基于YOLOv2的微创手术机器人肺结核病灶图像识别研究

肺结核是全球公共卫生问题,每年数百万人受到其影响,其中包括成千上万的死亡病例。尽管存在有效的治疗方法,但及时诊断和早期干预仍然是防止病灶扩大的关键,其中外科手术治疗成为了一种有效手段。本文提出了一种基于YOLOv2算法的微创手术机器人肺结核病灶识别技术。该技术结合了微创手术机器人、内窥镜、K210视觉识别模块以及YOLOv2识别算法,以提高肺结核病灶实时监测的识别准确度和处理效率。本文构建了训练数据集,使用YOLOv2算法进行深度网络训练,并评估了性能指标,包括准确率、召回率、精确度和F1分数。实验结果表明,该技术具有高准确度和高效率,有望改进肺结核的检测与治疗手段。

基于YOLOv2目标检测算法和K210芯片的智能压板状态识别系统

在继电保护和安全自动装置中,压板在保护逻辑回路与出口跳闸继电器回路之间起着控制一次设备开关通断的作用。在运行过程中,保护压板和出口压板投退方式不正确将导致保护拒动或者误动,严重者将会给安全生产带来重大影响。本文提出一种低功耗、便携式的智能压板状态识别系统,该系统是由装载了YOLOv2算法模型的K210单片机、OV2640摄像头以及LCD显示器组成,能够有效检测识别保护装置上的压板投退状态,实现智能化数字监控。

基于改进式YOLOv2的红外图像目标识别方法

针对智能化导引头信息处理算法设计验证需求,本文对多类型目标、海陆空背景辐射特性数据进一步挖掘,提出引入深度学习算法应用于外场红外数据二次分析挖掘的方法。选择采集得到的包括车、船、无人机(UAVs)、客机等类型的红外数据,针对红外图像与可见光图像不同的成像特性,利用改进式YOLOv2红外目标检测与分类算法,融合多级特征,增加一个重组特征图,实现对红外弱小目标智能化快速分类研究,对提取的海量视频库中的目标红外辐射特征进行分类整理。

基于改进PP-YOLOv2的IC引脚焊接缺陷检测算法研究

针对IC引脚焊接缺陷因目标尺寸小、引脚密集导致检测精度低等问题,提出一种基于改进PP-YOLOv2的IC引脚焊接缺陷检测算法。通过在骨干网络后引入SE注意力机制,区分特征图中不同通道的重要性,强化目标区域的关键特征,提升网络的特征提取能力。使用k-means++聚类算法产生9个聚类中心,以降低因初始聚类中心随机选择不当对检测结果所造成的误差影响。实验结果表明:改进算法对IC引脚焊接短路、缺脚、翘脚、少锡缺陷检测的平均精度分别为97.9%, 96.1%, 96.7%, 95.8%;在阈值为0.5的情况下,平均精度均值达到了96.6%,与YOLOv3、PP-YOLOv2相比,分别提高了14.9%, 5.1%。改进算法对单幅图片的检测时间为0.151 s,满足IC质检的速度要求,为IC引脚焊接缺陷检测提供了参考价值。

基于深度学习YOLOv2算法的无线通信网络干扰信号准确识别方法

由于不同种类的干扰信号,其信号特征属性是不同的,造成传统方法对无线通信网络干扰信号识别的准确率下降。为此,提出基于深度学习YOLOv2算法的无线通信网络干扰信号准确识别方法。首先利用深度学习算法对无线通信网络干扰信号进行聚类,以此确定干扰信号中心;然后利用YOLOv2算法分割由通信信号组成的时频图像;最后构建时频图像干扰信号检测框,并结合干扰信号中心确定结果实现无线通信网络干扰信号准确识别。设计对比实验,实验结果表明,所提出方法先验框高度最大,即实际的检测范围最大,识别耗时最短,可以达到无线通信网络干扰信号准确识别的目的。

