基于YOLOv3算法的智能采茶机关键技术研究

在复杂背景下精确识别茶叶嫩芽,是实现高端茶叶智能化采摘的关键技术之一。为实现高端茶叶机械化精准采摘,设计一台基于视觉的采茶样机,根据蛛式机械手采摘茶叶的路径规划,将机械手末端的移动坐标问题转换成静平台3个电机转角问题。针对YOLOv3算法进行改进,采用EfficientNet网络替代DarkNet-53网络进行特征提取,并利用目标函数GIOU优化损失函数。试验结果表明:改进的YOLOv3算法在茶叶嫩芽识别方面,其准确率达到86.53%,单张图像平均识别时间为53 ms,相比传统的YOLOv3算法,性能实现明显的提升,可以达到预期目标,满足机器采摘需求。

基于改进YOLOv3-SPP算法的道路车辆检测

针对在城市道路场景下视觉检测车辆时,车辆密集和远处车辆呈现小尺度,导致出现检测精度低或者漏检的问题,提出了一种基于改进的YOLOv3-SPP算法,对激活函数进行优化,以DIOU-NMS Loss作为边界框损失函数,增强网络的表达能力。为提高所提算法对小目标和遮挡目标的特征提取能力,引入空洞卷积模块,增大目标的感受野。实验结果表明,所提算法在检测车辆目标时m AP提高了1.79%,也有效减少了在检测紧密车辆目标时出现的漏检现象。

基于SGD和余弦退火算法改进YOLOv3的高压电力设备目标检测方法

针对现有高压电力设备检测方法存在实时性差、准确性低和难以部署在移动端等问题,提出一种基于随机梯度下降(SGD)和余弦退火算法改进YOLOv3的高压电力输送设备安全检测算法。采用网络复杂度较小、计算速度快、识别精度高且易于部署的移动端YOLOv3作为算法的主要框架;然后设计了深层的残差网络(Darknet53)作为该模型的主干特征提取网络,在提高识别精度的同时解决网络过深可能产生的梯度爆炸问题;进一步地结合SGD优化算法和余弦退火算法,在保证网络训练学习效率较高的同时避免网络陷入局部最优解,以此提高高压电力设备安全检测的速度和精度,满足实际需要;最后使用采集的高压电力设备数据集对整个网络进行训练。结果表明,YOLOv3在高压电力设备数据集上的平均检测精度达到了97.08%,检测速度达到了56帧/s,误检率只有0.78%。

基于YOLOv3的风机叶片故障检测模型

针对风机工作中由于高海拔地理位置、恶劣天气等因素的影响,致使风机叶片出现裂纹、沙眼等缺陷故障,提出基于YOLOv3算法的风机叶片故障检测模型。将风机叶片缺陷区域具有YOLO格式的数据集划分为训练集与测试集,输入YOLOv3模型进行实验,结果表明:YOLOv3模型与YOLOv2模型相比,精度提升3.7%,达到了90.6%;召回率提升3.2%,达到了90.5%;精度平均值提升4.8%,达到了76.2%。

基于改进的YOLOv3农作物目标检测算法

农作物图像在进行目标检测时,由于作物种植较密集、成像质量不佳等原因严重影响目标检测算法的检测精度。针对存在的问题,提出一种基于YOLOv3的改进算法优化在农作物目标检测的检测性能:对YOLOv3的主干特征提取网络进行优化,利用原网络中输出的4倍降采样特征图对目标进行检测,并且在算法原网络残差块的基础上增加残差单元,以检测目标较小的农作物位置信息;提出高斯衰减函数,对图像中高度重叠的农作物候选框的衰减较强,在有效抑制冗余框的同时也可以有效地降低漏检率;对回归损失函数进行优化改进,用CIOU Loss作为损失函数,使得目标检测过程中最终的目标定位更加精确。将改进的YOLOv3算法和原YOLOv3算法、Faster R-CNN算法在实拍的玉米作物图像数据集上进行对比实验,结果表明改进后的YOLOv3算法能有效检测农作物小目标,算法检测的平均准确率均值和检测速度都有明显的提升。

