基于改进YOLO v3的自然场景下冬枣果实识别方法

为实现自然场景下冬枣果实的快速、精准识别,考虑到光线变化、枝叶遮挡、果实密集重叠等复杂因素,基于YOLO v3深度卷积神经网络提出了一种基于改进YOLO v3(YOLO v3-SE)的冬枣果实识别方法。YOLO v3-SE模型利用SE Net的SE Block结构将特征层的特征权重校准为特征权值,强化了有效特征,弱化了低效或无效特征,提高了特征图的表现能力,从而提高了模型识别精度。YOLO v3-SE模型经过训练和比较,选取0.55作为置信度最优阈值用于冬枣果实检测,检测结果准确率P为88.71%、召回率R为83.80%、综合评价指标F为86.19%、平均检测精度为82.01%,与YOLO v3模型相比,F提升了2.38个百分点,mAP提升了4.78个百分点,检测速度无明显差异。为检验改进模型在冬枣园自然场景下的适应性,在光线不足、密集遮挡和冬枣不同成熟期的情况下对冬枣果实图像进行检测,并与YOLO v3模型的检测效果进行对比,结果表明,本文模型召回率提升了2.43~5.08个百分点,F提升了1.75~2.77个百分点,mAP提升了2.38~4.81个百分点,从而验证了本文模型的有效性。

基于改进YOLO v3-tiny的全景图像农田障碍物检测

为实现自动导航农机的避障,解决搭载在农机顶部的全景相机获取其周围360°的图像信息并精确实时快速检测出障碍物的问题,提出了一种改进YOLO v3-tiny目标检测模型,实现了田间行人和其他农机的检测与识别。为了提高全景图像中小目标的检测效果,以检测速度快、轻量级的网络模型YOLO v3-tiny为基础框架,通过融合浅层特征与第二YOLO预测层之前的拼接层作为第三预测层,增加小目标的检测效果;为了进一步增加网络模型对目标特征的提取能力,借鉴残差网络的思想,在YOLO v3-tiny主干网络上引入残差模块,增加网络深度和学习能力,从而能够较好地提高网络的检测能力。为了验证模型的性能,建立了农田环境下1100幅行人与农机两类障碍物图像原始数据集,经数据扩增后得到2200幅图像数据集,按8∶1∶1将数据集划分为训练集、验证集和测试集,在Pytorch 1.8深度学习框架下进行模型训练,模型训练完后用220幅测试集图像对不同模型进行测试。试验结果表明,基于改进YOLO v3-tiny的农田障碍物检测模型,平均准确率和召回率分别为95.5%和93.7%,相比于原网络模型,分别提高了5.6、5.2个百分点;单幅全景图像检测耗时为6.3 ms,视频流检测平均帧率为84.2 f/s,模型内存为64 MB。改进后的模型,在保证检测精度较高的同时,能够满足农机在运动状态下实时障碍物检测需求。

基于改进YOLO-V3网络的百香果实时检测

针对目前流行的目标检测模型对真实果园中百香果检测的抗干扰能力不理想问题,本文提出基于改进的YOLO-V3网络对真实果园中百香果进行实时检测。首先,剔除YOLO-V3模型的大物体预测尺度,将3尺度预测降为2尺度预测,用于加快物体的检测速度;其次,在中型物体预测尺度后添加DenseNet网络,用于增强网络特征传播,提高模型的检测精度;最后,利用改进的YOLO-V3网络对百香果数据集进行多次训练,得到最优预训练模型。实验结果表明:改进的YOLO-V3网络实时检测效果好,对目标的平均检测精度高达97.5%以上,并且检测速度达到38幅/s,为实时检测百香果提供了有效方法。

