基于改进YOLO v3的轴承端面缺陷检测算法

为提高轴承端面缺陷检测的速度以及检测精度,提出一种基于改进YOLO v3的轴承端面缺陷检测算法。首先,对图像数据集进行数据增强处理以防止产生过拟合现象;其次,通过改进K-means聚类算法重新聚类出目标检测的Anchor Boxes,并引入SKNet注意力机制模块对原网络结构以及输出层结构进行改进;最后对改进的YOLO v3算法进行实验验证,并与原YOLO v3算法进行对比分析。结果表明,改进后的YOLO v3算法相比原YOLO v3算法对轴承端面缺陷检测的mAP值提升了7.03%,检测速度提升了34.7帧/s,验证了改进算法的有效性。

基于YOLO-V3算法的加油站不安全行为检测

为控制加油站火灾爆炸风险目标,结合事故统计和故障树分析方法,提出一种基于YOLO-V3算法的加油站不安全行为检测模型。首先在收集90起加油站火灾爆炸事故的基础上,统计分析加油站火灾爆炸事故的点火源;其次构建加油站火灾爆炸故障树,计算各基本事件的结构重要度,并确定加油站危险性较高的不安全行为;然后采用现场采集和模拟的方法收集加油站不安全行为图像数据,利用数据增强方法构建加油站不安全行为图像数据集;最后基于深度学习的方法构建加油站不安全行为检测模型,经过1000次训练迭代后得到最终模型。研究结果表明:引起加油站火灾爆炸事故的不安全行为主要有抽烟、打电话等;训练得到的检测模型在测试集上对抽烟、打电话和正常行为检测类别的平均检测精度分别为67%、85%和77%,模型的平均检测精度均值为84%。

基于YOLO v3深度学习算法的视觉导航技术研究与实践

针对传统的目标检测算法实时性低的问题,利用深度学习YOLO v3算法进行视觉识别研究,并将基于YOLO v3算法的视觉识别程序应用于视觉导航小车,实现小车对路标的实时识别和自主导航。在深入理解YOLO v3算法原理和框架的基础上,提出基于YOLO v3算法的视觉导航小车自动驾驶程序框架。通过在视觉导航小车的控制系统中嵌入python语言编写的YOLO v3算法,实现小车在沙盘上进行路标识别和自动驾驶。实际运行效果表明,训练阶段,YOLO v3算法视觉识别对路标的平均识别率达到了93.5%,小车在沙盘上运行过程中对路标的平均识别率达到了99.5%。基于YOLO v3算法的视觉识别表现出较高的路标识别率,可以满足小车自主导航的需要。

基于改进的YOLO V3算法汽车零件配置辨识

为了提高检测的准确率并缩短检测时间以提高时效性,提出了一种以基于回归的目标识别方法YOLO V3算法为基础,将汽车前脸图像中的格栅、雾灯以及轮毂为目标,对YOLO V3网络结构参数进行优化,改进成为BBO-YOLO V3算法。对装配车间尾线工位进行了研究,检验在不同工况下,汽车前脸图像的识别效果。实验结果表明,该方法可成功代替人工检测,在生产节拍内实现检验,满足生产要求,从而能够提升生产车辆的质量,提高客户满意度。

改进YOLO v3算法及其在安全帽检测中的应用

YOLO v3目标检测算法由于其速度快、精度较高,在工业中获得了广泛应用,但存在目标函数与评价指标不统一的问题,针对此问题提出了改进YOLO v3目标检测算法。该算法改进GIoU计算方法,并与YOLO v3算法目标函数相结合,设计了一个新的目标函数,实现了目标函数局部最优为IoU局部最优。公共数据集VOC2007和安全帽佩戴数据集测试结果表明,相比于YOLO v3算法,改进YOLO v3的mAP-50分别提高了2.07%和2.05%。

