YOLOv3-ADS:一种基于YOLOv3的深度学习目标检测压缩模型

基于原有YOLOv3模型占用存储空间较大,所需初始化数据集样本和参数较多的问题,本文提出了一种基于YOLOv3的深度学习目标检测压缩模型YOLOv3-ADS.该模型使用拼接、叠加等方法对较少的有代表性的初始数据集进行数据增强,引入了DIoU损失函数,提升了目标检测的准确度.最后,通过稀疏训练和剪枝率阈值设置实现了YOLOv3-ADS模型的压缩处理,减少了模型实现过程中的冗余节点、参数数量和所需存储空间.实验结果表明,提出的YOLOv3-ADS压缩模型与已有的YOLOv3模型相比,平均精度值(mAP值)提升了约30%,由0.6418提升至0.8368,需设置参数量下降了96.6%,由原来的63.0 MB降至2.2 MB,在保证了较高目标检测准确率的同时,YOLOv3-ADS模型所需存储空间下降了96.5%,由252 MB降至仅需8.81 MB.

采用改进YOLOv3-Tiny模型的轻量化莲蓬质量分级算法

精准高效的莲蓬质量分级算法是实现莲蓬采后自动化加工的重要一环。针对目前莲蓬果实的采后质量分级研究较少的问题,该研究建立了莲蓬果实质量分级原则,提出了改进YOLOv3-Tiny(you only look once version 3-Tiny)模型的莲蓬质量分级算法。首先在3种光照条件下架设摄像头垂直采集莲蓬图像并建立试验数据集,通过数据增强技术扩充数据集;接着使用K均值聚类算法重新设计先验锚框尺度,提高先验锚框的回归精度。随后以YOLOv3-Tiny原骨干网络为基础,加入空间金字塔池化模块(spatial pyramid pooling,SPP),提升网络提取特征信息的能力;最后利用YOLOv3-Tiny的参数进化模块为该模型进化出一套合适的超参数。试验结果表明,改进的YOLOv3-Tiny模型对莲子识别的平均精度均值(mean average precision,mAP)和召回率(recall)分别为96.80%和94.60%;与原YOLOv3-Tiny模型相比,mAP提高12.49个百分点,召回率提高11.59个百分点,并且每秒传输帧数达到25帧,是Faster R-CNN网络模型的1.24倍。试验数据说明所提改进算法对于莲蓬果实上的莲子具有更好的识别效果,而且满足实时检测的要求,可以为莲蓬质量分级研究提供技术参考。

利用无人机航拍视频结合YOLOv3模型和SORT算法统计云杉数量

准确、快速地统计苗木数量对苗圃的运营和管理具有重要意义,是提高苗圃运营和管理水平的有效方式。为快速准确统计完整地块内苗木数量,该研究选取云杉为研究对象,以无人机航拍完整地块云杉视频为数据源,提出一种基于YOLOv3(You Only Look Once v3,YOLOv3)和SORT(Simple Online and Realtime Tracking,SORT)的云杉数量统计方法。主要内容包括数据采集、YOLOv3检测模型构建、SORT跟踪算法和越线计数算法设计。以平均计数准确率(Mean Counting Accuracy,MCA)、平均绝对误差(Mean Absolute Error,MAE)、均方根误差(Root Mean Square Error,RMSE)和帧率(Frame Rate,FR)为评价指标,该方法对测试集中对应6个不同试验地块的视频内云杉进行数量统计的平均计数准确率MCA为92.30%,平均绝对误差MAE为72,均方根误差RMSE为98.85,帧率FR 11.5帧/s。试验结果表明该方法能够快速准确统计完整地块的云杉数量。相比SSD+SORT算法,该方法在4项评价指标中优势显著,平均计数准确率MCA高12.36个百分点,帧率FR高7.8帧/s,平均绝对误差MAE和均方根误差RMSE分别降低125.83和173.78。对比Faster R-CNN+SORT算法,该方法在保证准确率的基础上更加快速,平均计数准确率MCA仅降低1.33个百分点,但帧率FR提高了10.1帧/s。该研究从无人机航拍视频的角度为解决完整地块的苗木数量统计问题做出了有效探索。

