YOLO网络配电网故障选线方法

针对现有的配电网故障选线困难的问题,提出一种基于YOLO网络的配电网故障选线方法。首先,使用三相电流构建极坐标二维图像,充分提取特征信息;之后,对各线路三相电流的极坐标图像进行像素级融合,并以不同颜色区分,在进一步加强图像特征的同时,降低原始图像的冗余度;最后,使用YOLO神经网络对融合图像进行特征提取,训练得到最优的模型文件,利用该模型实现故障选线。将该方法与现有的故障选线结果进行对比,结果表明,该方法选线准确率可以达到99.95%,选线时间12.9 ms,明显优于其他故障选线方案,且该方案不受故障时刻、故障类型和过渡电阻等因素的影响,可满足配电网故障选线的准确度和可靠性需求。

融合特征通道重要性与相似性的深度YOLO网络压缩方法

基于深度YOLO网络的目标检测方法网络结构复杂、冗余参数过多、计算量大,极大影响模型检测性能。针对此问题,从降低网络中低效通道和冗余通道的影响出发,提出了一种融合特征通道重要性与相似性的深度YOLO网络压缩方法,基于深度网络压缩中的网络剪枝思路,采用2次剪枝剪去低效及冗余特征通道。构建通道重要性计算方法,将稀疏因子作为通道效能计算指标,结合剪枝率剪去低效通道;根据通道间存在的线性关系计算其相似度,对相似度较高的通道进行替代,剪去相似度较大的通道;微调模型参数,恢复剪枝前的检测精度。仿真实验表明,同当前性能较优的深度网络压缩方案相比,提出的方法在保证目标检测精度的同时极大减小了模型尺寸、提升了检测速度,方法可行、有效。

基于轻量化YOLO网络的实时X射线焊缝缺陷检测

X射线无损检测是进行焊缝焊接质量检查的重要方法,为了提高射线评片效率和准确率,本文提出了基于轻量化YOLO网络的实时X射线焊缝缺陷检测方法。首先,在分析焊缝射线检测图像特征的基础上,为提升焊缝图像缺陷检测精度与速度,设计了级联缺陷检测模型,先使用经过轻量化设计的焊缝定位网络定位缺陷集中分布的焊缝区域,再使用滑窗裁剪操作,将切割的小图输入到缺陷检测网络中进行精准的缺陷检测。然后,为了应对缺陷样本过少导致的网络过拟合问题,本文提出了基于负样本正常图像的Copy-Pasting数据增强策略,提升了缺陷检测精度。实验结果表明,本文提出的方法能够有效降低网络模型大小,同时mAP0.5达到99.5%,精确率99.8%,召回率99.6%,检测速度在20 frame/s至33 frame/s,能够满足实时辅助评片的要求。

基于YOLO网络和小波降噪的视频车辆跟踪测速优化

为获取准确有效的交通动态信息,提出一种源于YOLOv5的多目标检测算法,并融入注意力模块改进网络,结合DeepSORT实现长时间跟踪,同时运用摄像机标定方式获取真实运动轨迹。针对复杂环境下噪声等导致的测速质量下降问题,对原始车辆轨迹信号运用小波阈值降噪算法来减少噪声,降噪后的车速波动范围更小,车速标准差最高降低了44%,信噪比最高提升了2.37倍,速度相较降噪前更稳定,表明利用小波滤波对轨迹信号降噪可以大幅提高车速测量的质量,使得后续对交通车辆行为的判定分析更为精准。

基于YOLO网络的发电侧数据异常检测研究

该文提出了一种新的异常数据检测方法,可以满足发电侧异常数据检测的需要。在特征提取层的DBL和Pooling之间嵌入SENet结构,通过压缩、激励和重标定3个操作,使数据信息的特征提取更准确。在特征提取层后引入多尺度池化处理机制,从而提高YOLO网络的学习效率。试验结果表明,引入SENet结构和多尺度池化机制可以提高YOLO网络的特征提取准确性和迭代过程的收敛速度。