基于YOLOv3的选煤厂闸板开度自动检测系统

为保证选煤厂闸板开度执行精度,针对传统检测系统容易受到复杂环境的影响,导致检测出现偏差的问题,设计基于YOLOv3设计选煤厂闸板开度自动检测系统。该系统借鉴B/S三层框架结构设计系统框架,包括图像采集层、中央处理层以及终端显示层;硬件部分,主要针对激光扫描仪、通信设备以及微处理器三个关键硬件分析;软件部分,设计图像采集处理程序、YOLOv3开度检测程序、预警程序。试验结果表明:无论在何种环境中,该系统开度检测偏差均小于0.5,说明所设计的系统检测准确性较高,能适应各种环境的开度检测,弥补了传统开度检测系统存在的缺陷。

基于改进YOLOV3算法的受电弓安全状态检测技术研究

受电弓是连接列车和接触网的重要部件,其运行中的工作状态直接影响列车的运营安全,近年来结合车载视频监控系统从图像上进行受电弓安全状态的检测成为主流方法。针对使用传统图像识别方法对受电弓安全状态进行检测存在的精度低和实时性差的现状,通过自建受电弓安全运行条件数据集,结合深度学习理论对其进行安全运行状态在线检测。采用GAN神经网络提升了数据集的性能,弥补了数据种类失衡的现象;通过对YOLOV3算法进行改造,插入即插即用的注意力模块,优化小目标的检测效果;通过与自研硬件的结合实现多路受电弓监控实时视频流的分析,为车载受电弓视频实时智能分析提供新的思路和有力支撑。

基于YOLOv3算法的变电站保护硬压板检测技术研究

针对目前变电站保护硬压板巡检多由人工进行读取和核对操作,费时费力且易出错,难以满足变电站二次设备智能化的要求的问题,研究了基于YOLOv3算法的变电站保护硬压板检测与状态识别技术。首先,通过对变电站保护硬压板进行数据采集和标注,建立了一个包含大量样本的数据集。然后,使用YOLOv3算法进行目标检测,实现了对变电站保护硬压板的准确定位和识别。针对硬压板的不同状态,设计了相应的特征提取和分类模块,通过对检测到的硬压板进行状态识别,实现了对硬压板状态的准确判别。实验结果表明,该方法在变电站保护硬压板检测和状态识别方面具有较高的准确性,对压板作业操作票确认、压板状态校核等业务实现具有一定参考价值,可为变电站设备的状态监测和故障的智能诊断提供有效的技术支持。

基于多尺度特征融合的YOLOv3行人检测算法

随着深度学习技术在计算机领域的普及与推广,行人检测技术得到进一步的提升,但在一些场合仍然存在较大的问题,例如行人大小尺度不一、密集行人的检测,在以上两种情况下,行人检测性能剧烈下降,存在较多的漏检、错检的情况。针对行人大小尺度问题,论文提出在YOLOv3算法的特征提取网络中引入多尺度特征融合模块,改变原来多个卷积层堆叠的残差单元,增加特征提取网络深度,提升网络对不同尺度的行人特征提取能力,从而提升行人检测算法的检测精度和鲁棒性。实验表明,在Caltech、On_merge数据集进行训练,改进算法的平均精准率比基准算法分别高出其5.49%,2.26%。

基于YOLOv3算法的变电站作业风险管控可视化远程监控方法

在现阶段的变电站作业风险管控可视化远程监控中,由于可视化图像的处理速度较慢,监控结果时延较高。为此,提出基于YOLOv3算法的变电站作业风险管控可视化远程监控方法。在变电站作业环境中布设传感器节点实现作业信息的动态感知,将感知数据进行融合并进行远程传导,采用传导数据进行图像可视化后,引入YOLOv3算法对图像进行处理,加速图像处理进程,实现远程监控。实验结果表明:所提方法应用后得出的监控结果表现出的时延较低,均值为0.17 s,实时性较高,满足了变电站作业风险管控的现实监控需求。