基于改进YOLO V3的钢轨伤损B显图像识别研究

针对钢轨探伤普遍存在的判伤时间长、漏报率高等问题,提出一种改进的YOLO V3算法。首先对YOLO V3网络结构进行改进,包括增加极小尺度检测层、添加SPP模块和SE模块等,然后对B显图像数据进行数据增强和杂波滤除处理,采用K-means聚类算法对数据集中的边界框进行聚类分析,获得12个先验框;其次对改进的YOLO V3网络进行参数调整,使用B显图像数据集对改进YOLO V3模型进行训练,最终实现对B显图像中的核伤、轨底伤损、表面伤损、异常螺孔四类异常数据集和断面、接头、螺孔、焊缝四类正常数据集的定位和识别功能。试验对17601张B显图片进行检测。结果表明,提出的钢轨伤损识别模型的平均精度为92.3%,检测速度达到44 ms/张,能够较为准确快速地检测钢轨伤损。

基于改进YOLO V3的肺结节检测方法

针对肺结节占CT图像比例小、形状不规则及直接应用YOLO V3算法进行肺结节检测效果不佳的问题,提出基于改进YOLO V3的肺结节检测方法。首先进行重采样和肺实质分割等预处理操作。然后修改YOLO V3的基础网络结构,调整骨干网络和检测网络的结构单元数量;使用Mish激活函数替换Leaky ReLU激活函数,引入含有空洞卷积的感受野模块层;修改损失函数。最后使用改进的YOLO V3方法进行肺结节检测,完成对比实验。在LIDC-IDRI数据集上得到了88.89%的准确率和94.73%的高敏感度,实验结果表明该方法能够有效检测肺结节。

基于改进YOLO v3网络的齿轮毛刺检测方法

由于齿轮毛刺位置的特殊性以及周围环境的相似性,传统的图像处理方法并不能取得很好的效果。因此,提出一种基于改进YOLO v3网络的目标检测算法,实现对齿轮毛刺特征的快速检测。通过提高网络输入的分辨率和调整网络结构的方法,使改进YOLO v3网络的性能得到进一步优化,提高检测效率。在制作标签前,采用张氏标定法消除镜头畸变对图片的影响。结果表明:与原YOLO v3网络相比,改进后的网络具有更优的检测效果,其网络大小减少了1/4,而检测速度提高了近2倍。

基于改进型YOLO v3的绝缘子异物检测方法

绝缘子作为输电线路重要的组成部件,其功能完整性对电网的安全运行至关重要。绝缘子所处的户外环境极易导致其存在异物搭挂,有必要监控绝缘子的运行状态。提出一种基于改进型目标检测算法(YOLO v3)的绝缘子异物检测方法:Dense-YOLO v3,设计密集网络(Dense-net)替代原网络其中一个卷积层,实现绝缘子的多层特征复用和融合,提高了检测精度。扩增了训练集以提升网络的训练效果;提出误检代价函数以度量误检的风险。实验结果表明,Dense-YOLO v3在测试集上的检测精度达到94.54%,误检代价低于YOLO v3和Faster-RCNN,可初步应用于输电线路的无人机巡检作业。

基于YOLO V3的输电线路故障检测方法

在输电线路上,螺栓松动和导线破损是普遍存在的输电线路故障,检测出这些故障对电力系统的安全运行具有非常重要的意义。YOLO V3是一种准确率高实时性强的目标检测算法,因此提出了基于深度卷积神经网络的YOLO V3目标检测方法,识别和定位输电线路上的螺栓和破损导线。通过对YOLO V3算法进行适应性的改进,使得输电线路上的检测任务更加快速和准确。利用TensorFlow框架搭建目标检测网络,训练得到最终检测模型并测试。实验结果表明,该输电线路故障检测方法实时性强、准确率高,能够满足自动检测输电线路上的螺栓和破损导线的要求,极大地提高了电力系统检修工作的"智能化"。

基于YOLO v3的煤岩钻孔图像裂隙智能识别方法

提出一种基于YOLO v3的深度卷积神经网络检测识别数字钻孔图像裂隙自动识别方法。首先详细阐述了新版本YOLO v3目标检测原理,然后选取煤矿井下钻孔图像在VOC 2007上制作数据集,采用Darknet-53的网络结构进行训练。试验结果表明基于的YOLO v3的钻孔图像裂隙检测方法可以快速准确识别,为围岩裂隙机器的视觉识别提供了新技术支持。