改进YOLOv3的无纺布表面缺陷检测研究

针对在无纺布表面缺陷检测中存在小缺陷目标漏检及识别率不高的问题,提出了一种改进YOLOv3的无纺布表面缺陷检测算法。首先在网络模型当中生成一个新的特征图层,来提取更多小缺陷目标的特征,其次引入K-Means++算法对聚类先验框中心点的提取进行改进,选取更为合适的Anchor Box,使定位更加精准,提高检测精度。最后,在自制的无纺布表面缺陷数据集上进行对比检测,研究结果表明:改进后的YOLOv3算法在测试集上的mAP值为85.83%,比原始的YOLOv3算法提高了6.99%,单张图片的平均检测时间为0.168s,与原始算法检测时间基本持平,检测性能也优于Faster R-CNN。

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。

基于改进YOLOv3模型的道路车辆多目标检测方法

针对YOLOv3模型对真实道路环境下近、远端目标车辆检测率低、鲁棒性差的问题,给出了一种基于改进YOLOv3模型的车辆多目标检测模型——YOLOv3-Y模型。模型基于Darknet-53特征提取网络,将网络输出的8倍降采样特征图与4倍降采样特征图进行拼接,建立104×104尺度的检测层;在包含4个类别的车辆数据集中,利用K均值(K-means)聚类算法选取出12个先验框并分别匹配到4个不同尺度的检测层中;同时引入了GIOU损失函数对交并比(intersection-over-union,IOU)损失函数进行优化。采用实验室实际道路车辆数据集,将YOLOv3-Y与YOLOv2、YOLOv2-voc、YOLOv2-tiny、YOLOv3及YOLOv3-tiny模型进行对比,结果表明:YOLOv3-Y模型的平均精度均值与召回率明显优于上述算法,提升最小值分别为11.05%和5.20%。

基于改进YOLOv3模型的玉米叶片病虫害检测与识别研究

[目的]本文针对传统农作物叶片病虫害识别模型YOLOv3存在的检测实时性与鲁棒性差以及漏检率高的问题,提出了一种改进的玉米叶片病虫害检测模型——YOLOv3-Corn。[方法]该模型采用Darknet-53作为特征提取网络,将网络输出的8倍特征图与新加入的4倍下采样特征图进行拼接,建立了104104尺度的检测层;在前期构建的包含6个类别玉米常见病虫害数据集中,利用K-means++聚类算法选取12个先验框并分别匹配到4个不同尺度的检测层中进行目标识别。[结果]在YOLOv3系列模型中,YOLOv3-Corn模型的检测精度均值(mAP)、召回率(Recall)达到了93.31%和93.08%,与YOLOv3模型相比分别提高了4.03%和9.78%。在非YOLO系列模型中,YOLOv3-Corn模型平衡了Faster R-CNN模型的检测速度不足和RetinaNet模型的召回率、精确度不足的问题。[结论]在保证提取相同特征参数、检测时效性好的前提下,YOLOv3-Corn模型有效提高了识别精度。

基于YOLOv3的轻量化高精度多目标检测模型

针对当前目标检测模型在边缘设备中的应用占用内存过大、无法达到实时性要求的问题,提出一种基于YOLOv3的轻量化多目标检测模型.采用MobileNet网络进行点卷积和深度可分离卷积运算提取图像特征,显著降低了模型的参数量.同时,为了保证目标检测精度,在训练过程中不仅采用CIOU(completeintersectionoverunion)目标框回归损失函数,而且在损失函数中引入Focal loss,减少正负样本分布不平衡所造成的误差;引入Label Smoothing调整真实样本标签类别在计算损失函数时的权重,有效抑制过拟合问题.经3.5万个实际场景数据训练,本文提出的改进模型在行人和车辆的检测精度上分别达到47.3%和69.67%,模型大小仅为YOLOv3的40%,实现了理想检测精度水平下的模型轻量化.

