基于改进YOLO-v3的风力机叶片表面损伤检测识别

为对风力机叶片损伤状态进行有效检测,提出一种基于改进YOLO-v3算法的风力机叶片表面损伤检测识别技术。根据风力机叶片损伤区域特点,对网络中锚框(anchor)的尺度进行调整优化;在特征提取网络后引入基于注意力机制的挤压与激励网络(squeeze and excitation networks,SENet)结构,使YOLO-v3算法更加关注与目标相关的特征通道,提升网络性能。结果表明,改进后算法的平均精度为84.42%,较原YOLO-v3算法提升了6.14%,检测时间减少了21 ms,改进后的YOLO-v3算法能较好地识别出风力机叶片表面损伤。

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%。

基于改进YOLO-v3的无人机遥感图像农村地物分类

随着新农村的建设,农业用地的规划和利用也变得至关重要。针对传统地物分类方法效率低、自动化程度不高等问题,提出基于YOLO-v3改进模型的农村地物检测分类方法。该方法在YOLO-v3的Res4结构的基础上添加SPP层,有效地提升了模型对多尺寸目标的适应能力,在一定程度上提高了模型的泛化能力。同时,在FPN层添加PAN结构,增加了定位信息的语义特征,对于模型的检测精度提升明显。实验结果表明,提出的改进YOLO-v3模型在Air数据集的mAP达到了0.726,相较YOLO-v3模型,在精度、检测效率和模型的泛化能力上都有所提升。

基于注意力YOLO-V3的合成孔径雷达舰船检测识别一体化方法

传统的合成孔径雷达舰船检测识别需要分两步实现,检测识别精度和效率难以满足实际应用需求。本文结合注意力机制和YOLO-V3网络提出了注意力YOLO-V3网络实现合成孔径雷达舰船检测识别一体化。同时,利用公开的AIR-SARShip-1.0数据集和OpenSARShip数据集构建了大场景舰船检测识别数据集,用于验证目标检测识别性能。实验结果表明,本文提出的注意力YOLO-V3网络可以获得较高的检测识别精度,证明了本文方法的有效性。

基于YOLO-v3算法的电力基建施工现场管控技术

研究针对传统电力基建项目工作量大、时效性差、效率低等问题,提出了基于YOLO-v3算法的施工现场管控技术,其核心为YOLO-v3目标检测算法,结合检测对象特征,优化了网络结构及参数,搭建了电力基建施工现场管控系统,试验结果证实,该算法能够实现对施工流程的优化,提升设备错误识别率,检测精度高,可为电力基建施工现场管控提供新的思路。

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的眼机交互模型研究及实现

针对嵌入式眼-机交互技术中所采用的传统眼行为识别方法准确率低、速度慢等问题,并结合所研制眼机交互系统硬件特点及应用场景,提出一种基于改进YOLO-v3的眼机交互模型。该模型通过去除13×13特征分辨率的检测模块、增加浅层网络的层数以及采用K-means聚类算法选取初始先验框,提高了网络像素特征提取细粒度并加快了检测速度,进而结合人眼特征参数提取方法和眼行为识别算法,构建出了眼机交互模型并进行实验。实验结果表明,该模型对不同眼行为的识别率达91.30%,改进的YOLO-v3网络的平均检测准确率(mean average precision,mAP)为99.9%,识别速度达22.8 FPS,相比原YOLO-v3方法检测时间缩短了11.4%。

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。

基于改进YOLO-V3的汽车刹车衬芯缺陷检测

目前汽车刹车衬芯的法兰面缺陷主要通过人工检测,针对效率低、准确率不高的问题,提出一种基于YOLO-V3改进的检测算法。首先根据检测目标较小的场景对YOLO-V3结构进行改进,即为FPN结构增加一层特征图;其次,以深度可分离卷积代替普通卷积,以加快预测速度;最后,对数据集进行预处理并进行扩充。对改进后的YOLO-V3与一些现存的主流检测算法进行对比实验。结果表明,改进后的YOLO-V3平均准确率达到了90%,检测速度达到42 ms/张,对小目标的检测效果有所提升,满足了工业现场对衬芯检测的要求。

