基于改进YOLOv7⁃tiny的画钟测验识别

画钟测验是筛查认知障碍人群的一种重要医学手段。针对目前画钟测验中存在目标尺度不同和类别不平衡的问题,提出一种基于改进YOLOv7⁃tiny的画钟测验识别算法。为改善尺度变化和小尺度目标检测带来的错检漏检问题,引入BiFPN双向特征金字塔结构,双向信息传递机制可有效融合不同层级特征,捕捉不同尺度特征中更丰富的上下文和细节信息。为提升类别不平衡指标的识别准确度,采用WDLoss损失函数计算损失提高小目标识别敏感性。此外还创建了一个基于认知障碍群体的画钟测验数据集,在此数据集上实验表明,改进后YOLOv7⁃tiny算法对画钟测验数据集所有类别的mAP为94.28%,相比于原YOLOv7⁃tiny模型提高了1.13%,不均衡类别中指针的AP提高了12.2%。

基于改进YOLOv7⁃tiny的户外行人检测算法研究

在行人检测的高密度交通场景中,检测算法通常会漏掉被遮挡和远处的模糊行人,同时无法兼顾检测的精度和速度。针对这些问题,基于YOLOv7⁃tiny提出一种改进的户外行人检测算法。该算法引入SENet注意力机制,抑制了不相关的信息,以此提高特征图表达信息的能力,同时增强了对行人目标特征的提取。为了更好地识别目标的边缘和重叠情况,提高回归精度,在损失函数中用SIoU代替CIoU,提升了遮挡情况下的检测率。根据在WiderPerson数据集上的实验,在保证检测速度的前提下,对比YOLOv7⁃tiny检测算法,平均检测精度提升了2个百分点。实验结果表明,经过改进的算法可以显著提高检测性能。

改进YOLOX Tiny与DeepSort相结合的多目标跟踪算法

针对多目标跟踪时有发生误检、漏检等情况,提出了CSD YOLOX Tiny的多目标跟踪算法。在骨干网络中搭建结合三卷积的跨阶段局部Swin Transformer Block结构,提升网络模型对全局和上下文信息的捕获能力。在网络中引入组归一化,加快网络模型收敛速度并提升跟踪精度;采用坐标注意力机制对不同通道特征之间的相关信息进行有效整合,提升网络模型对感兴趣区域特征的获取能力。实验结果表明:提出的多目标跟踪算法跟踪精度提升了2.36%,达到56.38%。在保证网络模型参数量较少、计算量较小的情况下,提出的跟踪算法较好地改善误检和漏检问题,相比于YOLOX Tiny DeepSort算法误检、漏检数量分别减少了811、1574个,能满足常规设备实时高效的多目标跟踪任务需求。

一种改进的tiny YOLO v3煤矸石快速识别模型

传统的煤矸石分选方法效率低下、安全隐患较大、应用范围受限,现有的基于机器视觉的煤矸石图像识别方法在模型识别速度与精度上难以平衡,未综合考虑输入图像尺寸不一、重要通道权重较低及卷积参数量大对模型精度的影响。针对上述问题,在tiny YOLO v3模型的基础上,提出了一种改进的tiny YOLO v3煤矸石快速识别模型。首先,在tiny YOLO v3模型引入多卷积核组合池化的特征金字塔池化(SPP)网络,确保输入特征图可被处理为固定尺寸再输出;其次,引入RGB通道权重可调节的压缩激励(SE)模块,用于增强前几层特征图各通道之间的联系,强调感兴趣通道的特征值和不同目标特征之间的差异性,确保关键信息的捕捉和网络灵敏度;最后,引入包含0权值点的空洞卷积替代tiny YOLO v3模型中部分卷积层,在不增加模型参数的前提下,可捕获多尺度上下文信息进而扩大感受野,提高模型计算速度。将该模型分别与tiny YOLO v3模型、Faster RCNN模型、YOLO v5系列模型进行对比,结果表明:(1)与tiny YOLO v3相比,改进的tiny YOLO v3煤矸石快速识别模型的识别准确性和快速性都有显著提升。(2)与Faster RCNN相比,改进的tiny YOLO v3煤矸石快速识别模型训练时间减少了65.72%,识别精度增幅为11.83%,识别召回率增幅为0.5%,模型平均精度均值(m AP)增幅为3.02%。(3)与YOLO系列模型相比,改进的tiny YOLO v3煤矸石快速识别模型在保持识别精度优势的情况下识别速度有大幅增长。消融实验结果表明:改进的tiny YOLO v3煤矸石快速识别模型的识别准确率为99.4%,较加入SPP网络的tiny YOLO v3模型的识别准确率提高了4.9%;测试每张图片耗时12.5 ms,较加入SPP网络的tiny YOLO v3模型耗时减少了1 ms。

基于改进 Tiny YOLOv3 的交通标志检测方法

针对智能驾驶场景下的小尺寸交通标志检测准确率不高的问题,提出一种基于Tiny YOLOv3网络的交通标志检测算法。通过使用深度可分离卷积重构特征提取网络和增加浅层与深层特征层之间的特征融合,提高模型对小目标的注意力;同时修改anchor boxes尺寸,提升预测框的准确度。在TT100K交通标志数据集上的试验结果表明,提出算法的平均精度均值(mAP)较Tiny YOLOv3提高了19.3%,对小尺寸交通标志检测具有更强的鲁棒性。