基于特征提取改进YOLOv3算法的马铃薯畸形识别

马铃薯畸形严重影响其商品价值,畸形剔除成为马铃薯产后售前的核心工作步骤之一。目前,该环节主要依靠人工目测进行,劳动消耗量大、投入成本高,精准、高效的自动检测技术亟待开发。近年来,机器视觉在物体外观及特性识别领域引起广泛关注,而马铃薯畸形属于马铃薯形态特征,故在获取马铃薯外形照片的基础上,采用改进的YOLOv3算法对马铃薯畸形进行识别。使用注意力特征金字塔替换YOLOv3算法中的特征金字塔,克服了特征融合过程中的干扰,增强网络的深层特征提取,并优化了特征表达,进而达到提升畸形检测精度、可靠性的目的。实验结果表明,改进的YOLOv3算法相比改进前精确率提升2.68%,F1精度提升2.31%,mAP提升3.34%,针对深层特征的检测能力明显增强。该算法高效、精准,为马铃薯畸形检测提供了一种更优的智能检测方法。

基于改进YOLOv3算法的堆叠工件检测

针对传统物体检测算法识别堆叠工件存在准确率低以及漏检的问题,提出一种基于改进YOLOv3算法的堆叠工件检测方法。首先,引入Inception结构增强特征检测网络的特征提取能力,提高堆叠工件检测的准确率;其次,引用增强型特征金字塔结构(enhanced feature pyramid network,EFPN),提高模型多尺度特征融合能力,改善算法漏检率高的问题;最后,利用K-means聚类融合交并比损失函数(intersection over union,IOU)重新确定工件锚框,解决YOLOv3网络预设锚框尺寸不适合现有工件的问题。实验结果表明,改进算法均值平均精确度(mean average precision,mAP)达到92.89%,相较于原始YOLOv3算法提高了5.32%,F1值为0.95,召回率为93.33%,精确率为97.65%,满足堆叠工件检测的指标要求。

密集交通场景中改进YOLOv3目标检测优化算法

针对交通拥堵的车辆密集场景中检测目标重叠率高而导致漏检和误检的问题,提出了改进YOLOv3、CIoU损失函数优化以及SD-NMS优化算法(简记L-YOLOv3+CIoU Loss+SD-NMS)。利用深度可分离卷积、SE模块和Ghost模块改进YOLOv3的残差单元结构,以提高对密集目标的特征提取能力,减少网络模型参数量;采用完整交并比CIoU损失函数加快网络模型收敛速度,同时将多目标集合预测思想与DIoU-NMS有机结合,提出了SD-NMS优化算法,以降低漏检误检率。在BDD100K数据集上进行实验,结果表明,改进的目标检测算法召回率达到91.58%,精准率达到93.04%,与YOLOv3算法相比,召回率和精准率分别提升了12.09%和9.52%,具有更好的检测效果。

基于改进YOLOv3模型的软包装食品自动识别方法

目的:解决现有包装食品自动识别方法存在的识别精度差、效率低等问题。方法:基于软包装食品自动识别系统,提出一种改进的YOLOv3模型用于软包装食品的自动识别。将Kmeans++算法引入模型中解决小目标不敏感问题,将Mish激活函数引入模型中提高识别的准确性,将注意力机制Senet引入模型中提高特征提取能力。通过试验分析了该识别模型的性能,验证了模型的优越性。结果:与常规识别方法相比,所提方法能更准确、高效地实现软包装食品的自动识别,识别准确率为95.40%,识别效率为23.80帧/s,满足包装食品识别的需要。结论:通过对现有食品识别模型的优化,可以有效提高识别模型的性能。

基于边界极限点特征的改进YOLOv3目标检测

目标数量多、尺度较小与高度重叠等问题导致目标检测精度低、难度大。为提升目标检测精度,尽可能避免漏检、误检情况,提出一种基于边界极限点特征的改进YOLOv3目标检测算法。首先,引入边界增强算子Border,从边界的极限点中自适应地提取边界特征来增强已有点特征,提高目标定位准确度;然后,增加目标检测尺度,细化特征图,增强特征图深、浅层语义信息的融合,提高目标检测精度;最后,基于目标检测中目标实例特性及改进网络模型,引入完全交并比(CIoU)函数对原YOLOv3损失函数进行改进,提高检测框收敛速度以及检测框召回率。实验结果表明,相较于原YOLOv3目标检测算法,改进后的YOLOv3目标检测算法的平均精度提高了3.9个百分点,且检测速度与原算法相近,能有效提高模型对目标的检测能力。