基于改进YOLOv3模型的车辆前方路面坑洼检测

首先,对道路坑洼图片进行预处理以获得坑洼数据集Pothole-set;其次,将YOLOv3的激活函数修改为Mish激活函数,以提高模型准确性和泛化能力;接着,将YOLOv3的3个输出尺度进行融合以减小复杂度;然后,使用K-Means方法对坑洼数据集边界框尺寸进行聚类,同时,对坑洼数据集进行网格划分,获得最终的输出特征图;最后,将余弦退火、Mixup、标签平滑技术应用于训练过程中以提高检测精度,获得最终的坑洼检测模型YOLOv3-Pt。实验结果表明:相比于YOLOv3,YOLOv3-Pt在复杂环境下对坑洼的检测精度提升了13.99%,能够满足坑洼检测精度的需要。

低可见度环境下基于改进YOLOv3的井下人员定位方法

煤矿井下光照不足、粉尘遮挡,井下视频监控系统采集的人员目标在二维图像中表现为小目标或低可见度目标时,原始YOLOv3网络的Darknet53特征金字塔结构无法充分提取和保留目标的细节信息,导致定位结果不准确。针对上述问题,提出了一种低可见度环境下基于改进YOLOv3的井下人员定位方法。首先,结合β函数映射和帧间信息增强技术,提升低可见度环境下煤矿井下监控视频的清晰度。然后,采用更轻量级的Darknet-19替代YOLOv3中的Darknet53,并引入CIoU作为损失函数,利用改进YOLOv3识别增强后视频中的井下人员目标。最后,基于映射模型将识别到的目标从二维空间投影至三维空间,结合三维定位结果完成井下人员定位。选用某煤矿一段低可见度环境下井下监控视频进行实验,结果表明:①经过基于改进YOLOv3的井下人员定位方法处理后的视频帧亮度、可见度和各项评价指标(平均灰度、平均对比度、信息熵与灰度谱带宽)较原始视频均有明显提升,整体光照条件得到显著改善,且处理后的视频帧对比度得到增强,目标和背景之间更易区分,证明了采用的图像增强技术的有效性。②改进YOLOv3模型能准确识别视频帧中的井下工作人员,不存在漏识别问题。③采用已知位置的标定物或人工标注的的真实三维位置作为基准,计算投影结果与真实位置之间的偏差(偏差计算涵盖X,Y,Z方向上的距离偏差),其中X方向和Y方向上的偏差均小于0.2 m,Z方向上的偏差小于0.002 m,表明构建的映射模型的映射效果好且定位精度较高。

面向合成孔径雷达图像任意方向舰船检测的改进YOLOv3模型

为实现合成孔径雷达(SAR)图像舰船检测能同时输出目标位置和方位角估计信息,提出基于改进YOLOv3的任意方向舰船目标检测模型。定义有利于模型参数回归稳定性的角度范围,根据垂直框和旋转框预测结果定义多任务损失函数。通过融合垂直框和旋转框预测结果进行目标方位角估计校正,以进一步提高检测性能。采用SAR舰船目标检测数据集(SSDD+)和高分辨率SAR图像数据集(HRSID)分别进行改进模型的性能测试和迁移测试。实验结果表明:对于SSDD+,当交并比为0.5时平均精度均值mAP_(0.5)达到了0.841;对HRSID进行迁移测试时,mAP_(0.5)能够达到0.530;当网络输入尺寸为416×416时处理一帧图像耗时约为25 ms;采用高分辨率可见光舰船数据集(HRSC2016)进行改进模型的适用性测试,mAP_(0.5)为0.888,超过了部分已知模型的精度;该改进模型适用于纯海洋背景下SAR图像中的舰船目标检测,能够满足舰船目标检测的实时性需求。

基于YOLOv3模型的人脸检测与头部姿态估计融合算法

针对头部姿态估计中的人脸检测框尺寸难于学习问题和将人脸检测、头部姿态估计分为两阶段的模型中流程复杂、耦合程度高、误差累积严重的问题,本文提出一种基于YOLOv3模型的人脸检测与头部姿态估计融合算法。通过K-means聚类方法对训练集中人脸区域的尺寸进行聚类,得出9组聚类结果,以模拟真实情况下人脸区域的尺寸和比例;通过拓展YOLOv3模型,实现人脸检测和头部姿态估计同时进行,并在3个不同层次的特征图上进行人脸检测和头部姿态估计,实现对特征图的多尺度检测,充分利用了特征图中的信息;采用端到端模式进行训练,简化头部姿态估计任务的处理流程。在CAS-PEAL-R1姿态子集上取得99.23%的预测准确率,在Pointing′04数据集上pitch和yaw方向分别取得了3.79°和4.24°的平均绝对误差。结果表明,本模型在满足实时性要求的前提下,能够出色完成人脸区域检测与头部姿态估计任务,充分证实本文方法的可靠性与实用性。