融合浓度特征的YOLOv7tiny烟雾检测改进算法

火灾初期常伴随着烟雾产生。为解决火灾早期烟雾浓度低、目标尺度小难以检测的问题,本文提出一种融合烟雾浓度特征的YOLOv7tiny烟雾检测改进算法。改进算法包括:①利用暗通道先验理论提取烟雾浓度特征,并将合成的αRGB图像用作检测网络的输入特征,用以增强稀薄烟雾特征;②设计light-BiFPN多尺度特征融合结构,降低算法在小目标烟雾的检测效果;③采用深度可分离卷积替换原标准卷积,进一步减少模型参数量。在自制数据集中的实验结果表明,改进算法在稀薄烟雾及小目标烟雾的检测任务上更具有优越性,mAP@0.5和Recall分别达到94.03%和95.62%,检测FPS提高至118.78帧/s,模型参数量减少至4.97M。改进算法在火灾初期的稀小烟雾检测领域更具优越性。

基于MSRCRYOLOv4tiny的田间玉米杂草检测模型

为实现田间环境下对玉米苗和杂草的高精度实时检测,本文提出一种融合带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration,MSRCR)增强算法的改进YOLOv4tiny模型。首先,针对田间环境的图像特点采用MSRCR算法进行图像特征增强预处理,提高图像的对比度和细节质量;然后使用Mosaic在线数据增强方式,丰富目标检测背景,提高训练效率和小目标的检测精度;最后对YOLOv4tiny模型使用K-means++聚类算法进行先验框聚类分析和通道剪枝处理。改进和简化后的模型总参数量降低了45.3%,模型占用内存减少了45.8%,平均精度均值(Mean average precision,mAP)提高了2.5个百分点,在Jetson Nano嵌入式平台上平均检测帧耗时减少了22.4%。本文提出的PruneYOLOv4tiny模型与Faster RCNN、YOLOv3tiny、YOLOv43种常用的目标检测模型进行比较,结果表明:PruneYOLOv4tiny的mAP为96.6%,分别比Faster RCNN和YOLOv3tiny高22.1个百分点和3.6个百分点,比YOLOv4低1.2个百分点;模型占用内存为12.2 MB,是Faster RCNN的3.4%,YOLOv3tiny的36.9%,YOLOv4的5%;在Jetson Nano嵌入式平台上平均检测帧耗时为131 ms,分别是YOLOv3tiny和YOLOv4模型的32.1%和7.6%。可知本文提出的优化方法在模型占用内存、检测耗时和检测精度等方面优于其他常用目标检测算法,能够为硬件资源有限的田间精准除草的系统提供可行的实时杂草识别方法。

基于增强Tiny YOLOV3算法的车辆实时检测与跟踪

针对深度学习方法在视觉车辆检测过程中对小目标车辆漏检率高和难以实现嵌入式实时检测的问题,该文基于Tiny YOLOV3算法提出了增强Tiny YOLOV3模型,并通过匈牙利匹配和卡尔曼滤波算法实现目标车辆的跟踪。在车载Jetson TX2嵌入式平台上,分别在白天和夜间驾驶环境下进行了对比试验。试验结果表明:与Tiny YOLOV3模型相比,增强Tiny YOLOV3模型的车辆检测平均准确率提高4.6%,平均误检率减少0.5%,平均漏检率降低7.4%,算法平均耗时增加43.8 ms/帧;加入跟踪算法后,本文算法模型的车辆检测平均准确率提高10.6%,平均误检率减少1.2%,平均漏检率降低23.6%,平均运算速度提高5倍左右,可达30帧/s。结果表明,所提出的算法能够实时准确检测出目标车辆,为卷积神经网络模型的嵌入式工程应用提供了参考。

Tiny YOLOV3目标检测改进

针对Tiny YOLOV3目标检测算法在实时检测中对行人等小目标漏检率高的问题,对该算法的特征提取网络、预测网络、损失函数等进行研究改进。首先,在特征提取网络中增加2步长的卷积层,代替原网络中的最大池化层进行下采样;接着,使用深度可分离卷积构造反残差块替换传统卷积,降低模型尺寸和参数量,增加高维特征提取;然后,在原网络两尺度预测的基础上增加一尺度,形成三尺度预测;最后,对损失函数中的边界框位置误差项进行优化。实验结果表明,改进后的Tiny YOLOV3算法的目标检测准确率比原算法提高了9.8%,满足实时性要求,具有一定鲁棒性。本文方法能够更好地提取目标特征,多尺度预测和边界框位置误差的改进能更准确地对目标进行检测。