基于PP-YOLOv2的高效课堂行为检测方法

课堂行为检测在教育领域具有重要意义,可以评估学生的参与度和专注度。然而,传统方法复杂且耗时。提出了基于PP-YOLOv2的课堂行为检测方法,利用计算机视觉和深度学习技术采集和标注学生样本数据集,并进行数据预处理。通过应用Mish激活函数,提升了模型的学习能力和行为检测的准确性。该研究对于实时监测和评估学生行为,改善教学效果并促进个性化学习具有重要意义。实验结果表明,该方法在课堂环境中展现出良好性能,为教育工作者提供了高效准确的课堂行为检测工具。进一步研究可以扩展应用范围,并优化算法以提高性能。

基于YOLOv2视觉的路标检测系统与应用

针对于封闭园区内物资和外卖递送,及疫情时期社区内消毒喷洒等情况下出现的人手不足和效率低的问题,提出了一种基于YOLOv2视觉的路标检测系统来帮助无人小车和机器人实现在封闭园区内的自主巡航功能。该系统基于YOLOv2算法实现,拟通过机器视觉识别路标来解决自主巡航的问题。YOLOv2算法通过FPS和MAP来表示路标检测的效率和准确性,其整个YOLOv2网络结构由19个卷积层、5个池化层和批量标准化层构成特征提取网络。通过该网络结构将路标物体中心点与分割出的网络单元格进行匹配,利用所得的IOU分数作为回归Label值,再通过载入模型网络平台不断训练得到的路标识别模型,完成机器视觉帮助无人物流车和机器人自主巡航运送物资的应用。

基于PP-YOLOv2电厂场景的安全帽佩戴检测

在电厂作业现场因未佩戴安全帽而导致人员伤亡的事件时有发生,人工监测方式不能做到及时发现实时提醒,且容易因视觉疲劳而错过一些目标,从而造成不必要的人员伤亡。基于此,文章提出一种基于PP-YOLOv2电厂场景的安全帽佩戴检测方法。基于百度飞桨深度学习框架,使用PP-YOLOv2神经网络,向训练数据集中添加电厂数据并使其占比超过1/3,可训练安全帽识别mAP(Mean Average Precision)高达94%的神经网络模型。同时,文章举例了电厂摄像头景深较深的画面,人在摄像头画面中占比较小,而公开数据集数据的景深较浅,在训练前该团队成员对部分数据进行了重新标注,增强了模型在电厂应用的泛化能力。

改进YOLOv2卷积神经网络的多类型合作目标检测

针对大型构件三维精密测量中构件结构复杂、测量环境变化等导致的合作目标检测精度低的问题,提出一种改进YOLOv2卷积神经网络的多类型合作目标检测方法。首先,利用WGAN-GP生成对抗网络扩增合作目标图像样本数量;其次,采用卷积层密集连接代替YOLOv2基础网络的逐层连接增强图像特征信息流,引入空间金字塔池化汇聚图像局部区域特征,构建改进YOLOv2卷积神经网络的多类型合作目标检测方法;最后,采用增强的目标图像样本数据集训练改进YOLOv2卷积神经网络的多类型合作目标检测模型,实现多类型合作目标检测。实验结果表明:采用多类型合作目标图像数据集测试,多类型合作目标检测精度达到90.48%,目标检测速度为58.7 frame/s。该方法具有较高的检测精度和速度,鲁棒性好,满足大型构件三维精密测量中多类型合作目标检测的要求。

基于HOG-CSLBP及YOLOv2的行人检测

使用传统的YOLOv2网络训练出来的行人检测模型在背景简单以及行人遮掩不严重的情况下,检测效果良好,但是当背景复杂以及行人遮掩严重的时候,检测效果较差。针对此问题,在YOLOv2网络中添加HOG-CSLBP特征提取层,根据维度聚类方法对INRIA数据集目标聚类分析的结果调整YOLOv2网络的先验框个数与维度值。实验结果表明,在误检率为0.1时该算法的漏检率为9.13%,与传统的YOLOv2网络相比漏检率降低了5.27%,说明此方法有效可行。