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。

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。

基于改进Yolov3的H型钢喷号识别系统研究

随着工业生产智能化程度不断提升,智能视频识别技术被逐渐广泛应用于工业生产中。针对马钢重型H型钢生产线精整区存在的工艺复杂、物料跟踪困难问题,提出一种在矫直机后用喷码机在钢坯上喷印批号、在堆垛区域人工检查台位置安装一套字符识别装置来识别批号并实现物料跟踪的方法。根据喷印字符相对较小且没有大小形态变化的特性,改进了Yolov3模型结构,设计5个不同尺度的卷积特征图,并与残差网络中相应尺度的特征图进行融合,形成最终的特征金字塔执行字符识别任务。试验结果表明,该方法的识别准确率能达到99.5%以上,可在工程上进行应用。

改进Yolo-v3的视频图像火焰实时检测算法

为解决现有视频图像火焰检测方法精度低、速度慢的问题,提出了改进Yolo-v3的视频火焰实时检测算法。首先,在特征提取阶段,通过进一步融合多尺度特征提高网络对图像浅层信息的学习能力,以实现小火焰区域的精准识别;其次,在目标检测阶段,利用改进的K-means聚类算法优化多尺度先验框以适应火焰不同尺寸;最后,在改进Yolo-v3的视频火焰检测之后,利用火焰特有的闪烁特征对检测结果中的误检帧进行排除,进一步提高检测精度。从精度和速度两个方面对视频火焰进行检测,并与近年来先进的火焰检测算法对比,结果表明,该方法准确率均值可达到98.5%,误检率低至2.3%,平均检测速率为52帧/s,在精度和速度方面皆有更好的表现。

基于改进YOLO v3模型的多类交通标识检测

为了提高城市真实交通场景中的交通标志、交通信号灯及停止线检测精度,提出一种基于YOLO v3的多类交通标识检测模型——T-YOLO.该模型在YOLO v3目标检测模型的基础上,采用了四种尺度特征进行检测,设计了更贴合待测交通标识的先验框,提升了模型对多类交通标识等小目标检测性能.采集13000张城市交通场景图像并进行标注,制作成多类交通标志数据集.实验结果表明,该模型在TT100K交通标志数据集、在LaRA交通信号灯数据集均取得较好结果.同时,在自制SUTDB数据集上交通标志、交通信号灯、停止线检测精度分别为0.90、0.99、0.80.文中提出的T-YOLO模型检测实现了多类交通标识,并且检测精度高,具有一定工程实用价值.

基于YOLO v3的卷烟用瓦楞纸箱表面缺陷检测方法

提出了一种基于YOLO v3的检测算法,并建立了卷烟用瓦楞纸箱循环利用性能评价体系。对比了Faster RCNN与YOLO v3深度神经网络目标检测算法对采集的典型卷烟用瓦楞纸箱表面缺陷的识别结果。基于OpenCV库、Canny算法,开发了适用于测量卷烟用瓦楞纸箱表面缺陷尺寸及其分布位置的合理方案。结果表明,该算法的平均准确率达92.23%,可成功实现缺陷位置、尺寸的检测。

基于改进的ViBe和YOLO v3算法的行人检测方法

针对传统视觉背景提取(visual background extractor,ViBe)算法在进行行人检测时会产生鬼影的缺点,本文提出了一种基于改进的ViBe和YOLO v3算法的行人检测方法。利用改进的YOLO v3算法YOLO v3-SPP(spatial pyramid pooling)对ViBe算法的初始化策略进行改进以消除鬼影。运用YOLO v3-SPP算法对首帧图像进行行人检测,使用本文提出的行人消除方法将检测出的行人进行消除,并将输出图像代替ViBe算法的首帧,从而达到消除鬼影的目的。经过分析和实验验证,结果表明该算法能够有效解决鬼影问题。