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。

基于AE-Tiny YOLOV3的小目标检测模型

小目标检测是现阶段目标检测领域的热点和难点问题。针对小目标检测漏检及对硬件性能要求较高的问题,对Tiny YOLOV3进行改进,提出一种适合在低性能平台上使用的小目标检测算法AE-Tiny YOLOV3。首先,使用EfficientNet-B0骨干网络替换原算法的特征提取网络;其次,在检测网络中增加一个检测分支,形成3尺度预测;最后,引入注意力机制对3个检测分支进行改进。实验结果表明,在VOC07+12数据集上,AE-Tiny YOLOV3算法满足实时检测的要求,并且鲁棒性较高,最高能将mAP值提高16.89%。将AE-Tiny YOLOV3算法应用在架空输电线路中绝缘子状态检测实例上,mAP达到了86.53%,相较于Tiny YOLOV3算法提升了15.27%,能满足对小目标绝缘子状态的实时检测。

基于区域激活策略的Tiny YOLOv3目标检测算法

针对Tiny YOLOv3模型检测精度低的问题,提出一种将分割信息引入深度卷积神经网络结构中的方法。模型训练期间,将目标真实的位置信息加入网络层中,并手动激活这些目标区域,激励的大小随着训练的进行逐渐减小直至降为零。测试结果表明,在VOC2007数据集上,改进后的Tiny YOLOv3模型的平均准确率提升至58.9%,并且在检测速度上与原模型保持一致,满足实时检测的需要。

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。

基于改进的YOLOv3算法在目标识别与抓取中的应用

针对目标识别与抓取领域中CNN、Faster-RCNN等传统神经网络系列算法的识别准确率不高,实时性较差的问题,提出一种基于YOLOv3的改进神经网络算法。改进的YOLOv3算法主要是引用Inception网络思想,通过不同尺度的卷积核对目标进行多尺度特征提取,在增加网络宽度的同时减少YOLOv3网络的循环次数。同时,YOLOv3算法对于anchor box的选取方式使用Meanshift(均值漂移)聚类算法与K-means聚类算法相结合的方式进行改进,解决了K值需要人为测定的问题。改进的YOLOv3算法在自制数据集进行对比实验,实验结果表明:改进YOLOv3算法的mAP(Mean Average Precision)值要高于YOLOv3算法10%,在识别速度上提高了9%,在充分满足实时识别的同时提高了对中小目标识别的准确率。

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YOLOv7的输电铁塔塔基检测算法

输电塔作为整个电力传输系统最重要的组成部分之一,需要及时对输电塔进行检测保证塔基的稳固以保障后期的使用。针对无人机采集到的输电塔图像存在背景复杂、背景与目标塔基对比度低、小目标及塔基不完整等问题,提出了基于改进YOLOv7的输电塔塔基检测算法。首先,通过无人机采集不同地形地貌的输电塔图像,构建高质量数据集。然后,在原始YOLOv7的Backbone层中加入卷积注意力模块CBAM注意力机制,以提高输电塔塔基特征的提取能力。最后,引入WIoU v3代替原坐标损失函数CIoU,以提高目标检测任务的准确性和稳定性。在该数据集上,使用改进后的YOLOv7算法与目前主流的目标检测算法进行对比实验,实验结果中所提算法的mAP值高达99.93%,比原始YOLOv7提高2.19%,FPS值为37.125,满足实时检测需求,算法的整体性能较好。实验验证了所提算法在塔基检测上的可行性和有效性,为后续塔基区周围水土情况的研究奠定了基础。

基于改进YOLOv8的水下目标检测算法

由于水下生物的特性,水下图像中存在较多难以检测的小目标,且目标之间经常相互遮挡,而水下环境中的光线吸收和散射也会造成水下图像的颜色偏移和模糊。针对上述问题,提出水下目标检测算法WCA-YOLOv8。首先,设计特征融合模块(FFM),增强对空间维度信息的关注,提升对模糊和颜色偏移目标的识别能力;其次,加入FCA(FReLU Coordinate Attention)模块,增强对相互重叠、遮挡水下目标的特征提取能力;再次,为了提高模型对水下小目标的检测性能,将完整交并比(CIoU)损失函数替换为WIoU v3(Wise-IoU version 3)损失函数;最后,设计下采样增强模块(DEM),使特征提取过程中保存的上下文信息更完整,改善水下目标检测的性能。RUOD和URPC数据集上的实验结果表明,WCA-YOLOv8的检测平均精度均值(mAP0.5)分别为75.8%和88.6%,检测速度分别为60 frame/s和57 frame/s。与其他前沿的水下物体检测算法相比,WCA-YOLOv8不仅能够获得更高的检测准确性,还可达到更快的检测速度。