基于YOLOv3-SPP的遥感图像目标检测压缩模型

近年来,卷积神经网络模型已被广泛应用于遥感图像目标检测任务中,但自然场景图像与遥感图像的目标特性存在差异,针对自然场景设计的模型往往难以在遥感图像任务中取得良好的效果。同时,很多遥感图像处理任务需要在星载、机载等资源有限的平台中进行,难以部署参数量、计算量大的复杂模型。针对以上问题,本文对在自然场景中性能优异的YOLOv3-SPP模型进行适应性改进及参数压缩。首先,对原始的L1范数剪枝算法进行改进,提出基于L1范数和均值差的加权剪枝算法,能够更好地保留重要的通道。其次,对剪枝后的子网集合进行快速评估,选取评估结果最好的子网进行微调。在预训练和微调阶段,本文将SPP模块中的最大池化层替换为softmax加权池化层,着重突出深层网络中权重较大的特征,提高了模型的检测精度。本文在多个公开遥感数据集上进行实验,结果表明改进的YOLOv3-SPP模型在遥感目标检测任务上具有更好的性能,同时本文的剪枝算法可以在相同的参数压缩比例条件下,降低模型的性能损失。

改进YOLOv3-SPP的无人机目标检测模型压缩方案

无人机设备算力低下,深度模型计算量过大不适合直接部署,航拍图像目标小并且密集,模型对目标识别分类效果也不佳。为了提高深度模型航拍目标检测的精度和速度,降低计算量。对YOLOv3-SPP模型进行改进,将GIoU代替平方和用作定位损失,提高定位精度。提出了一种数据集优化和数据增强方法。再针对特定类别按照权值进行采样处理均衡化类别数量。随机组合不同场景样本组成批训练,提高模型训练效率和检测鲁棒性。再对模型进行压缩,在BN层添加缩放因子进行稀疏训练和通道剪枝的基础上,通过缩放因子衡量模型残差层重要性,修剪不重要残差,进一步减小前向推理层数和参数。实验表明,模型参数量减小了95.7%,模型大小减小95.82%,同等算力下模型推理速度提高为原来3倍。且精度和速度均高于最新YOLOv5系列轻量模型。

基于改进YOLOv3模型的苹果树叶片病斑检测

为解决在自然环境情况下叶片病斑检测精度低及鲁棒性差等问题,以自然环境情况下的苹果树叶为研究对象,提出了一种改进的YOLOv3病斑检测模型。首先,在特征提取阶段引入特征金字塔注意力机制,通过所提模型将注意力信息融入到特征提取过程中,提升对较小病斑及易被忽略叶片疾病的检测效果;其次,对引入的注意力模块进行结构优化,在兼顾检测速度的基础上提升模型的检测精度。对比研究表明,改进后的网络模型具有良好的鲁棒性,平均精度均值为89.79%,而对比Faster R-CNN、Retinanet、YOLOv3网络的平均精度值仅分别为72.61%、69.07%、80.91%。

基于改进YOLOv3的玉米病害识别方法

为提高玉米作物病害叶片识别模型的准确性,提出改进YOLOv3的玉米病害识别方法。首先,为获得更深的玉米疾病特征,通过更改浅特征图比例和添加第四个检测层,分别修改YOLOv3网络体系结构为YOLOv3-M1和YOLOv3-M2。然后,采用改进的K-means算法进行聚类,获得的锚框倾向于数据集的真实边界框。最后,为每个类别添加一个平衡因子,并对不同类别中样本的难度进行加权来修改损失函数,使得模型能够找到边界盒预测与类别预测之间的最佳点,使算法获得最佳检测效果。结果表明,改进的YOLOv3-M1和YOLOv3-M2模型在测试集上的准确率分别高达95.63%和97.59%,相比YOLOv3模型,识别准确率分别提高4.15%和6.28%,识别准确率在玉米数据集上得到大幅度提高。

