基于改进YOLOV5的头盔佩戴检测算法研究

针对目前电动自行车头盔小目标检测正确识别率低、检测速度差且效率低等问题,提出一种改进YOLOV5的电动自行车头盔检测算法。首先,针对各类头盔的大小尺寸以及样式的不同,引入K-means++算法对头盔初始锚框选定,增加网络收敛速度,解决因初始锚点选择不当而造成的模型训练缓慢;其次,引入空间通道注意力机制(CBAM),可兼顾通道以及空间两个维度,提高网络特征学习能力,在Neck部分使用双向特征金字塔网络结构(BiFPN)代替原先的特征提取结构;最后,修改GIoU损失函数作为损失函数来提升模型的检测精度。实验表明,相较于原始的YOLOV5模型相比,改进的YOLOV5算法模型的Precision(精确率)提高了3.7%,Recall(召回率)提高了5.9%,mAP(均值平均精度)提升了3.1%,满足了对头盔检测精度的要求,在某种程度上间接降低了交通事故率。

基于改进YOLOv4的实时目标检测方法研究

为提升实时目标检测的准确性和稳健性,该文采用增强特征融合技术、网络架构技术、损失函数技术等对YOLOv4算法进行优化。结果表明,改良后的YOLOv4算法在多变环境下对小型目标检测表现出色,展现了其实用性和稳定性,为广泛应用奠定了坚实基础。

基于改进FairMOT模型的多类别蚕茧跟踪算法

为获取蚕茧智能分选过程中动态群体蚕茧连续时间的种类及其坐标位置信息,文中提出了一种基于改进FairMOT模型的多类别蚕茧跟踪算法。首先,按类别数扩展预测头的输出维度,并构建多类别损失函数,分别实现对上车茧、黄斑茧和烂茧的跟踪;其次,将原始FairMOT模型中的特征提取网络更改为HarDNet网络,并引入注意力机制,优化蚕茧融合特征;最后,将特征权重同时输入检测和重识别分支进行联合训练,引入GIoU损失函数进行蚕茧检测框尺寸的回归预测,提高检测性能。实验结果表明,文中算法的多目标跟踪准确率达84.6%,整体跟踪帧处理速率为20.9帧/s,多目标跟踪精度、识别F1值、召回率与基于原始FairMOT模型的蚕茧跟踪算法相比分别提高了6.9个百分点、3.6个百分点、2.7个百分点。文中算法可为动态群体蚕茧的分选提供参考。

基于改进YOLOX-s算法的印刷电路板缺陷检测

印刷电路板(Printed Circuit Board,PCB)行业中的缺陷检测是质量监测的关键环节。传统的PCB缺陷检测方法在处理微小且分布复杂的缺陷时可能存在局限性,无法达到理想的检测效果。提出了一种改进的基于YOLOX神经网络的PCB缺陷检测方法,以提高缺陷识别率。改进的方法包括加入CBAM注意力机制以加强特征提取网络,从而聚焦于目标区域,改善检测效果,并解决复杂情况下微小缺陷经常被错误识别和忽视的问题。同时,选择广义重叠联合(GIOU)定位损失函数来关注目标框架之间的重叠区域和中心点距离,以提高模型的定位精度;通过使用VariFocalLoss替换二元交叉熵损失来改善置信度预测损失,从而减小对目标缺陷的漏检率。经过一系列实验,改进后的算法表现更好,平均精度(mAP)达到了96.18%,相较于原算法提高了2.12%。本文提出的方法为PCB缺陷检测提供了更准确和可靠的解决方案。

基于改进YOLOv3模型的道路车辆多目标检测方法

针对YOLOv3模型对真实道路环境下近、远端目标车辆检测率低、鲁棒性差的问题,给出了一种基于改进YOLOv3模型的车辆多目标检测模型——YOLOv3-Y模型。模型基于Darknet-53特征提取网络,将网络输出的8倍降采样特征图与4倍降采样特征图进行拼接,建立104×104尺度的检测层;在包含4个类别的车辆数据集中,利用K均值(K-means)聚类算法选取出12个先验框并分别匹配到4个不同尺度的检测层中;同时引入了GIOU损失函数对交并比(intersection-over-union,IOU)损失函数进行优化。采用实验室实际道路车辆数据集,将YOLOv3-Y与YOLOv2、YOLOv2-voc、YOLOv2-tiny、YOLOv3及YOLOv3-tiny模型进行对比,结果表明:YOLOv3-Y模型的平均精度均值与召回率明显优于上述算法,提升最小值分别为11.05%和5.20%。

基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法

柑橘识别是实现柑橘园果实自动采摘、果树精细化管理以及实现果园产量预测的关键技术环节。为实现自然环境下柑橘果实的快速精准识别,该文提出一种基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法。在采摘机器人领域,果实识别回归框的准确率直接决定了机器手的采摘成功率,该方法通过引入GIoU边框回归损失函数来提高果实识别回归框准确率;为便于迁移到移动终端,提出一种YOLOv3-LITE轻量级网络模型,使用MobileNet-v2作为模型的骨干网络;使用混合训练与迁移学习结合的预训练方式来提高模型的泛化能力。通过与Faster-RCNN以及SSD模型对比在不同遮挡程度的测试样本下模型的识别效果,用F1值与AP值评估各模型的差异,试验结果表明:该文提出的模型识别效果提升显著,对于果实轻度遮挡的数据集,该文提出的柑橘识别模型的F1值和AP值分别为95.27%和92.75%,AverageIoU为88.65%;在全部测试集上,F1值和AP值分别为93.69%和91.13%,Average IoU为87.32%,在GPU上对柑橘目标检测速度可达246帧/s,对单张416×416的图片推断速度为16.9 ms,在CPU上检测速度可达22帧/s,推断速度为80.9 ms,模型占用内存为28 MB。因此,该文提出的柑橘识别方法具有模型占用内存低、识别准确率高及识别速度快等优点,可为柑橘采摘机器人以及柑橘产业产量预测提出新的解决方案,为柑橘产业智能化提供新的思路。