自蔓延高温合成V_3TiNi_(0.56)Al_(0.2)贮氢材料

通过对反应体系的绝热温度计算及热力学分析,讨论了V2O5 -TiO2 -Al体系自蔓延反应进行的可行性。自蔓延高温合成了V3TiNi0. 56Al0. 2贮氢合金,利用X射线衍射分析(XRD)、能谱分析、扫描电镜(SEM)和金相显微镜等手段对产物进行了研究。结果表明,用自蔓延高温合成法与用其他方法制备的V3TiNi0. 56Al0. 2贮氢合金的相结构一样。PCT曲线表明该合金具有一定的吸放氢性能,饱和吸氢量为0. 092L/g,略低于其它方法制备的V3TiNi0. 56Al0. 2的饱和吸氢容量。

V_3TiNi_(0.56)Al_(0.2)Cr_x(x=0～0.3)贮氢合金的微结构及电化学性能

采用自蔓延高温合成法制备V3TiNi0.56Al0.2Crx(x=0～0.3)贮氢合金,经XRD和电化学测试等研究Cr添加量对合金微结构及电化学性能的影响。结果表明:当x为0、0.1和0.2时,V3TiNi0.56Al0.2Crx合金均由V基固溶体主相和TiNi相组成;当x=0.3时,合金由V基固溶体主相和具有六方结构的C14型Laves相组成;随着Cr含量的增加,合金主相的晶胞常数和晶胞逐渐减小;添加Cr以后,合金电极的最大放电容量降低,对活化性能基本没有影响;此外,添加Cr可使合金循环性能得到明显改善,V3TiNi0.56Al0.2Cr0.3合金经过10次充放电循环后,容量保持率为99%,大电流放电性能最好;随着Cr含量的增加,合金中氢的扩散系数逐渐增大。

TiNi-V共晶钎料钎焊Si_3N_4陶瓷接头界面结构及性能

采用真空电弧熔炼技术制备了TiNi-V高温共晶钎料合金,研究了该钎料在Si3N4陶瓷表面的铺展行为.随后采用TiNi-V钎料实现了Si3N4陶瓷的钎焊连接,利用SEM,EDS以及XRD等分析方法,确定了接头的典型界面结构为:Si3N4/TiN+Ti-Si化合物/NiV.重点研究了钎焊温度对接头界面结构及力学性能的影响.结果表明,随着钎焊温度的升高,熔融钎料与Si3N4陶瓷反应程度增加,导致钎缝中TiN+Ti-Si化合物层厚度不断增加,且在接头残余应力的作用下形成了大量显微裂纹,降低了接头性能.当钎焊温度为1 200℃,钎焊时间为10 min时,接头室温抗剪强度达到最大为28 MPa.断口分析显示接头断裂于TiN+Ti-Si化合物层为脆性断裂.

基于多算法融合的跌倒行为识别

提出一种多算法融合的跌倒行为识别算法。首先,针对人体目标的特征对YOLOv3 tiny检测算法进行改进,有效框定人体动态目标区域,提取出目标前景;在此基础上利用AlphaPose姿态识别框架识别出人体骨骼关键点,得到人体主要关节图;最后以人体关节图坐标信息为输入,通过时空图卷积神经网络对跌倒等动作进行检测识别,满足对不同场景跌倒的有效检测。实验结果表明:融合算法改善了不同场景下跌倒行为的检测效果,检测的准确率可达到97.4%,并有效降低了误检率。

结合深度学习与Hough变换的等长原木材积检测系统

针对成捆堆放的原木端面图像,利用机器视觉方法开发一个材积检测系统,算法的鲁棒性和系统应用的方便性是两个关键难点。为了解决上述问题,实现原木材积自动化检测,设计并开发了结合深度学习与Hough变换的等长原木材积检测系统。首先,在对训练样本做了旋转、调整曝光度、加噪声等提高模型鲁棒性的预处理后,使用YOLOv3⁃tiny卷积神经网络对原木端面图像进行目标检测,计算得到每一个原木端面对应的目标区域;其次,在对目标区域计算边缘并去除目标区域中心噪声边缘后,利用Hough变换圆检测算法计算原木端面轮廓的准确直径;最后,开发了操作简捷方便的用户界面,根据用户输入的一个原木轮廓径级校准信息和长度,即可实现图中所有原木的材积检测。本系统在多种原木端面图像上,包括端面完好、端面伐痕、端面霉变、环境复杂等情景进行实验验证,系统真检率为98.79%,误检率为0.602%。结果显示本系统在各种复杂原木端面图像上具有很好的鲁棒性,同时为了兼容深度学习算法与用户界面设计,本系统在PyQt5核心库上实现了操作界面,其操作简洁、使用方便。

