非对称卷积核YOLO V2网络的CT影像肺结节检测

肺癌一直是严重威胁人类健康的疾病之一,肺结节作为早期肺癌的一个重要征象,在肺癌的早期诊断与治疗中具有重要的意义。传统的CT影像肺结节检测方法不仅步骤繁琐、处理速度慢,而且对于结节的检出率及定位精度都亟待提高。提出一种基于非对称卷积核YOLO V2网络的CT影像肺结节检测方法:首先将连续的CT序列叠加构造为伪彩色数据集,以增强病变和健康组织的差异;然后将含有非对称卷积核的inception V3模块引入到YOLO V2网络中,构造出一种适用于肺结节检测的深度网络,一方面利用YOLO V2网络在目标检测上的优势,另一方面通过inception V3模块在网络的宽度与深度上进行扩增,以提取更加丰富的特征;为进一步提高结节的定位精度,对损失函数的设计与计算方法也进行一定的改进。为验证所提检测模型的性能,从LIDC-IDRI数据集中选取1 010个病例的CT图像用于训练和测试,在大于3 mm的肺结节中,检测敏感度为94.25%,假阳性率为8.50%。实验表明,所提出的肺结节检测方法不仅可以简化肺部CT图像的处理过程,而且在结节检测率及定位精度方面均优于传统方法,可为肺结节检测提供一种新思路。

基于YOLO v2的莲蓬快速识别研究

受莲蓬形状外观和生长环境影响,传统计算机视觉算法识别莲蓬存在效率与精度不佳的问题。本文研究采用YOLO v2算法进行莲蓬识别的方式,通过扩充莲蓬检测数据集、K-means维度聚类、深度可分离卷积网络结构和多分辨率图像对模型微调等方法实现提高识别精度、鲁棒性与识别速度。对比Darknet-19、Tiny Darknet与DS Tiny Darknet算法,结果表明,本文研究的识别方式可以达到102.1 fps的识别速率,可实现在复杂环境下对莲蓬的快速识别,满足莲蓬采摘机器人在采摘过程中对实时视觉信息的需求。

基于改进YOLO v2的船舶目标检测方法

针对船舶图像目标检测中存在的小目标检测准确率低、系统鲁棒性差的问题,提出一种改进的YOLO v2算法对船舶图像目标进行检测。通过目标框维度聚类、网络结构改进、输入图像多尺度变换等方法对传统YOLO v2算法进行改进,使其能够更好地适应船舶目标检测任务。测试结果表明,在输入图像尺寸为416×416时,该算法的平均精确率(mean Average Precision,mAP)达到79.1%,检测速度为64帧/s(Frames Per Second,FPS)。所提方法可满足实时检测的需要,且具有小目标检测精度高、鲁棒性强的特点。

基于改进YOLO v2的车辆实时检测算法

针对传统的车辆检测算法存在鲁棒性差、检测速度慢和准确率低等问题,提出基于改进YOLO v2模型的车辆实时检测算法。通过目标框维度聚类、网络结构改进以及输入图像多尺度变换等方法对YOLO v2算法进行改进,对比传统的Faster RCNN检测算法,改进的算法提升了检测速度和准确度,将帧速度提升到了45f/s,精确度提升到了97.21%,在车辆实时检测方面效果更好。

改进YOLO v2的装甲车辆目标识别

军事目标识别技术是军事信息处理的一个重要内容,对于实现军事装备信息化、智能化起着不可忽视的作用。近年来随着深度卷积神经网络在图像识别领域的广泛应用,各种基于图像目标识别任务的网络结构层出不穷,因此将这项新技术应用于军事目标的识别具有极强的现实意义和军事应用价值。本文以目前具有最佳识别效果的YOLO v2网络为基础,通过维度聚类重新确定最优的anchor个数及其宽高维度,并制作以明显特征为目标区域的装甲车辆数据集,使得该网络对装甲目标的识别更为精确。通过实验验证,该方法能有效地对特定装甲目标进行实时精确识别。

