基于雾天交通标志识别算法的研究

针对雾霾天气导致交通标志难以被准确识别的问题,本文提出在雾霾天气下快速实现交通标志检测识别算法的研究。通过全局直方图均衡、局部直方图均衡、单尺度Retinex和多尺度Retinex四种去雾算法实现含雾图像的去雾处理。采用YOLOv1目标检测算法对交通标志目标进行精准定位和检测。通过Alex-Net分类识别模型实现对LISA交通标志数据集中14类交通标志的识别。结果表明,本文的方法能使快速准确地对雾天交通标志进行检测、分类和识别。

基于改进型YOLOv4的病死金鲳鱼识别方法

实时检测并获取养殖鱼群的健康状态是规模化渔业养殖实现精准、绿色养殖和可持续发展的关键技术之一,其中实时识别病死鱼并及时收集处理更是减轻养殖水域污染、防止病害扩散、降低养殖风险的有效举措。然而在复杂的浅滩环境中,如光照变化、目标重叠、位置不稳定以及水雾造成模糊,使病死金鲳鱼实时识别并收集非常具有挑战性。本研究提出一种基于YOLOv4-v1的改进算法,在PANet模块中集成自定义Super网络,对输入的特征图进行编码解码过程,在细粒度特征提取中减少外界环境带来的干扰。此外,利用tanh-v1函数激活,增强了特征传播并确保网络中最大信息流。同时采用Resblockbody1模块,提高了目标框的定位精度。在浅滩养殖场景中,分析病死金鲳鱼图像在不同模型上对比试验结果中,YOLOv4-v1网络识别病死金鲳鱼的m-(平均精度)值高达98.31%,实时检测性能达到了27 FPS。通过与YOLOv4网络对比试验可得,YOLOv4-v1算法在线下试验中,检测速度基本与原网络持平,且m-值相较于YOLOv4提升了3.36%,召回率提升了2.54%,F 1分数(精确率与召回率的平衡点)提升了0.56%。研究表明,YOLOv4-v1方法在死鱼识别方面具有良好的应用场景。

基于深度学习的红外光热成像无人机巡检技术应用

本文在人工智能的基础上利用深度学习结合红外光热成像技术对无人机巡检技术进行研究和优化。首先对红外光热成像技术在电力系统中的应用和无人机巡检技术进行了介绍;然后提出了基于卷积神经网络的目标检测算法,对卷积神经网络的计算原理以及目标检测算法进行说明,并设计了基于深度视觉系统的MobileNetV1-YOLOv3网络预测模型。通过实测分析发现,基于深度学习的轻量级的目标检测网络预测模型定位误差在X、Y、Z三个维度上均低于GPS系统,最小误差仅为0.06 m。