基于YOLO v5的直播油菜激光间苗系统设计与试验

间苗是保证直播油菜增产的一项关键技术措施,为解决人工间苗劳动强度大、机械间苗不精确的问题,采用机器视觉的方式,基于深度学习算法YOLO v5平台,设计并搭建自动间苗装置。机器视觉系统评估幼苗种群的合理密植情况,间苗算法以间距和幼苗叶展为评估标准,实现控制幼苗间距和筛选优质苗的功能。选用遗传算法对间苗行进路径进行规划,相较于未规划路径可缩短最低为50%的行进距离,最终采用激光器高温烧除的方式完成间苗作业。选取油菜苗作为试验材料,间苗阈值α是划定幼苗最小间距的参数,设置不同的间苗阈值α进行试验。结果表明,间除苗的数量随着间苗阈值α的增加而增加,幼苗平均密度下降的同时种群分布趋于均匀,对间除苗的叶展长度分类统计,α为0~75 mm时,间除苗叶展长度全部在0~20 mm范围;α为75~200 mm时,间除苗叶展长度为0~40 mm,其中叶展长度为20~40 mm的最高占比约为76%;α为200~350 mm时,间除苗叶展长度在40 mm以上的幼苗开始增加,最高占比约为14%,间除苗叶展长度梯次分布证明了间苗算法具备筛选优质苗的性能。间苗执行阶段耗时占据间苗作业总耗时的90%以上,以激光走线参数L、激光器功率P、间苗距离阈值为试验因素,三因素三水平正交试验结果表明:选择合适的激光走线参数L能有效提高间苗死亡率、降低间苗误伤率和减少间苗耗时,在参数L为30 mm、P为7.5 W、α为250 mm下开展土槽台架性能验证试验,激光间苗平均死亡率为93.29%,平均误伤率为5.19%,平均总耗时为15.19 min,为开发基于机器视觉的激光自动间苗机提供了理论基础和技术支撑。

基于改进YOLO-V5算法的烟火检测方法

为减少自然环境中云、水雾、沙尘、灯光、日出、日落等干扰因素对烟雾、火焰目标检测准确性的影响,提出一种基于改进YOLO-V5算法的烟火检测算法。采用现场采集和网络爬取的方法获取烟雾、火焰目标图像和干扰类图像数据集,均衡学习训练样本,提高模型泛化能力;使用加权双向特征金字塔网络(BiFPN)替换原有的特征金字塔网络(FPN)+路径聚合网络(PAN)结构,对目标进行多尺度特征融合,加强模型特征融合能力;同时,运用距离交并比(DIoU)非极大值抑制(NMS)替代原有的NMS,加快检测框损失函数收敛速度,加强模型推理能力。结果表明:改进后的算法准确率为79.2%,召回率为68.6%,平均精度均值(mAP)为74.2%,误报率(FPR)为12.8%;相比于原YOLO-V5算法,改进后的算法准确率、召回率、mAP分别提高1.9%、0.9%、2.7%,检测识别FPR降低3.7%。

基于YOLO v5s和改进SORT算法的黑水虻幼虫计数方法

目前农业环境下的无序目标的精确计数有很高的应用需求,这种计数对其生物量、生物密度管理起到了重要的指导作用。如黑水虻幼虫目标追踪过程中,追踪对象具有高速和非线性的特征,常规算法存在追踪目标速度不足和丢失目标后的再识别困难等问题。针对以上问题,本文提出了一种改进SORT算法,通过改进卡尔曼滤波模型的方式提升目标追踪算法的快速性和准确性,提升了计数的精度。另外,针对黑水虻幼虫目标识别过程中幼虫性状的多样性和混料导致的复杂背景问题,本文通过实验对比多种深度学习网络性能选定YOLO v5s算法提取图像多维度特征,提升了目标识别精度。实验结果表明:在划线计数方面,本文提出的改进SORT算法与原模型相比,平均精度从91.36%提升到95.55%,提升4.19个百分点,通过仿真和实际应用,证明了本文模型的有效性;在目标识别方面,使用YOLO v5s模型在训练集上帧率为156 f/s,mAP@0.5为99.10%,精度为90.11%,召回率为99.22%,综合性能优于其他网络。

