多视角图像与PP-YOLOE结合的人群QR码检测方法

现有目标检测系统在人群密集场景中无法有效实现尺寸极小快速响应码(QR码)的批量自动化检测,为此,提出一种基于多视角图像与改进PP-YOLOE模型的人群QR码辅助检测方法:首先构建多视角图像采集系统,通过侧视图与顶视图图像完成多种目标归属主体的正确关联;随后在路径聚合网络(PAN)中增加跨层空间注意力模块,提升模型算法小目标检测能力;利用深度可分离卷积对RepResBlock模块进行轻量化改进,提升模型算法执行效率.与其他4种算法的对比实验表明,最优有效目标检测准确率提高9.9%,单次可完成的检测数量达到13个、单目标检测平均耗时72.5 ms.

基于PP-YOLOE的城市排水管网缺陷检测及应用

城市排水管网所处环境较为复杂,需要定期进行维护,相关人员需对管道机器人采集的管网CCTV视频逐个进行检查判断。为了节约人力成本,采用深度学习中的目标检测算法(PPYOLOE)智能检测视频中的缺陷信息,并与零样本检测算法(Grounding DINO)进行对比。测试结果表明,PP-YOLOE算法检测的精确率、召回率、准确率分别为1.000、0.875、0.944,大大优于Grounding DINO算法,更适用于排水管网场景。随后,将含有缺陷信息的图片展示在排水管网三维GIS可视化管理平台,便于管理人员直观掌握缺陷情况,辅助提供决策支撑。该项研究成果已在黑龙江某地区的排水管网应用,并取得了较好的效果。

基于改进PP-YOLOE和ByteTrack算法的红外船舶目标检测跟踪方法

针于无人机侦察采集到的红外影像,如何快速准确地检测到船舶目标,并进行连续跟踪,提出了一种基于改进PP-YOLOE和ByteTrack算法的红外船舶目标检测跟踪方法。对红外船舶目标检测过程中存在的多尺度、小目标、有遮挡的情况,在PP-YOLOE算法基础上,通过采用任务对齐学习(task alignment learning,TAL)、增加多采样路径、加强检测头的方式进行了相应的改进;对跟踪过程中通常存在遮挡容易导致跟踪丢失的情况,在ByteTrack算法基础上,通过将卡尔曼滤波与匈牙利算法相结合、增加ReID特征计算外观相似度的方法进行了一定的强化。实验结果表明,所提方法检测精度较高,跟踪效果较好,能够满足现实任务的需要。

基于PP-YOLO的农业病虫害识别算法

为解决因害虫尺度多样性导致其识别度相对较低的问题,本研究提出了一种基于PP-YOLO(PaddlePaddleYou Only Look once)的农业病虫害识别算法。选取2359个病虫害样本数据集,按照9∶1的比例进行训练集、测试集的划分;选择PP-YOLO模型进行病虫害监测,并利用平均精度mAP(mean average precision)指标进行模型精度评价;探讨PP-YOLO结合数据增强mixup、颜色扭曲法在病虫害中小目标检测上的适用性。结果表明,PP-YOLO模型在病虫害中小目标检测方面mAP达47.4%、26.5%;基于PP-YOLO模型结合数据增强mixup与颜色扭曲后在病虫害中小目标检测上mAP分别提升4.3%、2.9%。总之,PP-YOLO模型可有效检测识别农作物害虫,同时,数据增强mixup与颜色扭曲法可有效提升病虫害的数据样本指标。

基于PP-YOLO的电子焊接实训装置安全报警系统

为解决电子焊接实训过程由于电烙铁的错误放置、电源关闭不及时等行为容易引发火灾或烧伤事故的问题,对实训过程中的安全隐患进行了分析并制作了一套目标检测数据集,利用该数据集对骨干网不同的两种PP-YOLO目标检测模型进行了训练.经过对比,最终选择性价比更高的基于“MobileNetV3_large”骨干网的模型进行部署,形成了一套电子焊接实训装置安全报警系统.验证结果表明,该系统能够准确地检测安全隐患并发出报警提醒,可有效降低安全事故发生概率.