基于YOLO v2与OTSU的中低速磁浮接触轨连接板螺钉松动识别

针对中低速磁浮接触轨连接板螺钉松动识别的问题,提出一种基于YOLO v2网络和OTSU的识别方法。首先采用YOLO v2网络定位连接板,然后在连接板区域上进一步定位螺钉头部;通过OTSU实现螺钉头部和连接板边缘的精确分割,根据螺钉头部宽度归一化螺钉头部至连接板距离,以此判别螺钉状态。实验结果表明,本文方法能准确地识别连接板螺钉的松动。

基于Darknet框架下YOLO v2算法的车辆多目标检测方法

针对道路车辆目标检测传统方法需随场景变化提取不同特征,检测率较低与鲁棒性差的问题,提出了一种基于Darknet框架下YOLO v2算法的车辆多目标检测方法;根据目标路段场景与车流量的变化对YOLO-voc网络模型进行改进,基于ImageNet数据集和微调技术获得分类训练网络模型,对训练结果和车辆目标特征进行分析后进一步调整改进的算法参数,最终获得更适合于道路车辆检测的YOLO-vocRV网络模型下车辆多目标检测方法;为验证检测方法的有效性和完备性,采用不同车流密度进行了车辆多目标检测试验,并与经典YOLO-voc、YOLO9000模型进行了对比;采用改进YOLO-vocRV网络模型,选取20 000次迭代,分析了多目标检测结果。试验结果表明:在阻塞流样本条件下,YOLO9000网络模型检测率为93.71%,YOLO-voc网络模型检测率为94.48%,改进YOLO-vocRV网络模型检测率达到了96.95%,因此,改进网络模型YOLOvocRV检测率较高;YOLO-vocRV模型精确度和召回率均聚集在0.95,因此,在获得较好精确度的条件下损失的召回率明显较小,达到了很好的折中;采用混合样本训练后,基于YOLO-vocRV模型的车辆多目标检测方法的检测率在自由流状态下可达99.11%,同步流状态下可达97.62%,阻塞流状态下可达到97.14%,具有较小的误检率和良好的鲁棒性。

基于改进YOLO-V2算法的遥感图像目标检测技术研究

传统遥感图像目标检测方法的时间复杂度高且精准率低,如何快速准确地检测遥感图像中的特定目标成为当前的研究热点。为解决这一问题,文中在YOLO-V2目标检测算法的基础上进行改进,减少了卷积层数与维度,并结合特征金字塔思想,增加了检测尺度,达到了提高检测精度的目的。同时给出了一种基于深度学习的遥感图像目标检测算法的通用处理框架,解决了无法直接处理大幅遥感图像的问题。在DOTA数据集上进行对比实验,结果表明改进YOLO-V2算法在15个类别上的精准率和召回率均优于YOLO-V2算法,mAP值提高了0.12。在时间复杂度方面,所提方法略低于YOLO-V2算法;在大小为416×416的图像小块上,改进YOLO-V2算法相比YOLO-V2检测时间缩短了0.1 ms。

基于数理统计特征的人机交互图像手势识别

在人机交互领域中手势识别的应用前景十分广阔,在诸多领域中均为人类带来了无限便利。基于数理统计特征设计一种人机交互图像手势识别方法,实现了基于数理统计特征的手势信息获取与基于识别结果的人机交互。对人机交互图像实施图像灰度化处理、二值化处理、平滑处理、边缘检测和轮廓提取处理等一系列预处理。通过OpenCV提取二值化人机交互图七个具有尺度不变性、旋转不变性、平移不变性的Hu矩,前四个矩描述手势的图像椭圆、主轴方向角、面积、旋转半径这四个物理量,后三个矩描述的是图像对称性、重心、中心距。基于Darknet-19改进YOLO-V2网络的骨干网络,使模型能够预测的anchor box数量达到16×16×N个。基于改进YOLO-V2网络设计手势识别模型,模型的输入为人机交互图、提取的手势轮廓与Hu矩,实现交互图像手势识别。测试结果表明,设计方法在室内和室外的手势识别准确率均较高,通过该方法的手势识别结果能够实现人机交互。

