基于改进YOLO-MobileNet的近红外图像特征驾驶员人脸检测

针对暗光环境下驾驶员人脸检测问题,提出了一种基于改进YOLO-MobileNet轻量级深度学习算法的近红外图像特征驾驶员人脸检测方法。以高于人眼敏感范围但在CMOS响应范围内的近红外光对人脸进行补光,使用摄像头采集图像,通过经改进并且轻量化的YOLO-MobileNet网络进行特征提取。试验结果表明:在FADIA数据集上,改进后的算法检测精度为84.93%,YOLOv5s算法为85.37%,改进后检测精度降低了0.44%,但检测速度提高了7.6毫秒。

轻量化YOLO模型在农作物微小病虫害检测中的应用研究

针对农作物病虫害检测中早期微小病虫害变化目标识别准确率不高的问题,提出一种轻量化农作物微小病虫害检测算法YOLO-MobileNet-CBAM。该算法采用MobileNetV3轻量级卷积模块替换YOLOv5s的主干提取网络来降低参数运算量,并引入CBAM注意力机制从通道和空间两个维度对重要的特征提取进行强化,有效增强小目标的聚焦准确度。卷积模块中用H-SiLU代替原模型的SiLU激活函数提高训练速度,避免梯度消失问题。通过将SIoU函数代替原模型中的GIoU函数计算预测框回归损失,将形状损失计算在内,进一步提高小目标定位精度。通过特征金字塔输出4个不同尺度的检测头识别大面积病害、微小病害及虫害目标,增加微小目标的检测精度。结果表明,YOLO-MobileNet-CBAM在微小病虫害目标检测任务中精确率达92.38%,召回率达90.24%,平均精度大于90%。实现模型轻量化,同时有效提高检测精确度,为手持式终端检测应用提供技术支持。

基于改进的Yolo v4绝缘子目标识别算法研究

针对传统卷积神经网络模块体积庞大、运算量高,在体积较小、资源有限的嵌入式平台上运行效果不好,以及现有轻量化模块无法满足测量速度和测试精确度要求的问题,为此选择目前的主流目标识别算法Yolo v4进行模型轻量化,在Yolo v4模型中引入Mobilenet网络和深度可分离模块进行研究。研究结果表明,改进后不同Mobilenet网络的Yolo v4模型检测一张图片的用时均比原始Yolo v4模型减少19 ms以上,准确率都高于92%。其中以Mobilenet v3为主干特征提取网络的改进Yolo v4模型的准确率为95.12%,与原始Yolo v4模型准确率相比提高2.99%,但该模型的参数量约为Yolo v4模型的1/6,模型处理一张巡检图片用时比原Yolo v4模型减少20 ms。绝缘子作为输电线路的重要组成部分,在众多图像中更快地识别出绝缘子能为之后分析输电线路的运行情况提供帮助。

基于MobileNet-YOLO V4模型的无人机影像目标快速检测

无人机影像背景复杂、目标小且密集排列,基于深度学习的目标检测方法可以提高目标检测的准确率,但普遍存在模型参数量较多、检测速度较慢等问题。从3个方面对YOLO V4模型进行改进形成MobileNet-YOLO V4模型,提高目标检测速度。首先,使用多种数据增强方法,提高模型的学习能力;其次,改进了网络结构,使用MobileNet V3网络替换YOLO V4的主干特征提取网络,减少了模型的复杂度与计算量,提高了模型的泛化能力;最后,使用CIoU作为损失函数,增强目标检测效果。实验验证,相比原始的YOLO V4模型,MobileNet-YOLO V4模型的目标检测mAP和F1值分别下降了2.2%和0.4%,但速度却提高了近1倍,该模型可为无人机影像目标快速检测提供技术参考。

基于改进YOLO v5的手语字母语的识别方法

针对传统手势识别方法计算量大、难以实时识别的问题,研究一种基于改进YOLO v5的轻量化手语检测识别方法.首先用Mobilenet v3 Small替换YOLO v5的主干网络;然后利用Ghost Conv模块和C3Ghost模块替换YOLO v5颈部网络中的Conv和Ghost模块;最后通过YOLO v5的预测部分生成预测框.在此基础上,利用k means算法生成适合手势的先验框,加快网络检测手势.与其他网络算法对比分析可知,改进算法在保持精度基本不变的情况下可大幅减少网络参数,提高网络的检测速度.

