R-YOLO轨道人员目标检测模型

针对现有铁路人员入侵识别准确率不高、实时性较差的问题,在YOLOv4模型的基础上提出一种R-YOLO轨道人员目标检测模型。首先,用轻量级骨干网络ResNet50代替原有的CSPDarknet53网络,利用深度可分离卷积替代PANet中的标准卷积,减少网络层数以及模型体积,加快模型的识别速度。其次,在加强特征提取网络的3个特征层分别加入有效通道注意力模块,采用K-means++聚类算法重新对数据集进行聚类和分析,提高目标检测模型的精度;在模型训练方面,采用迁移学习和混合数据集联合训练,解决人员识别精度不理想以及误检漏检等问题。最后,利用R-YOLO轨道人员目标检测模型对真实铁路人员入侵数据集进行测试。结果表明,R-YOLO模型在真实铁路人员入侵数据集上的平均识别精度达到了92.12%,较传统YOLOv4算法高出1.89%,帧速率由38.74 f·s^(-1)提升到47.73 f·s^(-1)。R-YOLO模型部分解决了铁路入侵人员误检漏检问题,提高了铁路人员入侵识别的实时性和准确率,为铁路安全运行提供了保障。

精密元器件工业生产自动化检测的算法研究

在精密元器件的生产过程中,对产品进行缺陷检测是至关重要的一个步骤,同时缺陷检测也是计算机视觉领域一个重点研究内容。文章算法研究使用Python作为编程语言,对图片数据进行预处理以及数据增强后,使用YOLO(You Only Look Once:Unified,Real-Time Object Detection)和Faster R-CNN(Towards Real-Time Object Detection with Region Proposal Networks)模型对图片数据进行训练,同时构建一个高性能的轻量化特征提取网络,实现电子元器件的快速特征提取。

基于深度学习的行人和骑行者目标检测及跟踪算法研究

以YOLOv2网络作为目标检测的基础模型,为提高模型检测群簇小目标的准确率,在YOLOv2中加入残差网络,构成YOLO-R网络,通过构建行人和骑行者样本库,以及修改anchor boxes尺寸等网络参数,训练出更适合检测行人和骑行者目标的网络模型,并通过匹配算法完成行人、骑行者分类,进一步运用Kalman滤波实现多目标跟踪。试验结果表明:在训练样本、网络参数相同的情况下,YOLO-R比YOLOv2网络的平均精度均值(mAP)提高了3.4%,在满足速度要求的前提下,YOLO-R网络检测效果更优。

基于深度学习的目标检测算法综述

计算机网络和人工智能快速发展的时代,人身安全、社会安全以及国家安全越来越受到大众的关注。目标检测在视频处理中发挥至关重要的作用。传统目标检测算法已难以满足目标检测中数据处理效率、性能、智能化等方面的要求。当前流行的深度学习广泛应用于人工智能和目标检测与跟踪。基于此,介绍SPPNet、R-CNN等一系列基于区域提案(Region Proposal)的目标检测方法和YOLO、SSD等基于回归的目标检测方法及优缺点,总结与展望目标检测的未来。

基于深度学习的交通标志检测系统仿真

交通标志是规范驾驶员驾驶的重要指标信息,如何检测交通标志是无人驾驶和辅助驾驶中的关键一环。利用PYQT开发一套基于深度学习的交通标志检测系统,系统包括4个主要模块:用户信息模块、摄像头采集模块、检测模块和保存结果模块。对比目前主流的深度学习目标检测算法YOLOv3和Faster-RCNN在交通标志上的检测效果,并采用YOLOv3作为系统仿真算法,仿真结果表明,YOLOv3兼顾了实时检测和检测精度要求,对无人驾驶和辅助驾驶研究具有一定应用价值。

基于双模型的输电线绝缘子自爆检测算法

针对输电线路无人机巡检图像中绝缘子自爆缺陷目标小而难以精准检测的问题,提出一种基于Faster R-CNN和改进的YOLO v3级联双模型的绝缘子自爆缺陷检测算法。首先,利用无人机巡检图像构建绝缘子串缺陷数据集,并对训练图像样本进行翻转预处理,增加样本数量,提高模型泛化能力,避免过拟合;然后,利用Faster R-CNN检测图像中的绝缘子串,再将检测到的绝缘子串图像送入改进的YOLO v3网络进行自爆缺陷的定位。改进的YOLO v3网络是在YOLO v3基础上借鉴FPN的思想,增加特征提取层并进行特征融合,充分利用深层特征和浅层特征;同时采用CIoU Loss函数作为损失函数,以解决边界框宽高比尺度信息。实验结果表明,本文算法在所构建的绝缘子缺陷数据集上的检测准确率达到91.2%,相比Faster R-CNN或YOLO v3等单模型检测算法提升了3.31个百分点以上,能有效实现无人机巡检中绝缘子自爆缺陷的检测,为输电线路智能化巡检故障诊断提供方法支持。

基于深度学习方法的目标检测技术在自动驾驶汽车的应用研究

在自动驾驶汽车设计中可能会使用不同的目标检测技术,无线电探测与测距技术(RADAR)、光图像探测与测距技术(LiDAR)和计算机视觉是公认的检测技术。计算机视觉是一种从数字图像中提取重要特征的方法,使计算机能够感知物体的特征并解释图像。在近几年的研究中,已经发现计算机视觉警示基于深度学习方法可以实时检测目标并应用在自动化领域。

基于深度卷积网络的中低速磁浮接触轨紧固件松动检测

针对中低速磁浮接触轨紧固件松动的问题,提出一种基于卷积神经网络的检测算法。该算法对底座安装螺栓和连接板螺钉2种紧固件进行松动检测:首先定位接触轨紧固件所在区域,以此排除背景干扰;然后分析紧固件位置变动情况,实现接触轨紧固件的松动检测。通过深度卷积网络对该算法进行了实现和试验验证:采用YOLO V2网络定位2种紧固件所在区域;利用Mask R-CNN网络同时对连接板边缘、绝缘子、螺栓和螺杆,以及连接板螺钉的头部进行分割;通过对分割部位的位置变动情况进行判断实现对紧固件的松动检测。使用长沙中低速磁浮接触轨数据对本文提出的缺陷检测算法进行了试验,底座安装螺栓和连接板螺钉松动检测的精确率均在90%以上,召回率在94%以上。试验结果表明,本文所提的方法能准确地识别出中低速磁浮接触轨松动的紧固件。