改进的PP-YOLO网络遥感图像目标检测

为了提高遥感图像目标检测精度,提出一种改进的PP-YOLO网络遥感图像目标检测方法。改进的PP-YOLO网络继承了骨干网络结构,改进了PP-YOLO网络的检测颈部分,在保持原检测颈框架基础上,在第4层和第5层加入了由低层网络向高层网络传达的通路,使得网络低层部分可以学习到高层部分的特征信息,加强高层网络学习的特征信息,在保证网络泛化能力的同时比未改进优化同骨干网络的PP-YOLO网络其平均精度均值(mAP)提高了4.4%。同时,优化了PP-YOLO网络训练策略,即基于遥感数据集特点,以更优的CutMix数据增强算法替换掉原有的Mixup数据增强算法,加入GridMask算法增强网络特征的学习,实验取得了最高89.3%的mAP,有效地提高了每一类目标实例的精度。

基于PP-YOLO改进算法的脐橙果实实时检测

深度学习已被广泛应用于智能采摘领域,消除不同环境场景对目标识别和检测产生的不利影响,对采摘机器人实现精准高效的工作至关重要。采用基于单阶段目标检测网络改进的PP-YOLO模型对树上成熟脐橙的识别进行研究,通过添加可变形卷积的主干网络ResNet提取特征,结合特征金字塔网络(FPN)进行特征融合,实现多尺度检测,并采用K-means聚类算法得到与目标脐橙适宜的anchor尺寸,减少训练时间及预测框置信度误差。实验结果表明:改进的PP-YOLO检测模型可完成晴天逆光、晴天顺光和阴天环境下的脐橙检测任务,检测准确率分别为90.81%、92.46%和94.31%,检测速度可达到72.30 fps、73.71 fps和74.90 fps,可以尝试在脐橙采摘机器人的研制中加以应用。

基于PP-YOLO深度学习模型的赣南脐橙果实识别方法

果实检测在研究脐橙采摘机械化发展中有着重要作用,然而不良天气条件将对目标果实的检测和识别产生不利影响。针对雾天和雨天情形下脐橙果实图像模糊、噪声复杂,检测速度较慢和准确率较低的问题,通过采用单阶段目标检测网络PP-YOLO来研究不良天气条件下赣南脐橙果实的识别。通过主干网络ResNet提取特征并结合FPN(特征金字塔网络)进行特征融合实现多尺度检测,且基本实现端到端检测。实验结果表明,所提出的PP-YOLO检测模型可实现雾天和雨天情况下赣南脐橙检测任务,mAP分别为89.06%和91.01%,识别效率分别可达到75.30 fps和75.44 fps,可以尝试在脐橙采摘机器人的研制中加以应用。

目标检测在链条标准件动态抓取中的应用研究

为提升链条装配车间的自动化和智能化水平,满足对于生产线传送带上链条标准件的准确分类、定位和抓取,使用基于深度学习的机器视觉目标检测技术,提出了一种具备通用性且满足工业实时性要求的动态抓取方法,由视觉系统与抓取系统组成。视觉系统采用深度学习目标检测模型YOLOE对采集的图像进行处结果显示目标检测和分类准确率90%以上,传送带8mm/s速度下抓取成功率为100%,能够高效、准确、平稳的实现机器人对动态目标的准确快速抓取。

基于PaddleDetection的老人跌倒预警系统设计与实现

在大数据时代的背景下,针对目前存在无法有效实现老人跌倒预警及跌倒后无人看护、无法及时就医的问题,设计了一种基于PaddleDetection的老人跌倒预警系统,当老人即将跌倒时或跌倒后发出警报指令能通过云平台传输消息到家人手机,以便及时就医。文中采用PP-YOLOE+作为检测模型,通过数据预处理、模型训练和模型评估三个步骤,得到了一个AP(平均精准率)达54.4%的实时跌倒检测模型,有效减少跌倒事件对老人身体的损害,具有较高的研究和实用价值。

基于国产软硬件的深度学习平台设计与验证

随着国内外政治经济形势的日益变化,实现核心技术的自主可控显得尤为重要。深度学习被应用到生活以及军事领域中,实现深度学习模型训练及推理的国产化具有重要意义。设计了一种基于全国产软硬件的深度学习平台,实现目标识别领域模型的训练,并搭建目标跟踪系统,对深度学习训练平台的实用性进行验证。