一种基于YOLO-V3算法的水下目标识别跟踪方法

为协助水下平台完成自主拍摄任务,针对水中成像模糊,物体多自由度运动的特点,提出一种基于YOLO-V3算法的目标识别模型。通过降采样重组,多级融合、优化聚类候选框、重新定义损失函数等方式优化网络结构,提高了目标识别的准确率,同时提升算法的计算速度。将具有旋转不变性的特征描述应用于跟踪水中多自由度运动的物体,通过评价结果修正跟踪状态。实验表明,该方法能够自主识别和跟踪目标,具有自适应能力,对输入像素为416*416的图片,处理速度达到15帧/秒以上,置信度为0.5时的平均准确度值达到75.1,满足实时性和准确性要求。

基于改进YOLO V3算法的轨道扣件缺陷检测

目前轨道线路养护主要采用人工巡检方式,针对其存在的准确率不足、效率低下等问题,提出一种基于改进YOLO V3的轨道扣件缺陷检测方法。首先通过K-means算法对缺陷目标候选框的尺寸进行聚类分析;其次根据检测目标普遍较小的情况改进YOLO V3的层级结构,即选取两组尺度特征对扣件缺陷的位置和类别进行预测;最后将取自某地铁线路的轨道图像数据制作成轨道扣件缺陷数据集,用改进前后的YOLO V3网络模型进行对比实验。结果表明,改进后YOLO V3模型的平均准确率均值提高了20.64%,达到95.62%,检测速度提高了82.5%,达到58.4fps,能够准确且快速地识别出轨道扣件中的缺陷。

基于YOLO v3算法改进的交通标志识别算法

针对目前交通标志识别任务在使用深度学习算法时存在模型参数量大、实时性较差和准确率较低的问题,提出了基于YOLO v3改进的交通标志识别算法。该算法首先将深度可分离卷积引入YOLO v3算法的特征提取层,将卷积过程分解为深度卷积、逐点卷积两部分,实现通道内卷积与通道间卷积之间的分离,从而保证了在较高识别准确率的基础上极大地减少了算法模型参数数量以及计算量。其次,在损失函数设计上使用广义交并比(GIoU)损失替换均方误差(MSE)损失,将评测标准量化为损失,解决了MSE损失存在的优化不一致和尺度敏感的问题,同时将Focal损失加入到损失函数以解决正负样本严重不均衡的问题,通过降低大量简单背景类的权重使得算法更专注于检测前景类。将该算法应用于交通标志任务中的结果表明,在TT100K数据集上,该算法的平均精度均值(mAP)指标达到了89%,相较于YOLO v3算法提升了6.6个百分点,且其参数量仅为原始YOLO v3算法的1/5左右,每秒帧数(FPS)亦比YOLO v3算法提升了60%。该算法在极大地减少模型参数量和计算量的同时,提高了检测速度和检测精度。

改进YOLO V3的道路小目标检测

针对通用目标检测算法在检测小目标时存在效果不佳及漏检率较高等问题,提出了一种基于改进YOLO V3的道路小目标检测算法。对YOLO V3算法网络模型中的聚类算法进行优化,使用DBSCAN+K-Means聚类算法对训练数据集聚类分析,选取更合适的Anchor Box,以提高检测的平均精度和速度;同时引入Focal Loss损失函数代替原网络模型中的损失函数形成改进的YOLO V3算法。进而与其他目标检测算法在KITTI数据集上对行人目标进行对比检测,发现改进的YOLO V3算法能够有效降低小目标漏检率,大大提高检测的平均精度和检测速度。实验结果表明,在KITTI数据集上,改进的YOLO V3算法检测目标的平均精度达到92.43%,与未改进的YOLO V3算法相比提高了2.36%,且检测速度达到44.52帧/s。