融合BiFPN与YOLO v5网络的工厂火灾检测

针对工厂火灾检测中存在环境复杂、目标密集、火焰初期目标较小、样本像素较低以及火焰边界特征不明显等问题,提出一种基于改进YOLO v5的工厂火灾检测算法Bi-YOLO v5。该方法通过融合加权双向特征金字塔(BiFPN)来增强特征信息;通过锚框参数优化增强了网络的泛化能力;通过损失函数改进提升了网络的收敛速度。实验结果表明,相比YOLO v5算法Bi-YOLO v5模型的准确率和平均精度分别提高了2.2%和1.7%,并且每帧推理时间降低到了27 ms,达到了在复杂的工厂环境下对火灾检测的要求。

基于YOLO-V5的矿车桁架铆接孔定位技术研究

在矿车车厢自动化生产中,采用机器视觉技术来实现自动铆接工艺。为了对铆接孔进行准确识别与定位,采用深度学习中的YOLO-V5算法对铆接孔进行实时检测,结合最小二乘拟合圆法,在弥补了检测结果缺陷的同时,利用提取的铆接孔边缘坐标,实现了对铆接孔所在位置的准确定位。通过试验,证明了该方法的可行性与鲁棒性。通过对比试验,证明了算法的优越性。

基于YOLO-v5和ResNet的舱底水液位识别算法

针对船舶破损浸水后无法快速识别的问题,提出一种基于YOLO-v5和ResNet算法的舱底水液位识别算法,测试结果显示,该方法的准确率和响应速度基本达到实际使用需求,随着训练样本数量增加,该舱底水液位识别算法的精度将继续提高,并具备在船舶损害管制系统中应用的可能。

基于改进YOLO v5的电厂管道油液泄漏检测

针对电厂油库、化水车间等关键区域油液管道时常发生泄漏问题,本文提出了一种基于改进YOLO v5的电厂关键区域管道油液泄漏检测方法,通过融入CBAM注意力机制模块,加强对管道油液泄漏区域图像的特征学习与特征提取,同时弱化复杂背景对检测结果的影响;在此基础上运用了双向特征金字塔网络进行多尺度特征融合,减少冗余计算,同时提升算法对小目标的检测能力;最后采用Focal EIoU Loss作为损失函数,使回归过程更加专注于高质量锚框,加快收敛速度,提高模型的回归精度和鲁棒性。实验结果表明,本文所提出的改进算法在真实样本中表现良好,平均准确率达79.6%,较原YOLO v5s目标检测算法提高了38.4%,在电厂复杂背景下的误报率和漏报率明显下降,可有效应用于实际生产环境中。

基于YOLO v5的施工现场清洁度智能识别与评定

针对施工现场灰尘识别缺乏积灰程度的识别,本文提出了基于YOLO v5算法的灰尘检测与清洁度评定方法,研究选择高效的YOLO v5算法对几种工地灰尘和垃圾进行检测并分配不同的权重系数,统计检测目标数量加权出清洁度指数,进而对检测区域清洁度作出等级评定。系统根据清洁度等级来指挥平面清洁机器人进行清洁任务,使其高效完成清洁作业。实验结果表明:模型检测准确率为90.6%,灰尘和工地垃圾在测试集上的mAP@0.5达到90.9%。本文算法可准确灰尘识别并对检测的工地平面进行清洁度评定。

基于神经网络的难选夹层磷矿石预分选理论研究

针对传统的夹层磷矿石人工分选工艺繁琐复杂,智能化程度低,浪费大量人力物力,导致生产处理成本增加等问题,引入了图像处理神经网络,提出了一种基于YOLO-V5的目标检测方法进行分选。首先将主干网络替换为Mobilenet-V2网络,达到缩小模型体积的效果,后对Mobilenet-V2进行改进,引入SE模块,提高网络对有效信息的敏感度,以得到更多的特征信息,从而提高最终的检测精度;其次对模型的预测网络进行改进,将藕头检测方式替换为解耦头检测,并采用混合通道策略构建更高效的解耦,达到提升检测速度的目的。结果表明,YOLO-V5-RM2比YOLO-V5的模型参数量减少了41%,并且在不影响模型精度的情况下,检测速度提升了68.9%,利用该模型进行检测分类并对结果进行化验分析,I类矿石品位得到了较为明显的提升,能够满足磷矿石预分选需求,实现磷矿预富集的目的。

一种基于视觉识别的乒乓球捡球机设计与开发

针对目前乒乓球捡球机捡球机构不完善、乒乓球识别算法适应性差的问题,提出一种基于视觉识别的智能乒乓球捡球机.采用树莓派4B开发板作为控制单元,利用轻量化的you only look once(YOLO)v5s算法,对乒乓球进行识别;通过扇叶式集球机构,将乒乓球卷入收纳篮.实验结果表明:在乒乓球数小于150个的情况下,该捡球机的识别精确率与查全率均可达到95%以上,漏检率控制在7%以下.同时,集球机构结构简单、可靠、效率高,整体设计方案具有较好的实际应用价值.