融合注意力机制的实时行人检测算法

为了提高Tiny YOLOv3目标检测算法在行人检测任务中的准确率,对该算法进行了研究改进。首先对Tiny YOLOv3的特征提取网络进行深化,增强网络特征提取能力;然后在预测网络的两个检测尺度分别加入通道域注意力机制,对特征图的不同通道赋予不同的权重,引导网络更多关注行人的可视区域;最后,改进激活函数和损失函数并采用K-means聚类算法重新选择初始候选框。实验结果表明,改进后Tiny YOLOv3算法的准确率在VOC2007行人子集上达到77%,较Tiny YOLOv3提高8.5%,在INRIA数据集上达到92.7%,提高2.5%,运行速度分别达到每秒92.6帧和31.2帧。该方法提高了行人的检测精度,保持了较快的检测速度,满足实时性运行需求。

基于模糊PID控制的铸造V_3TiNi_(0.56)Cr_(0.35)合金的性能研究

对传统PID和模糊PID控制的铸造V_3TiNi_(0.56)Cr_(0.35)合金的组织、吸氢性能和充放电循环性能进行了对比与分析。结果表明:与常规PID控制相比,采用模糊PID控制时合金的平均晶粒尺寸减小了3.5μm,吸氢120 min后的吸氢量增大了0.139%,充放电循环8次后的放电容量增大了83 mA·h/g。为了提高铸造V_3TiNi_(0.56)Cr_(0.35)合金的组织和储氢性能,熔炼和浇注过程控制方法优选模糊PID控制。

旋锻对粉末冶金钒基储氢合金性能的影响

为了改善粉末冶金钒基储氢合金的性能,本文对粉末冶金V3TiNi0.56钒基储氢合金进行了旋锻,并进行了合金试样的充放电循环试验、碱液腐蚀试验和显微组织分析。结果表明,与粉末冶金合金试样相比,经过旋锻后的合金内部晶粒细化,充放电循环20次的放电容量衰减率减小21%,腐蚀电位正移38 mV。旋锻可显著改善粉末冶金V3TiNi0.56钒基储氢合金的充放电循环稳定性和耐碱液腐蚀性能。

基于改进YOLOv4的水稻病害快速检测方法

针对水稻图像中复杂背景带来的病斑难以识别、检测速度慢等问题,以水稻稻瘟病、白叶枯病和胡麻斑病图像为研究对象,提出一种基于改进YOLOv4的水稻病害检测方法,该方法以YOLOv4模型为主体框架,采用轻量级网络MobileNet V3代替原始主干网络CSPDarkNet-53,并通过在颈部网络添加坐标注意力模块(coordinate attention module,CAM)来提高模型的性能。结果表明,改进后的模型对水稻稻瘟病、白叶枯病、胡麻斑病的识别准确率均有所提升,平均精度均值(mean average precision,mAP)为85.34%,与原始YOLOv4模型相比,mAP提高了1.32%,每秒钟检测图像的帧数(frames per second,FPS)为53.43帧/s,检测速度提高了49.62%,说明研究得出的方法具有较高的平均准确率及较快的检测速度,能够用于田间复杂环境下的水稻病害快速识别。

融合注意力机制的轻量级红外高压套管识别算法

为了提高红外图像中变压器高压套管的识别准确率,同时能够满足移动端和其他低端设备对目标检测网络的需要,本文提出一种改进的轻量级红外高压套管识别算法,采用Tiny YOLOv3目标检测网络作为基础检测网络。首先,通过融合CBAM(Convolutional Block Attention Module)注意力机制,将通道注意力与空间注意力机制串联,增大目标检测网络感受野,同时减轻网络计算任务,提升网络性能;然后,分别使用GIoU loss和Focal loss替代原有的边界框损失和置信度损失,从而提高对红外图像中的高压套管识别率,减少漏检、误检情况发生。实验结果表明,改进的网络相比于原Tiny YOLOv3网络,mAP提升到96.28%,F1提升到96.25%,权重文件大小为33.9 MB,远小于YOLOv3训练网络,能够更好地适用于低端设备,为智能变电站的在线监测提供了有利条件。

动力汽车电池用新型钒基储氢合金的组织与性能研究

采用较为低廉的二氧化钒、二氧化钛,通过自蔓延高温合成法,进行了动力汽车电池用新型钒基储氢合金V3Ti Ni0.56Sr0.1制备,并进行了显微组织、物相组成和电化学性能的测试。结果表明,自蔓延高温合成法制备出的该新型合金组织细小、均匀,由绝大部分的钒基固溶体相和少量的Ti Ni相、Ti2Ni相组成,其放电容量在第2次充放电循环时达到最大值584 m Ah/g;合金经30次充放电循环后,其放电容量仍能达到214 m Ah/g;随放电电流从100 m A/g增大至1000 m A/g,该合金的放电容量减少。