复杂背景下基于改进YOLO v3算法的桥梁表观病害识别

为提升复杂背景下混凝土桥梁表观病害检测精度,提出一种基于改进YOLO v3算法的桥梁表观病害检测方法。首先,针对病害存在密集分布且病害尺度变化较大的特点改进了YOLO v3的网络结构,在检测层中嵌入SE注意力机制模块和空间金字塔池化模块,加强了语义特征提取能力;其次,选用定位能力更好的CIoU作为损失函数进行训练;最后,通过K-means算法对桥梁表观病害缺陷数据集进行锚框聚类。为验证本文所提出算法的有效性,建立1363张包含桥梁露筋、剥落、水侵蚀病害的数据集,经手工标注、数据增强后进行网络训练。实验结果表明:改进后的YOLO v3模型相比原有模型在精确率、召回率、平均分类精度等指标上均有较大提升,其总体平均精度均值提高了5.5%。在RTX2080 Ti显卡下检测帧率达到84 fps,能够更加精准并实时地检测桥梁病害。

基于轻量化YOLO-v3的绿熟期番茄检测方法

准确识别定位绿熟期番茄果实是实现其自动采摘的必要前提。由于绿熟期番茄的表面颜色仍为青色与叶片、枝干颜色接近,特别是存在叶片、枝干遮挡和果实重叠类型的图像,传统的图像检测处理方法不能准确进行定位。为解决此问题,采用改进的深度学习目标检测算法YOLO-v3进行番茄检测,将原算法的骨干网络DarkNet-53改为更轻量化的Mobilenet-v1。结果表明:轻量化YOLO-v3算法将模型大小缩小为原来的39.38%,训练速度提高3.88倍,验证集的平均精度均值达到98.69%,测试集的平均精度均值达到98.28%。所采用的轻量化YOLO-v3检测算法可实现对绿熟期番茄的实时目标检测,更适合在移动设备和嵌入式端进行部署,为更加高效的番茄自动采摘奠定基础。

基于YOLO v3的贴装元器件检测技术

印制电路板表面贴装元器件的识别分类技术在现代化电子产业生产过程中起重要作用,以PCB表面的贴装电阻、贴装电容、芯片等为目标,提出了一种基于YOLO v3的目标检测方法。首先利用工业相机搭配光学镜头构建贴装元器件数据集,其次重新设计了YOLO v3的特征金字塔结构FPN,接着采用K-means方法对贴装元器件数据集进行聚类改进,得到Mouted anchor及对应参数。最后使用Mounted anchor和网络结构对改进后的YOLO v3重训练,并与原网络对比实验,检验了贴装元器件的识别分类效果。实验结果表明,改进后的YOLO v3贴装元器件识别分类技术平均精确率较原网络提高9%,召回率小幅提高。

基于YOLO v3的输电线路鸟类检测技术研究

输电线路安全是电网安全稳定运行的前提,但是鸟类对输电线路造成的危害直接威胁到输电线路的安全运行.为解决传统驱鸟器启停策略的弊端,提出基于YOLO v3算法的输电线路鸟类检测模型.通过输电线路监控装置获取图像数据,使用残差模块提取图像的深层次特征,采用多尺度目标检测策略来保证鸟类的检测效果.实验结果表明,在输电线路鸟类检测任务中,该模型准确率可以达到86.75%,检测速度达到47 frame/s,可以精确实时地检测出输电线路周围的鸟类数目,并验证了该模型在雨天、雾天、抖动情况下具有较强鲁棒性,可以保障输电线路的安全、稳定运行.

基于YOLO-v3模型压缩的卫星图像船只实时检测

常见的目标检测模型由于模型参数量较大,往往难以部署在无人机、卫星等移动嵌入式设备上。为了对船只进行实时监测,将目标检测模型部署在计算能力较弱的设备上,对基于计算机视觉的卫星图像船只目标检测方法进行研究。针对卫星图像中船舰的形状长宽比例特点,采用K-means++聚类算法选取初始的锚点框;接着对模型进行多尺度训练,将多尺度金字塔图像作为模型训练的输入;将YOLO-v3目标检测算法的批归一化层的尺度因子作为通道重要性的度量指标,对YOLO-v3模型进行剪枝压缩。实验结果表明,采用的模型剪枝和压缩方法能有效地对模型进行压缩,模型的参数量减少了91.5%,模型检测时间缩短了60%,极大地减少了系统计算性能的开销。当采用的初始锚点框个数为6个时,平均准确率(mAP)达到77.31%,满足了卫星图像船舰实时性检测的需求。