基于YOLO网络的行人检测方法

针对基于人工提取特征的行人检测器鲁棒性差的问题,借鉴目标检测的研究成果,提出一种行人目标实时检测方法。以YOLO网络结构为基础,结合行人在图像中呈现宽高比小的特点,聚类选取合适的候选框数量和规格,改进YOLO网络结构,调整候选框在X、Y轴方向的分布密度,形成适用于行人检测的网络结构。实验结果表明,与HOG、LatSVM-v2等行人检测方法相比,该方法降低了漏检率和误检率,提高了定位准确性,检测速度满足实时性要求。

基于敏感度的YOLO网络集成剪枝算法

深层卷积神经网络所需的计算量和存储空间严重制约了其在资源有限平台上的应用与部署。针对基于单一参数重要性评价或者特征重建的剪枝算法泛化能力较差的问题,提出基于敏感度的集成剪枝算法,利用BN层的缩放因子稀疏YOLO网络中卷积核个数较多的冗余层,结合3种参数重要性评价方法对卷积核做重要性排序,并根据敏感度确定每一层的剪枝比率。实验结果表明,该剪枝算法对于YOLOv3和YOLOv3-tiny网络分别缩减80.5%和92.6%的参数量,并且相比基于网络轻量化方法的剪枝算法提升了网络模型压缩后的检测精度和泛化能力。

基于改进型YOLO网络的商品包装类型检测

作为目标检测的一个应用方向,零售商品识别致力于通过对图像特征进行建模的方式实现对输入图像中的零售商品进行实体级别的定位和分类,其在无人销售领域具有广泛的应用前景。因此,针对零售商品包装类型检测这一问题,提出了一种基于改进版YOLO3网络的一般目标检测器。其使用更精简的骨干网络,并运用Reverse Connection结构改进了原有的目标检测头结构。实验结果表明,改进后的网络相对于原始网络在推理速度上有明显提升,同时在目标数据集上改进后的网络的平均检测精度也没有较大损失。

基于YOLO网络的数据采集与标注

随着数据量爆炸性的增长与机器性能的不断提高,基于卷积神经网络的目标检测技术愈发火热。YOLO(You Only Look Once)是基于回归的卷积神经网络的目标检测方法,其被得到广泛使用。对于个人使用YOLO网络训练模型而言,若想达到目标检测的目的,就必须拥有大量有效的数据,因此数据的采集与预处理也就变得尤为重要。首先介绍卷积神经网络的构造与原理,再延伸至YOLO网络的特点分析,以课题组项目中扫地机器人识别物为例子,介绍如何为自己的YOLO网络进行数据采集与标注,最后进行总结与展望。

基于增强型YOLO网络的射线探伤钢管焊缝缺陷实时检测模型

由于生产工艺条件的限制,钢管焊缝表面缺陷具有多样复杂的特征,不同产线生产的焊管焊缝缺陷往往具有不同的特征。因此,焊管表面缺陷检测算法应具有良好的泛化性能。本文针对钢管焊缝缺陷的检测,建立了16种类型的钢管焊缝缺陷数据集,并对数据集进行了扩充,以减少过拟合。文中改进了(YOLO-v5)网络由29个卷积层组成,为钢管焊缝缺陷检测提供了端到端的解决方案。利用该网络对16种类型的缺陷进行了评估,达到了97.55%的准确率和95.86%的召回率。此外,我们的网络以67FPS的速度实现了99%的检出率,为钢管焊缝射线探伤系统的缺陷实时检测提供了方法论支持。同时,该模型还可以预测缺陷区域的位置、尺寸和缺陷类型等信息,对评价整条焊管产线的质量具有重要意义。

候选框密度可变的YOLO网络国际音标字符识别方法

针对传统方法对国际音标(IPA)的字符特征提取存在的识别精度低、实效性差等问题,提出了一种候选框密度可变的YOLO网络国际音标字符识别方法。首先,以YOLO网络为基础,结合国际音标字符图像X轴方向排列紧密、字符种类和形态多样的特点来改变YOLO网络中候选框的分布密度;然后,增加识别过程中候选框在X轴上的分布,同时减小Y轴方向上的密度,构成YOLO-IPA网络。对采集自《汉语方音字汇》的含有1 360张、共72类国际音标图像的数据集进行检验,实验结果表明:所提方法对尺寸较大的字符识别率达到93.72%,对尺寸较小的字符识别率达到89.31%,较传统的字符识别算法,大幅提高了识别准确性;同时,在实验环境下检测速度小于1 s,因而可满足实时应用的需求。

