基于改进YOLOX的水库水面漂浮物目标检测算法

针对目前水库水面小目标漂浮物检测识别精度低的问题,提出基于改进YOLOX的水库水面漂浮物目标检测算法。此算法引入新型dark2模块融入主干网络并拓展主干网络的分支输出结构,提升主干网络对图片的特征提取能力。在此基础上,提出改进特征融合模块(ZL-FPN),用于增强特征图信息融合,提高对水库水面小目标漂浮物的检测精度。结果表明:改进后算法的mAP值比YOLOv4和原YOLOX算法分别提升了29.93%和12.11%,有效提升了水库水面漂浮物检测精度。研究成果可为提升水库智能化管理水平提供有效技术支撑。

基于无人机及YOLOX视觉算法的大跨度钢结构吊装过程位移监测

在大跨度钢结构吊装施工过程中,节点位移及结构变形关系到吊装施工的安全和质量。对于传统接触式监测方法存在的耗时、耗力且维护费用高等问题,提出了一种以无人机为载体的非接触式监测方式。首先,针对大跨度钢结构吊装过程中无人机近距采集视角受限的问题,采用Harris图像拼接算法进行全景拼接,并与图像加权融合相结合,消除图像拼接中产生的不利光标及拼接缝,实现整体、高精度的大跨度结构图像的无缝拼接;其次,采用加入卷积块注意力机制(convolutional block attention module, CBAM)的YOLOX视觉算法解决复杂背景下不同像素面积的小目标图像识别、坐标提取和位移监测;最后,对四种不同检测模型进行对比评估,并通过对比实验室不同工况试验和实际工程验证该方法在施工环境下对大跨度钢结构测点位移监测的可行性。试验结果表明,加入CBAM注意力机制的YOLOX检测模型的平均精度及置信度均优于其他三种网络模型,且视觉识别的位移信息与Leica全站仪的误差均在亚毫米级内,满足实际工程精度的要求,实现了复杂背景下的小目标位移监测,具备较高的经济效益和广泛的应用前景。

基于深度学习YOLOX算法的混凝土构件裂缝智能化检测方法

针对现有混凝土构件裂缝人工检测操作不仅费时、费力,而且易出现错检、误检、漏检,以及部分位置难以开展检测的问题,提出一种基于深度学习YOLOX(You Only Look Once)算法的混凝土构件裂缝智能化检测方法;首先采集、整理包含各类混凝土构件的典型裂缝图像,并通过图像数据增强建立Pascal VOC数据集,然后基于Facebook公司开发的深度学习框架Pytorch,利用数据集训练YOLOX算法,并进行裂缝识别和验证;将训练完成后YOLOX算法移植至搭载安卓系统的手机端,进行现场实时检测操作。结果表明:在迭代次数为700时,混凝土构件裂缝识别精度可达88.84%,能有效筛分混凝土构件表面裂缝,并排除其他干扰项,证明了所提出的方法对裂缝具有较高的识别精度和广泛的适用性;经试验测试,移植至手机端的YOLOX算法能在提升便携性的同时保证高效、准确的检测效果,具有良好的应用前景。

轻量化智能汽车行人目标识别算法研究

为解决YOLOXs行人目标识别算法效率低、体积规模大的问题,采用轻量架构卷积神经网络替换主干网络,深度可分离卷积替换,特征增强网络中的3×3卷积层,提出轻量化增强网络,并应用于智能汽车行人目标识别试验。结果表明,轻量化增强网络模型能够在确保行人目标识别精度的基础上有效缩减参数量和所占内存,对参数缩减了44.1%,所占内存缩减了41.9%,该算法更适合于嵌入式与移动端设备的搭建,对智能汽车的开发具有一定的参考价值。

基于轻量化YOLOX算法的东北虎检测

以大型哺乳动物东北虎(Panthera tigris altaica)为例,通过使用圈养东北虎监测影像数据集(ATRW),采用YOLOX算法对东北虎进行目标检测研究,检测速度为87.59张/s,0.50阈值准确率(mAP_(0.50))为97.32%,0.75阈值准确率(mAP_(0.75))为75.10%,模型总参数量为8.938×10^(6)。通过筛选无锚框算法,对选出的YOLOX算法进行轻量化、添加注意力机制及网络损失函数的优化,优化后的算法检测速度提升1.74张/s,mAP_(0.50)准确率提升1.02个百分点,mAP_(0.75)准确率提升1.53个百分点,模型的总参数量减少18.47%。算法改进后,在提升识别准确率的同时,有效降低了检测算法依托硬件的需求,为东北虎的野外行为研究、保护生物多样性及东北虎的野外相关数据收集提供了检测算法。