基于YOLO和嵌入式系统的车流量检测

城市道路普遍存在机动车、非机动车、行人的人车混行路段,车辆目标的准确识别与统计成为视频方法检测混合交通流量的关键问题。本文提出了基于深度学习YOLO(You Only Look Once)的车流量检测算法。用YOLO v2检测道路上移动的目标,对检出目标中的车辆目标进行识别与筛选,设置感兴趣区域,在车辆目标经过感兴趣区域时计数,并用核相关滤波器跟踪车辆,避免车辆重复计数;在ARM上利用该算法实现了混合交通视频中的车流量检测。测试结果表明,该方法中车辆的检测、跟踪、计数结果良好,可应用于混合交通中的车流量检测。

非接触式笼养蛋鸡核心体温检测方法

针对笼养条件下蛋鸡核心温度测量工作效率低下的问题,提出了一种利用红外热图像结合深度学习的蛋鸡核心温度检测方法。首先通过采集172只蛋鸡的10994幅红外热图像制作数据集,利用目标检测网络YOLO v8s提取作为感兴趣区域(Region of interest,ROI)的鸡脸图像;再利用改进的深度卷积神经网络对提取的蛋鸡ROI图像以及实时采集的蛋鸡泄殖腔温度进行回归预测。实验显示,目标检测算法的检测准确率达到99.38%,平均精度均值达到99.9%,召回率达到99.87%,3项评价指标均高于YOLO v4s、YOLO v5s、YOLO v7、YOLOX-s目标检测算法;在深度卷积神经网络算法上,同时将MobileNetV3、GhostNet、ShuffleNetV2、RegNet、ConvNeXt、Res2Net以及MobileVIT共7种分类模型修改为回归模型,利用蛋鸡ROI图像进行训练,其中,Res2Net模型对蛋鸡核心体温估测拟合效果最好,在测试集上估测的决定系数R^(2)为0.9565、调整后决定系数R^(2)_(adj)为0.95631,均高于其他回归模型;为进一步提高预测精度,在Res2Net50回归模型的Bottle2block结构之后分别插入SE(Squeeze-and-excitation)模块、CBAM(Convolutional block attention module)模块、CA(Coordinate attention)模块、ECA(Efficient channel attention)模块,其中利用CA模块改进后的算法在测试集上的R^(2)为0.97364、R^(2)_(adj)为0.97352,均高于其他改进方法;利用目标检测网络和回归网络搭建蛋鸡核心体温估测模型,对9只蛋鸡进行体温估测试验,结果显示ROI均能完整找出,且估测体温平均绝对误差(Mean absolute error,MAE)为0.153℃。因此,本研究提出的目标检测+深度神经网络模型为红外热图像下蛋鸡核心温度预测提供了较好的自动化检测方法。

面向变电站近电作业的高精度多人姿态估计方法

在变电站近电作业场景中,人体姿态估计对于准确定位人体关键点信息至关重要。然而,由于肢体或设备的遮挡,传统检测方法常常面临精度低、漏检和误检等问题。为此,提出一种面向变电站近电作业的高精度多人姿态估计方法。首先,在骨干网络中嵌入DCN(可变形卷积网络),使模型能够自主学习人体关节特征,并增强了几何建模能力。其次,构建一个基于ConvNeXt v2 Block的特征金字塔网络作为颈部结构,通过跨尺度连接方式加强特征间的交互学习。在预测头中引入CA(协调注意力机制),以进一步捕获特征图的通道和方向信息。最后,通过改进原损失函数,加速了模型的收敛速度。结果表明,与基准模型相比,所提模型的平均检测精度P_(0.50)、P_(0.75)和P分别提高了2.7%、7.3%、4.2%,可为变电站复杂环境下近电作业人员的安全提供重要的技术支撑。

基于YOLO模型的宫颈细胞簇团智能识别方法

针对宫颈细胞簇团自动识别问题,本文提出了一种基于YOLO v2模型的智能识别方法。首先,针对宫颈细胞簇团识别任务的特点,采用resnet 50模型作为YOLO v2网络的基础特征提取模块。同时,提出了相应的数据扩增方法与YOLO v2网络的训练方案。同时,我们收集宫颈细胞液基涂片扫描图像,建立了宫颈细胞簇团图像数据集,并由细胞病理专家对其中的细胞簇团进行了标注。实验表明,本文方法能够有效完成宫颈细胞病变簇团的自动识别,在测试图像集中,针对细胞簇团识别的准确率为75.9%,召回率为86.3%;针对宫颈细胞图像识别的准确率为87.0%,召回率为86.7%。本文将深度学习技术引入到宫颈细胞辅助筛查领域,对于促进宫颈癌早期自动筛查系统的研究,具有重要意义。

