基于PPYOLOE的轻量级道路裂缝检测方案

道路裂缝检测问题因为受到路况,天气等复杂因素的影响使得基于图像处理的方案在识别上遇到了一些困难,但是随着深度学习的发展,在大量的图像特征中成功定位和分类裂缝已非难事,而且还能在大型的神经网络中融入图像处理算法进一步提升准确率,利用性能不断迭代的目标检测算法实现道路裂缝检测嵌入式部署将是未来的方向。文章介绍了目标检测算法PPYOLOE的结构特点,通过PPYOLOE,YOLOX,YOLOv5,YOLOv4对道路裂缝数据集进行训练,验证了不同模型的性能,提出了一种PPYOLOE的tiny模型,比其他模型的map高出大约3%,同时通过更换激活函数,使PPYOLOE的mAP提升了1.2%左右。

基于PPYOLOE的师生互助训练半监督目标检测网络

随着深度学习技术的发展,基于卷积神经网络的目标检测技术成为当前计算机视觉领域的研究热点之一.目前主流的目标检测算法依赖于监督学习方式,需要在大量有标注图像数据上训练网络,然而,无标签的数据易于获取,而有标签的数据收集起来通常很困难,标注也耗时和耗力.为了解决数据标注难以获取的问题,提出了教师学生互助训练的半监督目标检测(PPYOLOE-SSOD)算法.首先,同时训练一个学生模型和逐渐改进的教师模型,使用教师模型筛选高质量伪标签,将伪标签作为未标注图像的回归目标,指导学生模型训练,挖掘未标注图像的知识信息,为了减小参数传递的不稳定性,每次迭代学生模型使用指数移动平均方法更新教师模型参数;此外,引入不同种类的半监督数据增强方法来增强网络的抗干扰能力;最后,针对无标注数据的学习,新增无监督学习分支,使用密集学习方式对模型预测得到的特征进行处理,通过对教师模型预测的分类特征排序,自动选择高质量特征作为教师模型生成的伪标签,从而避免了繁琐的伪标签后处理,提升网络的精度和训练速度.在MS COCO数据集上,通过使用半监督学习方法,PPYOLOE在1%、5%、10%的标注数据集上分别得到了1.4%、1.6%、2.1%的精度提升.与其他半监督目标检测算法比较,PPYOLOE-SSOD算法的精度达到最优.代码已开源在https://github.com/wjm202/PPYYOLOE-SSOD.

基于无人机视角下的PPYOLOE-IBN目标检测算法

为提升无人机视角下车辆检测的性能,该实验利用无人机设备,采集地面和高空视角下的车辆视频数据。提出了PPYOLOE-IBN的检测算法,将主干网络浅层结构中BN层(Batch Normalization Layer)的一半通道结构替换为IN层(In⁃stance Normalization Layer),降低了光照、视角等客观因素的影响。在自建的车辆数据集上,算法的平均精度(Mean Aver⁃age Precision,mAP)达到了81.8%,相比改进前的PPYOLOE算法提升了2.6%;与以Transformer为架构的RT-DETR算法相比,高出3.3%。最后在公开数据集UA-DETRAC上作进一步对比,验证算法的有效性。

基于改进型PPYOLOE的电力标志牌检测识别技术研究

针对电力巡检中标志牌难以被高精度识别问题,提出了一种基于改进型PPYOLOE的电力标志牌检测识别模型。首先,通过改进RepResBlock模块结构,加强卷积核单一参数的特征表达能力,增加模型权重维度的同时提升整个网络的泛化能力;然后,引入CIoU损失函数,解决了预测框与真实框不相交、收敛慢的问题,保证预测框和真实框的宽高比更为接近,提高回归精度;最后,改进数据增强Mosaic方法,降低负样本误检率,提高了模型精度和鲁棒性。实验结果表明:所提方法显著提高了检测模型性能,平均精度达98.4%,量化和蒸馏后检测模型体积压缩为原来的26.1%,自制样本库使文字检测和识别精度均超过90%。

基于PPYOLO的工人着装规范检测

针对传统人工检测工人作业时是否规范着装效率低的问题,提出了改进的深度学习检测算法PPYOLO-CA.首先,采用深度可分离卷积将backbone前部分卷积进行替换,深度可分离卷积能够减少参数并且增加网络的非线性度,进而增强其提取特征的能力;其次,通过在backbone的特征提取段添加移动网络注意力机制(CoordAtt)模块,提高图片空间信息提取能力,从而为目标检测提供丰富的特征信息;最后,将空间金字塔池化(SPP)模块改进为SPPF(SPP-Fast)模块,在不影响精度的情况下能有效降低模型的参数量并提高模型的运行速度.为验证该算法,在工人着装数据集上进行仿真实验,实验结果表明:在不同场景下改进模型相比于原始模型的识别效果更好,其中,改进模型平均精度均值(mAP)比原始模型高出1.8%,且在模型参数量上减少了0.14MB.

基于PPYOLO的电池片缺陷检测

为进一步提升太阳能电池片表面缺陷检测效率,改进深度学习检测算法PPYOLO,添加索贝尔(Sobel)算子对输入图片进行处理得到缺陷边缘信息,此边缘信息会过滤大部分正常区域信息,同时能更快找到缺陷区域位置。再将边缘信息和原始图片拼接输入到网络模型中,这样既保留了原始图片的特征,又能防止Sobel算子处理后的信息存在缺失所导致的特征信息丢失。为验证该算法,在高清电池片数据集上进行仿真实验。实验结果表明,添加Sobel算子后的改进PPYOLO模型检测效率有所提升,表现为mAP提升1.4%,并且mAP相比于其他不同输入尺寸和模型大小的算法提升效果超过20%。

基于深度学习的钉螺检测研究

血吸虫病曾是我国流行的主要传染病.该病具有分布广、流行严重、危害大的特点.经过多年防控已取得显著成效.现实环境的复杂多变导致宿主钉螺,目前仍以人为实地勘察为主,人工成本的上升与识别效率的低下,为深度学习的引入带来了契机.钉螺作为小目标物体,本身存在着背景复杂、聚集、遮挡等问题.本文以PPYOLO作为基础结构,引用了PAN、Do-Conv、Ciou loss等结构,为模型引入了更好的特征表达能力.目前最高检测精度有47.5%,相对于之前有了2.8%的提升,漏检率和误检率分别下降14.3%、9.1%.

图像识别技术在识别昆虫种类中的应用

建立了改进的适用于移动设备的实现端到端检测的以MobileNetV3为骨架的昆虫识别PPYOLO模型。通过棉铃虫、黏虫和稻纵卷叶螟图像的获取和数据的增强及标注,建立了insects-base数据集,分析了Faster-RCNN和PPYOLO模型在移动终端上的适用性。通过实验比较了3个预训练模型的识别精度,结果表明:在考虑移动端的适用性与精准度的前提下,基于insects-set自定义的预训练模型为最优PPYOLO模型,利用该模型识别3种农业害虫的mAP值达到0.8218。