基于改进的YOLOV3口罩佩戴检测算法

为防止病毒的传播,提出一种可以识别人们在公共场合下是否佩戴口罩的目标检测算法。以YOLOV3为基础,将Darknet-53骨干网络结构与Inception-v4思想相结合,在特征提取网络中引入空间金字塔池化(spatial pyramid pooling,SPP)结构,使特征得到增强,准确率得到提升;选取GIoU(generalized intersection over union)损失函数作为评价指标。实验结果表明,改进后的YOLOV3算法能够有效进行口罩佩戴检测,其算法的平均精度均值相比于原始的YOLOV3提高5.4%,达到90.1%。

基于改进YOLOv3的自然场景人员口罩佩戴检测算法

针对新冠肺炎防控期间肉眼识别判断行人是否佩戴口罩效率低且存在较大风险的问题,提出一种改进检测目标边框损失的自然场景下行人是否佩戴口罩的检测算法.该算法对YOLOv3损失函数进行改进,应用GIoU计算目标边界框损失,完成自然场景下行人是否佩戴口罩的检测.算法在开源的WIDER FACE数据集和MAFA数据集上训练,采集自然场景图片进行测试,行人是否佩戴口罩的mAP(mean Average Precision)达到了88.4%,取得了较高的检测准确率,在自然场景视频检测中平均每秒传输帧数达到38.69,满足实时检测的要求.

基于改进faster RCNN的木材运输车辆检测

针对目前森林资源受到盗砍盗伐威胁,相关木材运输车辆行为隐蔽,进而导致无法准确地在交通视频中被识别的问题,提出了一种基于改进fater区域卷积神经网络(faster RCNN)的木材运输车辆检测方法。首先,采用faster RCNN作为基础检测框架,使用金字塔特征网络(FPN)、多尺度训练、锚点框聚类作为基础改进措施;其次,以广义交并比(GIoU)损失函数替换原算法中的smoothL1损失函数作为边界框定位回归的损失函数;最后,计算出在多种实验条件下的模型平均精度均值(mAP),对各种算法进行了对比。实验结果表明,使用GIoU作为损失函数的faster RCNN相比原算法对木材运输车辆检测的平均精度(AP)上升了7.5%,模型平均精度均值(mAP)上升了4.3%;同时,在大型数据集PASCALVOC上,使用GIoU作为损失函数的faster RCNN的mAP达到73.4%,相比其他算法具有明显优势。

基于YOLO v3算法改进的交通标志识别算法

针对目前交通标志识别任务在使用深度学习算法时存在模型参数量大、实时性较差和准确率较低的问题,提出了基于YOLO v3改进的交通标志识别算法。该算法首先将深度可分离卷积引入YOLO v3算法的特征提取层,将卷积过程分解为深度卷积、逐点卷积两部分,实现通道内卷积与通道间卷积之间的分离,从而保证了在较高识别准确率的基础上极大地减少了算法模型参数数量以及计算量。其次,在损失函数设计上使用广义交并比(GIoU)损失替换均方误差(MSE)损失,将评测标准量化为损失,解决了MSE损失存在的优化不一致和尺度敏感的问题,同时将Focal损失加入到损失函数以解决正负样本严重不均衡的问题,通过降低大量简单背景类的权重使得算法更专注于检测前景类。将该算法应用于交通标志任务中的结果表明,在TT100K数据集上,该算法的平均精度均值(mAP)指标达到了89%,相较于YOLO v3算法提升了6.6个百分点,且其参数量仅为原始YOLO v3算法的1/5左右,每秒帧数(FPS)亦比YOLO v3算法提升了60%。该算法在极大地减少模型参数量和计算量的同时,提高了检测速度和检测精度。

改进损失函数的Yolov3车型检测算法

针对yolov3算法应用于车辆类型检测中速度较快但精度相对较低的问题,提出在原始yolov3算法中使用GIoU代替均方差损失函数作为边界框回归损失函数,在边界框置信度损失函数中融入focal loss损失函数两种损失函数改进方法。实验结果表明改进后的yolov3模型在保持速度不变的情况下精度得到显著提升,在交通车型数据集中mAP值相比原始yolv3模型上升了3.62%,具有一定优势。

基于Yolo V4的拥挤路段车辆检测

如今在车流量较为大的地方是需要对车辆进行检测监控,但这项任务艰巨,因此时使用智能化的方式去完成任务是较好的选择。YOLO V4算法是在YOLO V3的算法上添加许多ticks同时对backbone也进行了修改、增加了SPP模块增大模型的感受野。YoloV4在精确度和速度上都有所提升,不仅可以在拥挤路段对车辆完成静态识别,同时也可以完成实时检测。

基于改进的Faster R-CNN车厢编号识别方法

为了识别装煤列车车厢编号图像,提出一种基于改进的Faster R-CNN车厢编号识别方法。首先,引入Retinex图像增强算法对暗光条件下采集的低照度车厢编号图像进行增强,提高低照度车厢编号图像质量;通过分层多尺度区域推荐网络增强对多尺度、小目标车厢编号检测能力;使用基于GIoU的边框回归损失函数,提高车厢编号识别回归框准确率。在环境复杂的装车现场进行实验,车厢编号识别模型在平均精度和F1值分别为9293%和9573%,在开发套件上的推理速度为1帧/s。提出的车厢编号识别方法具有准确率高、识别速度快、漏检率低的优点,为车厢编号识别智能化提出新思路。