基于计算机视觉的夜间交通流量统计算法研究

针对夜晚环境中传统交通流量统计出现的实时性、鲁棒性及准确性不高的问题,提出了一种基于改进的YOLO v5s交通流量统计算法。采用残差网络的连接结构对YOLO v5s算法中的Focus层进行改进。将改进后的YOLO v5s算法与DeepSORT跟踪算法、统计模块搭建高效的交通流量统计框架。采集实际路况的夜间场景视频来对该框架的准确性进行验证。实验结果表明,该算法平均准确率达到92.9%,较改进前提升3.0%,平均检测速度可以达到33.4 Hz,准确率及实时性都能满足交通流量统计要求。该算法框架可有效地提供夜间交通流量数据,为智能交通发展提供一定的技术支持。

改进的DeepSORT发电厂人员跟踪算法

针对发电厂存在大型设备遮挡、跟踪算法易出现目标ID切换引起跟踪失败的问题,提出基于DeepSORT的改进算法.该算法采用YOLO v5s+DeepSORT实现目标跟踪,针对目标遮挡问题加入边缘撞线机制,设计遮挡补偿函数,缓解目标因遮挡转为删除态的问题.对目标特征保存提出基于置信度权重和关键帧的保存方法,优化特征库质量,提高算法的重识别能力.试验结果表明,改进后的跟踪算法IDS平均下降40.4%、IDF1平均提高16.1%、MOTA平均提高11.6%,MOTP平均提高2.1%,遮挡发生时ID切换次数明显减少,提高了跟踪系统的抗遮挡能力.

基于机器视觉的矿井提升机首绳抖动监测系统设计与应用

为了解决提升机首绳抖动带来的隐患问题,本系统基于改进YOLOv5算法,开发首绳抖动视频智能分析监测系统。该系统首先获取视频流,将视频流的图像取出进行双线性插值法处理之后输入到训练好的YOLOv5模型中,进行提升机首绳的异常识别;再通过PyQt控件设计图形化界面对系统进行控制。在实现提升机首绳异常监测的基础上,系统增加了视频储存、视频回放以及输出报警信号等功能,以首绳偏离10 cm抖动区分正负样本,抖动检测精度达到95%以上。

基于航拍数据的互通隧道小净距路段运行速度模型

为探究车辆在隧道出口-互通出口小净距路段运行速度变化规律,改善当前山区高速公路小净距路段行车安全性不足现状,开展小净距路段车辆运行速度模型研究。首先,基于无人机航拍获取西汉(西安—汉中)高速等4处隧道出口-互通出口小净距路段车辆实测数据,利用YOLO-v5算法编写航拍视频数据提取程序,输出车辆在目标路段的实时速度数据和轨迹数据,同时结合驾驶仿真模拟系统对试验进行对照组数据补充。其次,统计车辆在该区域运行情况及断面速度分布并进行宏观分析,确定构建运行速度模型的自变量。最后,应用非线性曲线拟合软件1stOpt对分析数据进行回归,分别建立小型车、大型车在出口小净距路段主线行驶、驶出主线的运行速度预测模型,并依托西南山区某小净距工程实际路段开展预测模型的有效性验证。研究结果表明:出口小净距路段车辆运行速度与主线半径、车辆距隧道洞口距离和净距长度存在显著正相关关系;建立的运行速度预测模型通过了拟合优度检验、统计学残差检验和相对平均误差检验,模型预测值与实测值的相对误差平均值均小于10%,回归模型满足精度要求。本研究能应用于实际工程中的隧道出口-互通出口小净距路段,能准确表征车辆在此区域的速度变化规律,在预测车辆运行速度和表征速度变化规律方面具有一定的参考价值。

一种遥感图像车辆检测方法

针对常用的遥感图像车辆检测方法稳定性和效率较差的问题,本文提出一种改进YOLO-V5遥感图像车辆检测方法。首先,使用群归一化层替换YOLO-V5中的归一化层,消除训练数据大小对模型的影响,降低模型训练对显卡显存的需求,增加模型收敛速度;然后,使软非极大值抑制算法选择车辆目标锚框,可更精确地定位车辆,防止因遮挡漏检车辆。由实验可知:相比原YOLO-V5模型的各类别平均精确度提高了1.53%,帧率提高0.83,表明所提方法稳定性更好、检测效率更高,可应用于遥感图像汽车检测领域。