基于改进YOLOX算法的X射线图像违禁品检测方法

为了实现自动检测X射线图像中的违禁品,解决相互遮挡、目标相近和小目标违禁品检测难的问题,提出一种基于改进的你只观察一次(YOLOX)算法的X射线图像违禁品检测方法。首先在YOLOX的主干网络低层中引入使用大核注意力构建的空间注意力,提取低层特征图的远距离依赖信息和纹理信息,之后在主干网络的中层和高层增加卷积块的注意力模块以增强感兴趣区域信息并抑制无用信息;该方法在公开的安全检查X射线数据集上进行实验,同时为改善模型的鲁棒性,在训练前70个周期使用Mosaic数据增强方法。结果表明,改进的模型较基本模型增加少量的参数和计算量,均值平均精度增加2.45%,提升到87.88%,平均推理速率为58.5 frame/s。该研究为即时自动检测X射线图像中违禁品提供了有益的参考。

基于改进YOLOX算法的给水管道内缺陷智能识别与定位

针对给水管道内缺陷难以快速实时自动化检测的问题,本文基于实际工程项目中采集到的管道缺陷数据集,通过增加注意力模块,得到改进后的新型YOLOX算法模型,从而提出了一种给水管道智能识别与定位方法。利用视频抽帧的方式制作数据集并进行算法模型的训练与预测。测试结果表明:①基于注意力机制的YOLOX算法模型可以达到平均94%的测试精度,均值平均精度达到84%,平均识别速度为16 m/s;②新模型与其他2种常用算法模型(YOLOV3和Fast R-CNN)的训练结果进行对比,其综合性能最好。本文所提出的算法模型同样可以应用于视频实时检测,为给水管道内缺陷智能识别定位提供了一种高效精确的检测技术和方法。

Re-YOLOX:利用Resizer改进的YOLOX近岸海域监测目标识别模型

近岸海域监测包括自然环境监测和人类活动监测,其监测目标的高精准识别对海洋经济的健康发展、海洋环境的生态保护以及海洋防灾减灾等都有重要的作用。近岸海域监测目标具有多类型、多尺寸和不确定性等特征,现有识别模型在对近岸海域监测目标识别时,存在精度和效率欠佳、小目标漏检现象严重等问题。针对上述问题,利用可学习的图像调整模型(Resizer model)改进YOLOX,提出了面向近岸海域监测目标的识别模型(Re-YOLOX),包括:①利用Resizer model加强模型训练,提升模型的特征学习能力和表达能力,提高模型的召回率;②改进YOLOX的特征金字塔融合结构,减少小目标识别的漏检问题。用无人机监测的近岸海域视频数据作数据集,以车辆、船只和堆砌物为监测目标,将提出的Re-YOLOX模型与CenterNet,Faster R-CNN,YOLOv3和YOLOX等模型进行比较。结果表明,Re-YOLOX模型的平均预测精准率mAP可达94.23%,平均召回率mR可达91.99%,平均F1值mF1可达89.67%,均高于对比模型。综上所述,文章提出Re-YOLOX在保证目标识别效率的前提下提高了目标识别的精度,可为近岸海域管理提供技术支撑。

改进YOLOX的弱光线道路交通标志检测

针对弱光线环境下道路交通标志检测精度不高、漏检、错检等情况,提出了一种改进YOLOX的融合检测算法。该算法引入轻量级Mobile Vi T Block模块,将CNN和Transformer结合,提高了网络对物体局部和全局特征的学习能力;通过添加自适应特征融合金字塔ASFF,对有效特征层进行加权融合,加快了网络训练收敛速度;并采用Focal Loss替换二元交叉熵损失函数,用以解决因样本少导致分类不准确的问题。实验结果表明,相较于YOLOX算法,改进YOLOX算法mAP值提升了2.89%,参数量减少了6.23 M,可视化实验进一步验证了所提算法可以提高检测精度,有效避免因弱光线导致的漏检、错检现象。