基于轻量化卷积神经网络的苹果目标检测算法

针对当前苹果检测算法模型参数多、检测实时性差的问题,提出一种基于轻量化卷积神经网络的苹果目标检测算法.首先,用经典轻量化卷积神经网络ShuffleNet V2替换YOLO v5s的主干网络,实现模型的轻量化;然后,用stem模块取代主干网络的图像处理层进行初始特征提取并且嵌入SPPF结构,弥补轻量化带来的精度损失;最后,在边界框的回归损失函数中引入α幂化指标,进一步提高边界框的定位精度.试验结果表明,改进后算法模型的平均精度均值达到95.8%,网络参数量降低了85.6%,在GPU上的单张平均检测时间仅10 ms,满足苹果采摘任务对检测精度和实时性的要求.

基于深度学习的无人机航拍车辆检测

为了解决大尺寸航拍图像下的多尺度车辆检测问题,在YOLO v2检测框架的基础上提出了一种多尺度目标检测算法。首先,将大尺寸航拍图像切分成若干有重叠区域的小图像块;然后,将各图像切片依次输入检测网络,主干网络针对输入图像提取不同尺度的特征,并对3种尺度的特征进行融合以获取不同的感受野,同时解决了浅层特征语义信息不足的问题;最后,各图像块的检测结果通过非极大值抑制的方法进行合并。在实际的航拍车辆数据集上,所提方法在不增加额外预测框的情况下,相比原YOLO v2检测算法的平均精度提高了约8个百分点。

基于FPGA的卷积神经网络加速器研究与设计

本文针对Yolo v2目标检测卷积神经网络实现了基于Xilinx Virtex Ultrasale+VCU118的硬件加速,整体采用MCU+FPGA的异构计算架构,MCU采用ArmCortex-M3软核IP布局布线到FPGA开发板中。软件上完成了MCU读取大位宽RAM数据以及中断控制系统的设计,硬件上完成了Yolo v2网络前向传播模型中的卷积、ReLU非线性激活、最大池化等核心模块的设计。PE(Processing Engine)阵列借鉴了eyeriss阵列架构中的行固定流思想,通过精心设计阵列输入数据的格式,将多维卷积拆分成一维卷积,实现多输入特征图、多通道、多卷积核的通用性卷积计算,且利用Chisel3语言实现了一种高度参数化的卷积计算电路生成器,具有计算位宽可调、PE阵列规模可调、PE单元内部存储可调的特点。

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。

基于YOLOv2的无人机航拍图像定位研究

为了保证定位的速度和准确率,采用2016年在目标检测领域取得最佳检测效果的YOLO v2网络制作了以明显特征的地物作为目标区域的目标检测数据集。通过目标框维度聚类、分类网络预训练、多尺度检测训练及更改候选框的筛选规则等方法改进YOLO v2网络,使其更好地适应定位任务。能够将无人机实时获取的航拍图像定位到目标区域,并通过投影关系进行坐标转换得到无人机的经纬度。结果表明:该方法效果较为理想,在航拍图像的目标区域检测任务中检测网络的平均准确率提高到79.5%;在包含目标区域的航拍图像中,经模拟飞行的仿真实验验证,其网络定位准确率大于84%。

基于高分辨率SAR影像和深度学习的输电杆塔智能识别研究

近年来,强降雪、洪涝等极端气象灾害频发,对输电线路安全运行造成巨大挑战。星载合成孔径雷达技术(SAR)技术作为一种广域、全天时、全天候的新型感知技术,可实现大范围输电线路受灾情况的快速评估。针对复杂背景下的高分辨率SAR影像中的电塔识别问题,文章提出一种结合YOLO v2和VGG模型级联的Two-Stage目标检测算法。在Stage-1阶段,基于YOLO v2对整景SAR影像进行电塔检测;在Stage-2阶段,基于VGG对Stage-1的检测结果进行假阳性消除。以2018年1月强降雪后某地的COSMO影像为例进行测试,结果表明电塔召回率可达85.7%,证明文中方法可较准确地识别整景SAR影像的电塔目标。