基于改进YOLOv3网络模型的茶草位置检测算法

精准高效的茶草识别是智能茶园植保机械进行除草工作的关键。针对目前茶园除草智能化程度较低等问题,提出改进YOLOv3网络模型的茶草检测算法。首先,分季节和时间段,在多个茶叶品种的种植园中以自适应的距离和角度采集茶草混合图像并建立试验数据集。接着,使用K均值聚类算法重新设计先验锚框尺度。然后,以YOLOv3网络模型为基础,选取17×17的网格划分图像区域;采用残差网络(ResNet)作为主干网;加入过程提取层,增强草株检测性能。最后在原损失函数中引入广义交并比损失。通过消融试验和不同目标检测算法对比试验验证此改进算法对茶树与杂草的检测效果。试验结果表明,改进YOLOv3网络模型对杂草的检测精确率和召回率分别为85.34%和91.38%,对茶树的检测精确率和召回率最高达到82.56%和90.12%;与原YOLOv3网络模型相比,检测精确率提高8.05%,并且每秒传输帧数达到52.83 Hz,是Faster R-CNN网络模型的16倍。这些数据说明所提算法在茶园复杂环境下,不仅对于茶树和杂草具有更好的识别效果,而且满足实时检测的要求,可以为智能茶园植保机械提供技术支持。

基于改进YOLOv3模型的侧扫声纳沉船目标检测

针对使用Faster R-CNN模型进行侧扫声纳图像沉船目标检测存在耗时长、效率低以及小目标漏警率高等问题,引入YOLOv3模型并结合侧扫声纳沉船图像数据集特点对模型进行了改进。首先,进行浅层特征融合的多尺度训练,从而增加沉船目标浅层特征在检测中所占比重;然后,使用K-means聚类算法重新设置先验框参数及大小,提高小目标检测精度;最后,采用二分类交叉熵函数改进YOLOv3算法中的损失函数,提高模型的收敛速度和泛化能力。实验结果表明:相比Faster R-CNN模型和传统YOLOv3模型,改进YOLOv3模型的AP值达到89.18%,分别提高了1.46%和0.57%;调和平均值F1达到89.08%,分别提高了2.33%和1.04%;检测图片耗时时间为Faster R-CNN模型的3/50,极大地提高了检测效率。该研究结果验证了改进的YOLOv3模型具有更高的检测精度和效率,对海底沉船搜救具有一定的实际指导意义。

基于YOLOv3增强模型融合的人流密度估计

为了解决在复杂背景以及人流密集且互相遮挡的场景下,对人流密度进行估计精度低的问题,提出了基于YOLOv3增强模型融合的方法进行人流密度估计.首先将数据集分别进行头部标注和身体标注,生成头部集和身体集.然后用这两个数据集分别训练两个YOLOv3增强模型YOLO-body和YOLO-head,最后使用这两个模型在相同的测试数据集上推理,将其输出结果进行极大值融合.结果表明基于YOLOv3增强模型融合的方法,与原始目标检测方法和密度图回归的方法相比精度提高了4%,且具有较好的鲁棒性.

基于YOLOv3模型压缩的交通标志实时检测算法

YOLOv3目标检测算法检测精度高,检测速度快,能够实现对交通标志的实时检测。但由于YOLOv3模型要求设备具有较强的运算能力及较大的内存,难以直接部署在车辆等资源受限平台上。针对此问题,提出了一种Strong Tiny-YOLOv3目标检测模型,该模型通过引入FireModule层进行通道变换,在减小模型参数的同时能够加深模型深度。同时,模型在FireModule层之间加入short-cut来增强网络的特征提取能力。实验结果表明,模型在保持较高检测精度的前提下,能够极大减小YOLOv3模型对设备的依赖。与Tiny-YOLOv3模型相比,Strong Tiny-YOLOv3模型的参数量减少了87.3%,实际内存大小减少了77.9%,在GeForce 940MX上的检测速度提高了22.8%,且在GTSDB和CCTSDB交通标志数据集上的检测mAP分别提高了12%和3.8%。