基于改进YOLOX的SAR舰船目标检测算法

近年来,在基于深度学习的SAR舰船目标检测算法中,总是存在着对紧密排列的舰船目标和小尺寸舰船目标漏检的问题。针对上述问题,提出了一种改进的YOLOX算法,用于减少紧密排列的舰船目标和小尺寸舰船目标的漏检率。采用Mish代替LeakyReLU的方法改进了激活函数,从而提高了模型的泛化能力;采用Soft-NMS代替传统NMS,减少传统NMS所导致的漏检;在CSPDarkNet末尾加入卷积块注意力机制模块(CBAM),用于提升网络提取特征的效果。在公开的SAR舰船数据集SSDD上进行了实验。结果表明,算法经过改进,有效减少了YOLOX在检测紧密舰船目标和小尺寸舰船目标时发生的漏检现象。

复杂环境下的车牌识别算法研究

为解决复杂环境下车牌检测与识别模型处理速度慢、检测精度低和模型参数过大的问题,提出了一种端到端的车牌识别算法。首先采用MSR图像增强方法对车牌图像进行预处理,然后使用最新的YOLO系列算法YOLOX,以35帧/s的速度检测出图像目标区域,使用改进的Bi-GRU-CRNN识别模型进行车牌字符识别。在国内车牌识别开源数据集中随机选取5000张图片进行实验,发现相较于其他车牌识别模型,改进后的模型识别速度更快,识别准确率达到98%以上。

基于改进YOLOX的小麦不完善粒检测技术研究

针对现有小麦不完善粒检测方法存在适用性差、识别效率低的问题,提出一种基于改进YOLOX的小麦不完善粒检测算法。在3个小麦品种、不同拍摄高度和不同籽粒数量场景下采集小麦图像数据集。针对籽粒过小难以检测的问题,引入坐标注意力模型提升图像中不完善粒的显著度,并使用加权双向特征金字塔改进特征融合模块结构,实现了不同尺度不完善粒特征的有效融合。针对多目标检测实时性问题,使用深度可分离卷积模块轻量化特征提取网络,降低网络的计算参数量,提高检测速度。结果表明,改进后的模型检测漏检率小于5%,对不完善粒的平均检测精度达到93.43%,检测速度为37 fps,相较于原YOLOX网络,检测精度和速度分别提高了2.58百分点和5.78 fps。该方法可以在不同籽粒大小、颗粒数量以及不同密集程度情况下对小麦不完善粒进行有效识别检测,可为进一步的小麦不完善粒实时检测和统计应用提供技术参考。

基于YOLOX改进模型的茶叶嫩芽识别方法

【目的】改善茶叶嫩芽识别困难的问题,提高模型的识别准确率。茶叶嫩芽的识别是实现茶叶自动化采摘的核心技术之一,而茶叶嫩芽生长的姿态以及采集图像时的拍摄角度等条件都会对茶叶嫩芽的识别带来困难,造成识别准确率低的问题。【方法】提出一种改进的YOLOX茶叶嫩芽检测算法SS-YOLOX,该方法能准确地对一芽一叶、一芽二叶等茶叶嫩芽进行识别、分类。该方法通过添加注意力模块(Squeeze and excitation,SE)提高模型的特征提取能力,改善小目标漏检问题、引入Soft NMS算法改善检测框重叠度较高时的打分机制,提高模型对不同场景下嫩芽的识别能力。【结果】消融试验表明,引入Soft-NMS算法、SE模块均能提高YOLOX模型模型的检测精度,以引入SE模块提升较为明显。通过不同嫩芽图像对比验证算法的可行性和准确性,SS-YOLOX模型的均值平均精度mAP比原YOLOX模型提高2.2%,达到86.3%,表明经过改进后,模型的识别能力得到提升。在目标嫩芽数量较多的情况下,SS-YOLOX模型能有效地降低漏检率和错检率。【结论】SS-YOLOX模型能准确识别茶叶嫩芽,且识别效果更好,可为茶叶智能化采摘提供技术基础。

基于改进YOLOX的番茄病叶识别

番茄病害容易发生在番茄不同的生长期,手动识别需要耗费大量的人力物力。因此,本文基于YOLOX模型,对激活函数和多尺度检测进行改进,更好地提取图片特征信息,使其对健康的番茄叶片和9种不同病害的番茄叶片进行训练和识别。结果表明,改进后的YOLOX算法mAP值为92.53%,相比改进前识别准确率提升2.48个百分点,说明改进后的YOLOX算法效果更佳。

基于改进YOLOX的车辆检测技术研究

目前物流及运输行业大力发展,道路环境愈发复杂,对道路车辆的精准检测一直是智能交通系统中亟需完成的任务。本文结合迁移学习,在目标检测算法YOLOX的基础上,对网络进行预训练,并选取青岛部分道路场景自制数据集,在网络模型中添加双通道注意力机制CBAM,加强该算法的特征提取能力;同时为了优化傍晚较暗的数据集,进行Gamma变换强化数据集来避免数据集的信息丢失。最后进行实验验证,发现改进的YOLOX算法相较之前的算法有明显提高,相比于原YOLOX算法,在精确率上提高了1.63%,平均精度上提高了1.64%,检测识别能力得到提升。