大豆GmTINY1基因的克隆与表达分析

采用基因芯片技术,从大豆中鉴定了一个荚优势表达基因。利用生物信息学的方法,拼接了该基因的全长序列,并通过RT-PCR克隆了该基因。Blast检索分析表明,该基因编码一个具有AP2结构域的转录因子,且与拟南芥DREB类蛋白TINY的氨基酸相似度最高,将该基因命名为GmTINY1。GmTINY1包含一个735bp的开放阅读框,编码244个氨基酸残基。GmTINY1与拟南芥TINY和TINY2蛋白的相似度分别为59%与62%。系统发生分析表明,GmTINY1、TINY和TINY2位于一个分支,且同属于DREB亚家族。实时定量RT-PCR检测表明,GmTINY1基因在荚中高丰度表达,在花中的表达量也较高,在根中的表达量较低,而在叶片中未检测到表达。基因芯片信息分析结果表明,GmTINY1在种子发育的子叶期的种脐部分高丰度表达。由此推论,GmTINY1基因在大豆生殖器官发育中可能发挥调控作用,可能与种子发育过程中种脐的形成有关。

嵌入式操作系统RTX51 Tiny的分析及应用

在嵌入式开发中,嵌入式操作系统的应用是重要的一环。文中对一种适用51单片机的实时多任务操作系统———RTX51 Tiny进行应用。首先从任务管理和内存管理的角度来分析该操作系统,在此基础上,用C语言编写应用程序traf-fic。应用实践得到以下结论:该操作系统的应用程序启动简单,没有操作系统的启动过程;短小精悍,代码不足50行;运行可靠,仿真、硬件运行结果充分证实了这一点。从而得到RTX51 Tiny操作系统对任务和堆栈管理的有效性及其代码精简和运行可靠的基本特点。

RTX51 TINY中任务的建立

简要介绍了RTX51 TINY的基本特性。详细地分析了创建任务时堆栈的配置和状态字结构,并给出创建任务的主要代码流程图。

KEIL RTX51 TINY内核的分析与应用

简要介绍RTX51 TINY的基本情况和使用方法;详细分析这个内核的任务管理和内存管理的运行机制,并给出其主要代码流程图。

RTX51 Tiny在核数据采集系统中的应用

介绍了一种基于实时操作系统RTX51 Tiny的核数据采集系统。该系统是以P89C668为核心,512道的γ能谱数据采集系统。将RTX51 Tiny应用到核多道系统的设计中,大大提高了系统的稳定性和可靠性;同时,由于采用多任务设计,软件的模块化程度高,降低了软件开发的复杂性,提高了软件开发的效率。

基于Tiny6410开发板的应用研究

使用Tiny6410开发板能够加快移动互联终端应用产品的开发,文章详细介绍了安装和配置Tiny6410时应注意的问题,以及使用Tiny6410时出现的问题和解决办法,最后结果表明相关问题的提出对于初次使用Tiny6410进行移动互联终端应用产品开发的技术人员具有一定的参考价值。

基于RTX51Tiny的温度控制系统

介绍了一种对婴儿培养箱的温度控制的改进方案。在电路方面,采用了多个温度传感器来采集温度,这样更全面地反映了箱内的温度情况。同时为了提高系统的抗干扰能力,还在软硬件方面采取了相应的措施。在软件方面,使用了KEIL自带的操作系统RTX51Tiny,使程序设计变得简单快捷,程序调试方便,控制的方案更加科学合理。经过实际测量表明,控制效果得到了明显的改善,这样的程序设计思想值得推广。

基于CVR/Tiny24的快速高灵敏温度采集系统设计

温度采集包括采用温度传感器和采用热敏电阻两种方式,采用温度传感器具有采集精度高、使用方便等优点,但其反应速度较慢。采用热敏电阻的方法可以很好的弥补这点不足,选择适当的处理器和选用灵敏的热敏电阻是采用这种方法的关键因素。本文采用BateTH-ERM公司的热敏电阻与ATMEL公司的Tiny24型CVR系列单片机进行温度测量,响应时间小于1秒,测量误差小于0.2℃。

基于SVG Tiny的移动GIS应用研究

随着地理信息系统的日益发展,其应用范围在不断扩大,遍布商业、军事等领域,人们期待能够随时随地享受到地理信息系统带来的便捷。而低端手机在内存、存储设备、CPU的有限性极大的限制了移动GIS的发展。本文针对这种情况提出用SVG Tiny规范进行电子地图的编码,并设计实现了一个移动GIS手机客户端。

实时多任务操作系统RTX-51TINY的应用

RTX-51 Tiny是集成于Keil C51开发环境中的实时多任务操作系统,该系统可以应用于所有具有8051内核的单片机.它对于从前后台编程模式走向基于实时多任务操作系统的编程模式提供了非常好的平台.本文详细叙述了应用该操作系统进行单片机开发的过程,并给出了实例.

基于RTX51 Tiny的步进电机控制器的设计

研究了用小型多任务实时操作系统RTX51 Tiny开发的步进电机控制器。给出了系统的硬件及软件设计方案。对于多任务同时运行的复杂控制系统,使用RTX51 Tiny更能符合思维设计习惯,降低了软件开发的复杂性,提高了软件开发的效率。同时,用实时操作系统RTX51 Tiny开发的步进电机控制器,在系统的实时性、稳定性和可靠性等方面都得到了提高。