基于改进YOLO网络的混凝土裂缝检测方法研究

对于模型规模大、算力要求高的目标检测网络,一般很难实现移动部署,因此,在混凝土裂缝检测领域中的应用受到制约。为此,提出一种混凝土裂缝检测网络模型(YOLO-GAMM),将YOLOv5s主干网络替换为轻量型网络MobileNetV3,再引入全局注意力机制以实现YOLO-GAMM,使其复杂度和精度能够满足便携式混凝土裂缝检测系统的要求。仿真结果表明,与YOLOv5s模型相比,改进后的网络模型计算量缩小了60.0%,占用的内存约缩减了65.5%,性能良好。

基于改进YOLO v8n-seg的羊只实例分割方法

羊只实例分割是实现羊只识别和跟踪、行为分析和管理、疾病监测等任务的重要前提。针对规模化羊场复杂养殖环境中,羊只个体存在遮挡、光线昏暗、个体颜色与背景相似等情况所导致的羊只实例错检、漏检问题,提出了一种基于改进YOLO v8n-seg的羊只实例分割方法。以YOLO v8n-seg网络作为基础模型进行羊只个体分割任务,首先,引入Large separable kernel attention模块以增强模型对实例重要特征信息的捕捉能力,提高特征的代表性及模型的鲁棒性;其次,采用超实时语义分割模型DWR-Seg中的Dilation-wise residual模块替换C2f中的Bottleneck模块,以优化模型对网络高层特征的提取能力,扩展模型感受野,增强上下文语义之间的联系,生成带有丰富特征信息的新特征图;最后,引用Dilated reparam block模块对C2f进行二次改进,多次融合从网络高层提取到的特征信息,增强模型对特征的理解能力。试验结果表明,改进后的YOLO v8n-LDD-seg对羊只实例的平均分割精度mAP_(50)达到92.08%,mAP_(50:90)达到66.54%,相较于YOLO v8n-seg,分别提升3.06、3.96个百分点。YOLO v8n-LDD-seg有效提高了羊只个体检测精度,提升了羊只实例分割效果,为复杂养殖环境下羊只实例检测和分割提供了技术支持。

基于改进YOLOv5的道路缺陷检测与分类研究

针对道路缺陷识别中识别准确度低,容易出现漏检情况等问题,提出了一种改进YOLOv5网络的图像识别算法用于道路缺陷识别。首先,在YOLOv5网络的颈部网络中引入集中注意力机制(CBAM)与原有的CSP结构结合,提高对道路缺陷特征的关注能力。然后,在特征融合层引入自适应特征融合机制(ASFF),改善主干网络的特征提取能力,提升算法检测精度。最后,道路缺陷识别消融实验和对比实验表明,使用改进后的YOLOv5s算法的平均准确率达到77.2%,相较于原YOLOv5s算法提高2.3%,召回率达到74.9%,提高2.5%,其他各项指标均有提升,验证了改进方法的有效性。

基于YOLO的违禁品检测深度卷积网络

为自动识别X光图像中的违禁品,在YOLOv3深度卷积神经网络的基础上,文章针对多数违禁品对象尺寸较小,经常折叠交叉的特点,对YOLO网络的部分结构和机制进行了改进,构建了违禁品检测深度卷积神经网络探码器,用于对从安检系统获得的X光图像进行违禁品检测。实验结果表明,所提方法除了响应时间比YOLOv3稍长之外,在检测识别密集分布物体、小尺度目标及识别精度方面,均明显优于后者。

基于YOLO网络系统的材料缺陷目标检测方法研究

基于图像的传统材料缺陷目标检测技术存在检测精度低,检测速度慢等问题。卷积神经网络(CNN)的出现很大程度上改善了上述问题,但是大多数的CNN都是基于候选区域方法来对目标进行定位,这样虽然能够提高检测的精度,但是对于实时检测系统而言,受硬件条件限制,检测速度难以满足工业实时检测要求。针对这一问题,本文提出了一种基于YOLO网络系统的材料缺陷目标检测算法来提高检测速度,利用YOLO网络把整张图像作为输入,直接在输出层回归目标边界框的位置和其类别,不再需要候选区域生成步骤,但是这样会对精度有所损失,所以最后本文对YOLO网络系统进行优化,利用DenseNet网络的优点,结合神经网络前面特征层的信息,在不影响检测速度的同时,保证材料缺陷目标检测的精度。