多感知机制融合的家居物品检测方法

家居物品检测是家庭服务机器人执行目标抓取任务的关键,针对日常家居场景背景复杂、家居物品密集、小目标物品类型多而导致检测难度较大的问题,提出一种基于多感知机制融合的家居物品检测方法.首先,在YOLOX的颈部网络部分加入坐标注意力机制模块,减少繁杂信息带来的影响;其次,采用基于多感知融合的dynamic head对YOLOX的检测头进行改进,提升对小目标物品的检测精度;最后,在损失函数中加入focal loss,减小因正负样本数量不平衡而带来的误差.在PyTorch环境下,使用自制的家居物品数据集对改进后的YOLOX算法进行消融实验,并与其他6种目标检测算法进行对比实验.实验结果表明,所提方法对家居物品检测的mAP为58.34%,帧速为45.35帧/s,在满足算法检测实时性的同时,有效地提高了对家居物品的检测精度.

光纤网络哑资源智能检测与清查方法

光分配网络(optical distribution network,ODN)网络是FTTH网络中的重要组成部分,其质量好坏直接关系到客户使用宽带网络的体验。为了对哑资源进行高效精准管理,改善网络质量,提升宽带业务开通效率,降低维护成本,设计优化了哑资源智能检测及清查系统。该系统基于深度学习中的YOLOX算法,设计改进提出随机梯度下降动量及Nestrov动量(stochastic gradient descent with momentum and nestrov,SGDMN)优化器,该优化器能有效抑制振荡并且在加速训练的同时对梯度进行校正,以此对参数进行更新;在不脱离真实场景的前提下选择数据增强方式,以此实现对分光器、尾纤、标签、二维码等关键信息进行目标检测,进行分类标识,维护人员可基于这些关键信息配合资管系统信息完成哑资源清查。通过其他经典目标识别算法进行对比实验,结果表明改进后的YOLOX算法精度更高,满足哑资源智能检测及清查实际工程需求。

农业机械目标定位及检测技术

由于农业生产环境较为复杂,现有技术无法实现对田间作业目标的精准定位与检测。针对目前农业机械视觉识别系统存在目标识别模糊、分类效率差和响应速度慢等问题,提出一种基于YOLOX算法下农业机械田间目标定位及检测技术,并通过田间试验进行验证,研究结果表明,YOLOX算法下田间目标定位误差≤5 mm,研究结果为实现农业机械田间定位检测技术提供技术参考与理论借鉴。

基于深度学习的并联机器人定位检测技术研究

针对机器视觉领域中并联机器人存在目标识别模糊,分类效率差以及反应速度过慢的问题,提出了一种基于深度学习的并联机器人定位检测技术。首先对目标识别物进行图像采集,改进图像数据集,将处理前后图像放入训练集提高网络效率,搭建YOLOX目标检测分类识别算法提高并联机器人检测精度;其次改进训练方式,通过预训练与实际训练提高可靠性,改进损失策略;然后建立并联机器人主体基坐标系与相机坐标系,结合手眼标定与相机标定方法,求得目标实际坐标与机器人基坐标系的转换关系;最后在并联机器人实验平台验证目标标定结果,对比主流深度学习算法YOLOv3、YOLOv4、Faster-RCNN得出的并联机构网络定位与实际定位的相对误差,结果表明YOLOX的定位精度误差为3.992~5.061 mm之间,平均精确度达到了91%左右。该方法可为并联机器人结合深度学习实现检测定位提供一定参考价值。

基于改进YOLOx网络的金属齿轮表面缺陷检测方法

针对工业干扰环境下金属齿轮表面缺陷自动化检测容易出现误检和漏检的问题,提出一种改进的YOLOx算法。首先,通过adaptively spatial feature fusion(ASFF)充分利用不同尺度下缺陷和干扰项的特征之间的差异,提高模型的抗干扰能力;接着,通过efficient channel attention(ECA)模块,增加网络的特征提取能力;最后,修改置信度损失函数为Varifocal损失函数,减少困难样本对网络的干扰。实验结果表明,改进的YOLOx网络与原版相比在召回率、准确率和平均精度均值上分别提升6.1个百分点、4.6个百分点和9.4个百分点。