基于改进YOLOv2的白车身焊点检测方法

基于机器视觉的白车身焊点自动化检测为车身焊接质量控制提供了有效的途径,然而受环境光污染的影响,焊点自动化检测装备的机器视觉系统较难进行准确定位。为解决传统的图像处理方法受环境干扰大及鲁棒性差的问题,提出一种基于深度学习的焊点位置检测方法。引入MobileNetv2的卷积结构代替YOLOv2的卷积层,并借鉴YOLOv2的细粒度特征的方法,解决YOLOv2模型参数较多的问题。采用GIoU loss对模型的损失函数进行改进,利用K-means聚类算法得到适合焊点数据集的anchor,从而获得高可靠性的轻量化白车身焊点位置检测模型FGM_YOLO。在白车身焊点测试集上进行测试,结果表明,与原YOLOv2模型相比,该模型的平均精度提升了2.47%,模型参数约为原模型的1/16,检测速度提高2倍,大幅提高了检测效率。

改进的混合高斯与YOLOv2融合烟雾检测算法

提出一种融合了改进的混合高斯和YOLOv2的烟雾检测算法。首先,针对烟雾的早期特征对混合高斯算法进行改进,有效框定动态目标感兴趣区域,提取出烟雾前景;在此基础上将烟雾检测转换为回归问题,利用端对端目标检测算法YOLOv2训练烟雾数据集,进行二次检测和筛选,最终框定出烟雾发生区域的具体位置和范围,满足对不同场景火灾烟雾的有效检测。实验结果表明,融合算法改善了烟雾区域的检测效果,提高准确性并有效降低烟雾误检率。

YOLOv2在煤岩智能识别与定位中的应用研究

综采工作面煤层走向复杂,采用"一刀切"的开采方法会加速滚轮截齿的磨损,同时开采效率也大幅降低,对煤岩的精准识别是解决此类问题、实现智能开采的关键.将基于回归方程的深度学习目标检测算法YOLOv2与线性成像模型相结合并通过该算法对井下采集煤岩图像进行了智能识别与定位,同时与Faster R-CNN,SSD对煤岩图像的识别结果进行了对比.结果显示,YOLOv2对煤岩的识别精度达到了78%,检测速度达到了63 frame/s,与Faster R-CNN,SSD相比精度高出7.7%,4.7%,而检测速度高出763%,40%;在矿井测量坐标系中YOLOv2标定的煤层边界框角点的计算坐标与实测坐标相比相对误差在3.0%~4.5%之间,相对误差较小,不会对采煤效率产生影响.研究结果表明,YOLOv2可以对煤岩进行准确快速的识别.

基于改进YOLOv2算法的交通标志检测

针对YOLOv2算法实际检测到的小尺寸交通标志质量不佳,识别率低,实时性差的问题,提出一种基于改进YOLOv2的交通标志检测方法.首先,通过直方图均衡化、BM3D对图像增强以获取高质量图像;接着,将网络顶层卷积层输出的特征图进行精细划分,得到高细粒度的特征图,以检测高质量、小尺寸的交通标志;最后,采用归一化及优化置信度评分比例对损失函数进行改进.在结合CCTSD(中国交通标志检测数据集)和TT100K数据集的新数据集上进行实验,与YOLOv2网络模型相比,经过改进后的网络识别率提高了8.7%,同时模型的识别速度提高了15 FPS.实验结果表明:所提方法能够对小尺寸交通标志进行精准检测.

基于改进YOLOv2的动车组裙板螺栓检测

目前,动车组运行故障图像检测系统(TEDS)采集的动车组关键部位图像主要由人工判别,为提高裙板螺栓检测效率,提出一种基于改进YOLOv2的运行动车组裙板螺栓丢失检测方法。首先,通过K-Means聚类分析待检测螺栓区域目标框尺寸;其次,针对目标区域尺寸相似且较小的情况,在单尺度检测的YOLOv2模型中增加Spatial Pyramid Pooling(SPP)层,提高目标感知能力;最后,在动车组裙板螺栓数据集上,将改进前后的算法实验效果进行对比。结果表明,改进的YOLOv2-SPP平均精度均值从94.12%提升至95.83%,在单张2080Ti显卡上,检测速度达到73.6FPS,是同等环境下YOLOv3检测速度的2.5倍,YOLOv4的3.3倍,可快速准确检测出运行动车组中的裙板螺栓及螺栓丢失区域,减少分析员识别压力。