改进YOLOv3算法下通航机场场面运动目标检测

为获得更好的检测精度和更快的检测速度,保障通航机场场面运行安全,提出一种改进的YOLOv3算法,分别从网络结构和损失函数2方面进行改进。首先,在主干网络中使用深度可分离卷积代替原卷积,构建基于距离交并比(DIoU)的目标框回归损失函数;然后,以某通航机场为研究对象,搭建通航机场场面目标检测场景,采用迁移学习和冻结训练相结合的训练方法,以提升场面目标检测的速度;最后,比较分析所提算法与传统的YOLOv3、YOLOv4算法的识别效果。结果表明:飞机目标的检测效果明显优于车辆和人员目标,改进的YOLOv3算法对目标的检测精度、召回率、全类平均精度(mAP)分别达到92.96%、80.51%、91.96%,图形处理器处理速度高达74帧/s,较传统的YOLOv3、YOLOv4算法性能均有明显提升,可实现通航机场场面运动目标的有效检测。

基于YOLOv3的农村公路路面病害自动识别研究

对农村公路路面病害进行自动识别研究,为农村公路路面病害识别工作节省时间、人力和财力,提高识别效率。以农村公路路面病害普查图片作为数据集,提出农村公路路面病害自动识别架构,运用改进后的YOLOv3算法,采用darknet-53网络框架,对农村公路路面病害图片进行标注,之后依次进行样本处理、特征值提取、锚框选择、损失计算及病害定位,训练得到损失值逐渐降低的农村公路路面病害特征权重值,运用训练得到的路面病害特征权重值对测试集中的图片进行识别。识别结果表明,YOLOv3算法病害自动识别能够把图片中的病害识别出来,可用于农村公路路面病害识别工作中。

基于改进YOLOv3的车辆目标检测

为提高交通背景下车辆检测的速度和准确率,拟将YOLOv3算法进行改进。将YOLOv3算法的特征提取网络进行改进,减少不必要的计算以提高算法检测的实时性,并与密集连接网络结合在满足实时性的基础上提升其检测精度,使用参数修正单元PReLU来替代原有损失函数,改善了在复杂环境检测不佳的情况。实验结果表明,提出的改进在准确性和实时性方面皆优于其他算法。

基于改进的YOLOv3-SPP算法目标检测研究

为了更好的对复杂战场环境下军事目标检测和侦查,提出一种基于YOLOv3-SPP的改进算法。通过收集不同目标尺寸、类别等条件下坦克、步战车、雷达等军事对象,构建军事目标小型数据集;对数据集进行数据增强处理,扩充样本数,提高训练模型鲁棒性;将DIoU和Focal Loss替换均方误差函数和交叉熵函数,提高目标检测算法精度;利用K-means++聚类算法计算得出适用的锚框,进一步提高模型检测精度。实验结果表明,改进的YOLOv3-SPP军事目标检测算法相对于原YOLOv3-SPP算法,模型收敛更快,平均精度提高了10%,精度和召回率分别提高了9%和8%,具备良好的检测能力,能为战场环境下军事目标的检测和侦查任务提供技术支持。

改进YOLOv3的轻量化漂浮物检测算法

【目的】为解决水域监控下漂浮物检测效率低、检测模型复杂度高的问题,提出一种基于改进YOLOv3的轻量化漂浮物检测算法。【方法】使用轻量级网络MobileNetv3代替YOLOv3的主干特征提取网络Darknet53以降低模型计算量和参数;构建简化版加权双向特征金字塔网络(Bi-FPN-tiny)以进行多尺度特征的加权融合;利用Focal Loss优化损失函数,加强对于困难样本的学习。为验证所提算法的有效性,建立了PASCAL VOC格式的漂浮物数据集,并进行数据标注和增广。【结果】结果表明:改进后的算法平均精度均值(mAP)达到92.8%,比原算法提高了7.1%;在NVIDIA Quadro P2200显卡下检测速度达到了86 fps/s,高于YOLOv3算法的47 fps/s;模型体积为43.7 MB,仅为初始算法的17.7%。【结论】改进YOLOv3是一种性能优越且轻量化的模型,为在移动端进行实时漂浮物检测提供了新的契机。