基于YOLO v3算法的不同主干网络对织物瑕疵检测

针对布匹瑕疵检测中由于输入图片尺寸较大导致检测速度降低的问题,提出了使用轻量化的MobileNets、更细粒度多尺度特征的Res2Net修改YOLO v3主干网络的两种方案。在相同条件下训练3种YOLO v3网络,实现了对20种缺陷的检测。对比搭载3种主干网络YOLO v3算法的参数量、检测速度和精度,利用可视化工具Grad-CAM研究3种主干网络对缺陷的特征提取能力。实验结果表明,搭载MobileNets主干网络的参数量是原始网络的1/3,检测速度提高30%,并且在精度上mAP值达到31.22%,接近原始网络的32.54%。Res2Net的细粒度多尺度特征结构在布匹瑕疵检测上没有明显优势。Grad-CAM可视化结果表明MobileNets主干网络在特征提取上更专一。

基于YOLO模型的堤坝管涌监测智能识别方法

针对堤坝管涌现象的监测识别问题,提出一种基于YOLO模型的堤坝管涌识别方法。该方法通过引入改进的残差块及替换模型的激活函数来提升YOLO v3模型的网络性能,构建了基于堤坝管涌感兴趣区域提取的Piping YOLO模型来提取管涌感兴趣区域,并采用二维主成分分析方法提取管涌现象的特征,将其作为多权值神经网络的输入,经训练后实现管涌状态的分类识别。基于自主搭建的管涌渗漏试验平台建立了数据集并进行了试验验证,结果表明,提出的方法能有效识别堤坝管涌现象,在堤坝管涌无人巡检领域具有一定的应用前景。

基于FPGA的双源无轨电车的改进型YOLO-V3模型

为实现双源无轨电车对集电盒的智能识别和挂载,基于第三版传统黑暗网络的主干网络单次检测(YOLO-V3)网络模型,提出以轻量化移动网络为主干网络的改进型YOLO-V3网络。通过数据集的处理、模型的设计、训练环境的搭建等完成了网络的部署,然后对模型规模、识别精度和处理速度等指标进行比较。结果显示改进型YOLO-V3网络使用更小的计算资源得到更优精度。网络部署在FPGA内部中央处理器的分散处理单元中。实车测试结果表明,改进网络明显优于其他传统网络。

改进YOLO V3的集中器故障识别

计量设备运维人员技术水平和经验有限、运维记录不便统计分析等问题亟待解决。YOLO V3算法在自然图像上的准确率和计算速度方面有着良好平衡,但在计量设备图像目标识别上表现较差,因此提出一种改进的YOLO V3检测算法,用于集中器设备故障检测。通过优化的anchor box设计和可变形卷积改进YOLO V3算法,实现对现场设备运行状态的自动识别,提升集中器设备的运维效率和质量。实验结果表明,所提改进的YOLO V3算法在集中器图像上取得较好检测效果。

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YOLO V3神经网络的轨道车辆识别技术研究

传统铁路货车图像识别以车辆号码特征识别为主,存在着受现场环境光照干扰大、安装不便等不足之处,对铁路车辆的识别率低,存在一定安全隐患。针对这一问题,本文利用近年来发展迅速的卷积神经网络、YOLO V3模型、深度学习技术,建立了铁路车辆识别模型,优化了YOLO V3识别算法,利用GPU加速技术减少了CPU的工作负荷,实现了铁路车辆高速通过环境下的车型识别与统计。搭建了简易的试验系统,通过采集图像、数据分析、特征提取等完成铁路车辆车型的识别,在多种环境下进行了试验,并与其它深度学习算法进行了比对,证明设计的有效性及先进性。为进一步提高铁路货运保障技术提供技术铺垫,可以应用在铁路生产、运营、维保等诸多方面,助力铁路货车智能化发展。

融合机器视觉和无监督域适应的轻型弱小目标检测方法

针对轻型弱小目标因体积小及亮度弱等导致目标检测跟踪困难的问题,提出融合机器视觉和无监督域适应的轻型弱小目标检测方法。采用Gamma校正方法对图像中弱亮度的轻型弱小目标进行光照补偿,增强目标轮廓清晰度,提取并融合特征显著图获得图像目标区域,通过YOLO-V3网络将原始图像集作为源域样本训练网络,将目标区域作为目标域样本展开无监督域适应的目标检测。结果表明,所提方法的图像目标提取精度提高了2.05%,目标检测精度达82.36%,相较于其他对比方法检测精度提升了2.1%。验证了该方法检测轻型弱小目标的有效性。

