved YOLOv8. In response to the shortcomings of the original YOLOv8 in pedestrian fall detection tasks, a YOLOv8-RFAConv-Diou-Inner-Focaler model is proposed. This model introduces attention mechanism in the convolutional layer through RFA Conv convolution operation, enhancing the attention to important features and improving the expression ability of features. Introducing the Diou loss function to address the shortcomings of traditional loss functions in target overlap and scale changes, as well as dynamically adjusting loss weights using the Inner Focaler loss function. Through experimental verification, the improved algorithm proposed in this paper has achieved significant performance improvement in pedestrian fall detection tasks, with an average accuracy improvement of 4.8% compared to the original algorithm (YOLOv8 algorithm).

基于改进ED-YOLOv5s的矿井安全帽佩戴检测算法

煤矿井下工作中安全帽佩戴是事关工人生命安全的一大关键要素。基于视频图像进行分析的技术虽可以较好地检测工人安全帽佩戴情况从而将事故带来的损害最小化,但是在矿井下的图像收集过程中往往存在各种各样的现实因素,例如环境复杂、存在多个目标等,给技术人员造成很大的干扰。针对以上问题,文章通过引进EMA注意力机制与DIoU损失函数,提出了一种改进的ED-YOLOv5s模型。在自制数据集上对该模型进行了消融实验,结果表明该模型相比原模型在图像检测速度和精度方面都有较大的提升。随后,文章将该算法与YOLOv7-tiny、YOLOv8进行对比实验,结果显示文章算法在矿井下安全帽检测的mAP@50%达到了97.3%。

基于高清摄像头拍摄和改进YOLOX的茶萎芽病识别

为解决当前人工拍摄茶叶病害图像耗时且效率低下的问题,该研究开发了一个高清摄像头图像采集系统,用于茶园中图像数据的实时自动采集。同时,为提高英红九号茶萎芽病的识别率,在YOLOX模型的基础上,采用CBAM注意力模块和DIOU损失函数对其网络结构进行了改进。实验结果显示,改进后的YOLOX+模型在测试集上的mAP@.5达到了91.9%,较YOLOX模型提升了2.2%。这表明YOLOX+在英红九号茶萎芽病识别中取得了较高的识别精度。

基于高效通道注意力机制的Fair MOT多目标跟踪

多目标跟踪是计算机视觉领域中的一个重要且热门的任务。针对在真实复杂场景中目标的漏检以及ID匹配不准确的问题,提出一种基于FairMOT算法的改进算法。通过引入双分支高效注意力机制模块即DMECA,分别加强检测与重识别分支的特征,以解决多任务训练平衡问题。优化分支头的结构,将传统卷积方式修改为深度可分离卷积,并采用LeakyRelu激活函数。在数据关联模块的第二阶段匹配中,使用距离交并比(DIOU)替代交并比(IOU)计算代价矩阵进行匹配。实验结果表明,在MOT17数据集上IDS下降了625,此外HOTA、IDF1分别提高了0.3%、0.4%。

基于改进型YOLOv4的果园障碍物实时检测方法

针对农业机器人在复杂的果园环境中作业时需要精确快速识别障碍物的问题,该研究提出了一种改进型的YOLOv4目标检测模型对果园障碍物进行分类和识别。为了减少改进后模型的参数数量并提升检测速度,该研究使用了深度可分离卷积代替模型中原有的标准卷积,并将主干网络CSP-Darknet中的残差组件(Residual Unit)改进为逆残差组件(Inverted Residual Unit)。此外,为了进一步增强模型对目标密集区域的检测能力,使用了软性非极大值抑制(Soft DIoU-Non-Maximum Suppression,Soft-DIoU-NMS)算法。为了验证该研究所提方法的有效性,选取果园中常见的3种障碍物作为检测对象制作图像数据集,在Tensorflow深度学习框架上训练模型。然后将测试图片输入训练好的模型中检测不同距离下的目标障碍物,并在同一评价指标下,将该模型的测试结果与改进前YOLOv4模型的测试结果进行评价对比。试验结果表明,改进后的YOLOv4果园障碍物检测模型的平均准确率和召回率分别为96.92%和91.43%,视频流检测速度为58.5帧/s,相比于原模型,改进后的模型在不损失精度的情况下,将模型大小压缩了75%,检测速度提高了29.4%。且改进后的模型具有鲁棒性强、实时性更好、轻量化的优点,能够更好地实现果园环境下障碍物的检测,为果园智能机器人的避障提供了有力的保障。

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。

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DA2-YOLOv4算法绿篱识别研究

针对车载式绿篱修剪机自动化修剪需要快速、准确识别绿篱的问题,提出一种DA2-YOLOv4绿篱识别算法。提出一种针对性Mosaic数据增强以获得更合理的数据扩充,使训练结果更具鲁棒性;在CSPDarknet53中引入空洞卷积得到D-CSPDarknet53,获得更大感受野,提升准确率和速度;在SPP中引入平均池化得到A-SPP,充分利用信息,使网络更具鲁棒性;删减小目标检测,获得巨大的速度提升;使用Soft-DIOU-NMS算法,提升目标重叠时的识别效果。最后制作绿篱数据集,对改进效果进行测试,并与其他算法进行对比。试验结果表明,DA2-YOLOv4算法mAP达到98.5%,检测速度达到83.1 FPS,较原始YOLOv4算法分别提高了8.1%和14.9 FPS,而且算法各方面性能均显著优于其他目标检测算法。DA2-YOLOv4完全满足绿篱识别要求,为绿篱修剪行业自动化提供了有力保障。

改进YOLOv3算法下通航机场场面运动目标检测

为获得更好的检测精度和更快的检测速度,保障通航机场场面运行安全,提出一种改进的YOLOv3算法,分别从网络结构和损失函数2方面进行改进。首先,在主干网络中使用深度可分离卷积代替原卷积,构建基于距离交并比(DIoU)的目标框回归损失函数;然后,以某通航机场为研究对象,搭建通航机场场面目标检测场景,采用迁移学习和冻结训练相结合的训练方法,以提升场面目标检测的速度;最后,比较分析所提算法与传统的YOLOv3、YOLOv4算法的识别效果。结果表明:飞机目标的检测效果明显优于车辆和人员目标,改进的YOLOv3算法对目标的检测精度、召回率、全类平均精度(mAP)分别达到92.96%、80.51%、91.96%,图形处理器处理速度高达74帧/s,较传统的YOLOv3、YOLOv4算法性能均有明显提升,可实现通航机场场面运动目标的有效检测。