基于YOLO卷积神经网络的水稻秧苗行线检测

为了提高插秧机视觉导航精度,提出了一种基于YOLO卷积神经网络的水稻秧苗行线检测方法。首先对原始图像进行裁剪和拉伸预处理,划分为子图,然后由YOLO网络训练子图,根据秧苗目标框的位置信息确定秧苗行定位点,并拼接子图定位点获取全图秧苗行定位点,连接秧苗行定位点生成秧苗行线,计算相邻定位点间线段斜率以获得行线角度。试验结果表明,YOLO网络的秧苗区域检测性能优于Faster R-CNN和ResNet101,且秧苗行线的检测准确率高于Hough变换和聚类算法。该方法泛化性能强,可以准确检测秧苗行线,为插秧机视觉导航的路径规划提供可靠的定位信息。

基于YOLO v4卷积神经网络的农田苗草识别研究

农田杂草是影响农作物生长的主要因素之一,农田杂草的有效防治与农作物产量息息相关。复杂田间环境下,精准识别玉米秧苗与农田杂草能够指导除草装备作业更加经济和高效。为提高农田目标识别精度和效率,文章基于深度学习技术的目标检测方法,首先使用多苗期、多时段和单一拍摄角度的图像采集方式并配合数据增强方法制作一个特征丰富的数据集。通过减少YOLOv4网络的输出张量为13×13和52×52两个尺度匹配玉米苗和杂草,并用制作数据集作网络训练。训练结果表明,改进后YOLOv4网络训练得到的检测模型在综合性能上优于YOLO v3、原本YOLO v4和主干网络为VGG19的Faster R-CNN;其F_(1)值为0.828,较修改前提升0.031,检测时间缩短0.014s。此外,根据试验可知数据量和数据增强方式均对模型产生不同程度影响;不同类别的目标进行单一训练比多类别目标组合训练得到检测效果更好。

改进YOLOX的轻量级安全帽检测方法

针对施工环境下安全帽数据集少,被检测物体目标小和现有检测模型参数量大导致的模型鲁棒性差,准确率低,训练时间长问题,提出了一种改进YOLOX网络的安全帽检测方法。使用在线困难样本挖掘(OHEM)寻找数据集中的困难样本,结合马赛克(Mosaic)方法对困难样本拼接来扩充训练集数量;在模型预测端(prediction)加入分支注意力模块,将网络输出分为两部分输入模块来提取空间层面和通道层面上关键信息;提出一种新的余弦退火算法,初始时加入预热(warm up),过程中逐段减小学习率曲线的振荡幅度,训练中减小模型的收敛时间。实验结果表明,与原方法相比,改进安全帽检测方法对安全帽检测的mAP、准确率、召回率分别提高了6.77、2.52、9.14个百分点,训练中使用CDWR余弦退火算法在同周期下损失值减少了0.5~1.0,与原算法相比训练收敛时间减少约50%。

基于改进YOLO深度卷积神经网络的缝纫手势检测

在人机协作领域,针对动作手势相似度大,环境复杂背景下手势识别率低的问题,提出一种基于YOLO深度卷积神经网络检测识别缝纫手势的方法。以4种复杂缝纫手势作为检测对象并构建缝纫手势数据集,通过在YOLOv3低分辨率的深层网络处增加密集连接层,加强图像特征传递与重用提高网络性能,实现端到端的缝纫手势检测。实验结果表明,在缝纫手势测试集中,训练后的模型平均精度均值为94.45%,交并比为0.87,调和平均值为0.885。通过对比区域卷积神经网络、YOLOv2以及原始YOLOv3算法,提出的改进方法检测精度有显著提升;同时在GPU加速情况下,平均检测速度为43.0帧/s,可完全满足缝纫手势的实时检测。