基于改进YOLO v3模型与Deep-SORT算法的道路车辆检测方法

针对道路车辆实时检测遮挡严重与小目标车辆漏检率高的问题,提出了基于改进YOLO v3模型和Deep-SORT算法的车辆检测方法;为提高模型对道路车辆的检测能力,采用K-meansSymbolk@pSymbolk@p聚类算法对目标候选框进行聚类分析,选择合适的Anchor box数量,并在网络浅层增加了特征提取层,可提取到更精细的车辆特征;为加强网络对远近不同目标的鲁棒性,在保留原YOLO v3模型输出层的同时,增加了一层输出层,将52像素×52像素输出特征图经过上采样后得到104像素×104像素特征图,并将其与浅层同尺寸特征图进行拼接,实现车辆目标的检测;为了降低目标遮挡对检测效果的影响,提高对视频上下帧之间关联信息的关注度,将改进YOLO v3模型和Deep-SORT算法相结合,以此来弥补两者之间的不足。试验结果表明:改进YOLO v3模型有效地提高了车辆检测的性能,与在网络浅层增加特征提取层的模型相比,平均精度提高了1.4%,与增加一层输出层的模型相比,平均精确度提高了0.8%,说明改进YOLO v3模型提取的特征表达能力更强,增强了网络对小目标的检测能力;改进YOLO v3模型在引入Deep-SORT算法后,查准率和召回率分别达到90.16%和91.34%,相比改进YOLO v3模型,查准率和召回率分别提高了1.48%和4.20%,同时保证了检测速度,对于不同大小目标的检测具有良好的鲁棒性。

基于视觉感知的机器人工件识别方法研究

目的解决定制化木门尺寸规格不统一、表面纹理多样而导致的堆垛分类困难、搬运效率低下等问题。方法提出采用深度学习方法进行定制式木门工件检测,以YOLO V3网络为基本框架开展机器人工件识别方法研究。首先,通过图像数据增强和预处理,扩充定制式木门数据;然后,进行YOLO V3损失函数改进,并根据木门特征进行定制式木门数据集锚框尺度的重新聚类;最后,应用空间金字塔池化层进行YOLO V3中特征金字塔网络改进,并通过随机选取的测试集验证本文方法的有效性。结果测试数据集的平均检测准确率均值达到98.05%,检测每张图片的时间为137 ms。结论研究表明,本文方法能够满足木门生产线对准确率和实时性的要求,可大大提高定制化木门转线及堆垛效率。

基于ResNet网络的红绿灯智能检测算法研究

提出了一种基于深度学习的红绿灯目标检测算法.在Yolo V3模型中引入残差模块学习方法,提出以ResNet残差网络模块作为特征提取网络,优化网络结构深度,对图像模型裁剪、训练参数等方面进行调整,利用PaddlePaddle深度学习平台AI Studio对红绿灯目标检测模型进行训练,得到了红绿灯的准确检测结果,红灯测试精准率达到0.992 6,绿灯精准率达到0.972 4,相比原网络结构模型红灯精准率0.932 2,绿灯精准率0.991 8,平均精准率(MAP)由原来的0.865 9提高到0.896 6,模型精准率提高了3个百分点.利用模拟和实际采集的数据,分别验证了模型的可靠性,实现了盲人弱势群体可以安全过马路.

基于AI技术的无人机机载前端智能识别技术研究

将无人机高精度定位技术与视觉跟踪技术融合,可以实现输电线路设备高清影像的精准采集。因此,有必要建立基于无人机机载前端的巡检图像智能识别前端系统模型,实现输电线路设备缺陷、通道隐患的实时识别。其间可以将人工智能(AI)技术应用到无人机机载前端智能识别中,结合目标检测算法,获得智能识别结果。现场应用后,无人机视角下的微小目标检测符合应用要求。本研究成果可在一定程度上提升无人机巡检应用效果。