基于Hi3516A的视频水位识别算法与实现

为实现低成本水位识别硬件方案,文章提出一种基于MobileNet-YOLO轻量级深度网络识别方法。针对Hi3516A处理器,通过MobileNet与YOLO深度网络设计优化、模型的训练与模型的部署,实现了水库河道水尺的实时识别。实验结果表明,该方法的实际运行准确率和识别响应速度基本达到水位数据需求。方案对环境的适应能力极强,大规模落地成为可能。

基于YOLO v4的夜间车辆检测模型轻量化研究

针对夜间车辆检测模型的实时性要求,以YOLO v4模型为基础,将主干特征提取网络更改为灵活性强且易于实现的MobileNet V2,并将加强特征提取网络里面的普通卷积全部更改为深度可分离卷积,同时模型给每个通道引入缩放因子,并与该通道输入相乘。然后将缩放因子正则项和权重损失函数联合进行稀疏正则化训练,此时选择较小的缩放因子进行通道剪枝,剪枝后模型的部分通道缺失,检测性能会降低,因此通过模型微调来弥补精度损失,并经过性能评估后再进行修剪迭代。最后得到一个轻量化的车辆检测模型,使其检测速度更快,更能满足夜间车辆检测的实时性需求。经过在UA-DETRAC数据集的实验分析可知:轻量化夜间车辆检测模型的检测精度可达98.29%,同时每秒处理帧数高达42帧图像。

基于改进YOLO v4的玉米种子外观品质检测方法

针对玉米种子在外观品质检测中需要快速识别与定位的需求,提出了一种基于改进YOLO v4的目标检测模型,同时结合四通道(RGB+NIR)多光谱图像,对玉米种子外观品质进行了识别与分类。为了减少改进后模型的参数量,本文将主干特征提取网络替换为轻量级网络MobileNet V1。为了进一步提升模型的性能,通过试验研究了空间金字塔池化(Spatial pyramid pooling,SPP)结构在不同位置上对模型性能的影响,最终选取改进YOLO v4MobileNet V1模型对玉米种子外观品质进行检测。试验结果表明,模型的综合评价指标平均F1值和mAP达到93.09%和98.02%,平均每检测1幅图像耗时1.85 s,平均每检测1粒玉米种子耗时0.088 s,模型参数量压缩为原始模型的20%。四通道多光谱图像的光谱波段可扩展到可见光范围之外,并能够提取出更具有代表性的特征信息,并且改进后的模型具有鲁棒性强、实时性好、轻量化的优点,为实现种子的高通量质量检测和优选分级提供了参考。

一种轻量化中文指路标志的文本识别算法

针对中文交通指路标志中多方向、多角度的文本提取与识别困难的问题,提出了一种融合了卷积神经网络与传统机器学习方法的轻量化中文交通指路标志文本提取与识别算法。首先,对YOLOv5l目标检测网络进行轻量改进,提出了YOLOv5t网络用以提取指路标志牌中的文本区域;然后,结合投影直方图法与多项式拟合法的M-split算法,对提取到的文本区域进行字符分割;最后,使用MobileNetV3轻量化网络对文本进行识别。提出的算法在自制数据集TS-Detect上进行近景文本识别,精度达到了90.1%,检测速度达到了40 fps,且权重文件大小仅有24.45 MB。实验结果表明,提出的算法具有轻量化、高精度的特性,能够完成复杂拍摄条件下的实时中文指路标志文本提取与识别任务。

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。

基于YOLO和单目深度估计的实时视频通信隐私保护

基于tiny-YOLOv3提出了一种目标检测、单目深度估计和语义分割的三任务神经网络tiny-depth-YOLO,实现在实时视频通信中对背景人员的隐私保护.采用编码器-解码器结构,将逐像素的稠密深度估计转换为深度标签,并同YOLO的边界框、置信度、分类标签一同训练,在推理阶段,直接回归出带有深度的目标检测信息.采用MobileNet的深度可分离卷积优化系统中的卷积操作,减少推理阶段的运算量.实验表明,该系统可以完成对视频图像中人员的实例分割,并根据相对深度信息对背景人员进行遮挡和模糊,较好地实现了准确性和实时性的平衡,可以用于实时视频通信中的隐私保护.

基于深度学习的智能船舶轻量化水面障碍物视觉检测与测距方法

针对智能船舶的自主航行障碍物视觉快速检测与测距需求,提出一种基于深度学习的智能船舶轻量化水面障碍物视觉检测与测距方法。从障碍物检测速度和计算量的角度出发,该方法可提升智能船舶环境感知能力。首先,针对障碍物检测问题,在Yolov4检测模型的框架下,构建基于MobileNet特征提取网络的DIS-Yolo水面障碍物检测模型,实现模型网络结构的轻量化改进。其次,针对障碍物测距问题,基于所构建的障碍物检测模型和COMS成像模型,提出水面障碍物测距机制,实现水面障碍物的高精度测距。最后,通过模拟实验验证所改进模型的有效性与测距函数的精确度。所提出的方法可提升智能船舶的航行安全性,同时可为智能船舶环境感知需求提供新的思路。