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-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。

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。