基于YOLO V3算法的输电线路鸟类检测

为了精准检测输电线路周围的鸟类数目,及时驱鸟以确保线路的正常运行,对YOLO V3算法提出两点改进:将原网络中52×52尺度的特征图进行2倍上采样后与第二个残差块拼接,建立特征融合的检测层,提高算法对小目标的检测精确率;通过计算检测框对应的比例因子更新检测框的置信分数,对非极大值抑制算法NMS进行优化,提升模型对遮挡鸟类的检测能力。实验结果表明该模型精确率可达88.36%,可以有效地检测输电线路周围的鸟类数目。

一种改进的YOLOv3红外图像行人检测方法

针对夜间交叉路口光照差和基于视觉行人检测存在不连续的问题,提出了一种改进的YOLO v3红外图像行人检测方法。建立了城市道路交叉路口行人红外图像数据集,使用k-means++算法重新聚类行人数据集,改进边框回归损失函数和网络结构,在NVIDIA GTX1060平台上进行了模型测试。实验结果表明,改进后的YOLO v3算法模型平均准确率较改进前提高了5.75%,检测速度达到24 f/s。

基于改进的YOLO v3车辆检测方法

为了有效地解决传统车辆检测算法中存在的泛化能力差、识别率不高的问题,提出了一种基于改进YOLO v3的车辆检测算法。改进的车辆算法对原YOLO v3中的模型进行剪枝处理,采用Darknet-53网络结构提取特征,同时结合回归损失函数GIOU算法对检测精度进行提高。在运用K-means++聚类分析算法处理数据基础上,运用所提出的改进YOLO v3算法,基于COCO数据集进行了网络的训练、测试和验证。试验结果表明,改进后的YOLO v3算法在车辆检测上的泛化能力得到提升,并兼具速度优势。

基于YOLO-V3算法的电力基建施工管控技术

根据YOLO-V3算法的网络结构,建立监测模型,检测电力基建施工过程;设计电力基建施工管控图,从电力基建施工方面,管控电力基建施工。试验结果表明:研究的电力基建施工管控技术,识别电力基建施工过程中,准备设备错误识别率高,且可以优化施工流程,提高施工效率。

融合聚类算法与YOLO-v3网络在果蔬种植防虫害中的应用研究

采用融合ISODATA聚类算法与YOLO-v3网络构建果蔬虫害识别模型,利用预选框提取方法分辨栅格害虫目标个数,并加入空间金字塔池化结构,以提高图像特征提取的稳定性。在害虫种类识别的测试中,优化的YOLO-v3网络mAP为88.92%,比Faster-RCNN高3.7个百分点。而在果蔬图像背景测试中,优化的YOLO-v3网络mAP为87.32%,比传统YOLO-v3模型高4.4个百分点。试验表明:优化的YOLO-v3网络对于图像噪声抗干扰性更强,检测精度高的同时保持了稳定的检测效率。

基于海洋遥感图像的无人艇路径覆盖规划算法

遥感技术和无人艇的结合在海洋覆盖应用中具有巨大的潜力,提出了一种基于海洋遥感图像的无人艇路径覆盖方法。首先,为了建立精确的地图模型,提出了一种基于改进YOLO V3的旋转目标检测算法,在YOLO V3的基础上,细化障碍物的轴向、长度、宽度和坐标信息,在不增加计算量的情况下提高复杂场景下障碍物检测的召回率。然后,为了获得高效的覆盖路径,提出了一种基于旋转光束和贪心算法的路径覆盖算法。该算法将完整路径分为直行路径和转弯路径,分别基于长度与避障目标优化覆盖路径。仿真结果表明,较基于栅格地图的神经元激励算法,所提出算法在长度上平均减少了9.3%,并且在2种极端海洋环境中实现路径覆盖率为100%,重复率小于2.1%。