基于迁移学习的轻量化YOLOv2口罩佩戴检测方法

针对当前佩戴口罩数据集样本数量较少、硬件条件受限的情况下,本文提出了一种基于迁移学习的轻量化YOLOv2口罩佩戴检测方法。该方法以YOLOv2目标检测方法为基础,利用参数迁移学习的MobileNetV2作为特征提取网络,简化了网络模型并提高了训练速度。预训练的MobileNetV2特征提取网络与YOLOv2目标检测网络结合构成口罩佩戴检测网络模型。收集并建立了1000张人脸佩戴口罩图片数据集对网络模型进行训练和测试。实验结果表明,与YOLOv2、SSD300模型相比,MobileNetV2-YOLOv2模型口罩佩戴检测平均准确率提高3.8%、2.7%,检测速度提升2.5和2.4倍。并且在光线不足和密集检测条件下,MobileNetV2-YOLOv2依然可以有效进行口罩佩戴检测,相较于R-CNN和Faster-RCNN具有更好的检测效果,体现了更强的鲁棒性。

改进YOLOv2算法的道路摩托车头盔检测

针对摩托车头盔的传统检测方法准确率低、泛化能力差和目标检测网络参数量大难以在嵌入式设备运行的问题,提出改进的YOLOv2的MNXt-ECA-D-YOLOv2目标检测算法模型。首先引入Mobile Ne Xt网络替换YOLOv2原始骨干网络,其次在Mobile Ne Xt的沙漏块中引入密集连接结构同时在网络中引入有效通道注意力机制,然后在不同深度网络层应用不同的激活函数,最后在网络输出卷积层之前增加Drop Block模块。采用K-means聚类算法重新设计了自制数据集的先验框尺寸。实验结果表明,改进后的模型相比原始YOLOv2,在AP50指标上提高了3.53%,模型大小减少77.44%,检测速度提高了近4倍。通过对比实验可知,改进后的YOLOv2模型在保持较高的精度下模型更小,在CPU中的推理速度更快,具有一定的应用价值。

基于改进YOLOv2网络的遗留物检测算法

为了提高在复杂环境下检测遗留物体的准确度和实时性,提出了一种基于改进YOLOv2网络的遗留物检测算法。该算法在YOLOv2网络结构基础上结合残差网络,将浅层和深层特征多次融合,在基本不增加原有模型计算量和时间的情况下,提高了监控画面中检测小体积遗留物体的性能;同时以YOLOv2目标检测为基础,排除驻留行人和动物等非物体目标的干扰,并对目标筛选得到的可疑目标跟踪计时,停留时间超过阈值的目标标记为遗留物。以PETS2006和i-LIDS作为数据集进行实验,结果表明:该算法在提高遗留物检测准确度的同时缩短了处理时间,对人流密集的复杂环境抗干扰能力强。

基于YOLOv2网络的绝缘子自动识别与缺陷诊断模型

针对无人机或机器人获取的输电线路绝缘子图像,提出了一种基于深度学习图像识别框架(YOLOv2)网络的输电线路绝缘子在线识别与缺陷诊断模型,训练YOLOv2网络学习复杂背景下各种绝缘子的特征并准确识别,结合边缘检测、直线检测、图像旋转和垂直投影方法,对识别出各种状态的绝缘子进行缺陷诊断。输电线路巡检图像的仿真结果表明,所提出的绝缘子自动识别与缺陷诊断方法能迅速准确地从输电线路巡检图像中识别出绝缘子,并诊断出绝缘子是否破损以及缺陷位置,有利于提升输电线路智能巡检水平。

基于YOLOv2的船舶目标检测分类算法

为克服传统船舶检测方法提取的特征在复杂多变的实际海域场景中泛化能力差而导致船舶检出率和识别率较低这一问题,提出一种基于YOLOv2和支持向量机(support vector machine,SVM)的船舶检测分类算法。基于YOLOv2网络检测船舶目标,通过卷积神经网络提取船舶区域的深度特征,特征全局池化后利用SVM分类器实现分类。实验结果表明,该算法在自建的船舶数据集上船舶检测的平均精确率达80.5%,船舶分类的准确率达90.87%,有效实现复杂海况下船舶目标的检测以及舰艇、货船、渔船的识别。