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。

基于YOLOv3-spp的汽车轮毂表面缺陷检测算法研究与分析

针对传统人工检测方法效率低且准确率不高等问题,提出一种基于YOLOv3-spp网络的自动缺陷检测方法。首先通过图像切片提取缺陷区域,然后将提取的缺陷图片经过数据增强后组成数据集并以此训练YOLOv3-spp网络,接着对比分析了不同深度学习网络及数据集筛选方法对轮毂表面缺陷的检测效果。实验结果表明:在工业现场采集的数据集上,训练好的YOLOv3-spp神经网络可以准确地定位,并识别出点状、线性、油泥油漆、针孔4类缺陷,其平均准确率分别为84.5%、93.4%、95.4%和89.5%,检测速度达到35 ms/幅,满足检测的实时性要求,且检测准确率优于Faster R-CNN和SSD两种常用神经网络。

改进YOLOv3-SPP水下目标检测研究

针对水下目标检测任务中图像模糊、背景复杂以及目标小而导致误检和漏检问题,提出一种改进YOLOv3-SPP的水下目标检测算法。利用UWGAN网络对水下原始图像进行恢复,采用Mixup方法增强数据,减少错误标签记忆;以YOLOv3-SPP网络结构为基础,增加网络预测尺度,提高小目标检测性能;引入CIoU边框回归损失,提高定位精度;利用K-Means++聚类算法,筛选最佳Anchor box。将改进YOLOv3-SPP算法在处理后的URPC数据集上进行实验,平均检测精度由79.58%提升到88.71%,速度为28.9FPS。结果表明,改进算法综合检测能力优于其他算法。

改进YOLOv3-SPP的SAR图像舰船目标检测

合成孔径雷达图像中舰船目标的尺度差异大、小目标居多,这给检测造成一定的困难。针对此问题,提出了一种基于改进YOLOv3-SPP的SAR图像舰船目标检测算法。改进原模型FPN,利用主干网络的第二次下采样输出的特征来建立尺度为104×104的预测,并将各个尺度进行紧密连接;用K-median++聚类算法重新对锚框聚类来得到适合舰船特征的先验框。使用YOLOv3-SPP模型和改进的YOLOv3-SPP模型以及其他典型目标检测算法在AIR-SARship-1.0与SSDD数据集上进行对比实验。实验结果表明,相比于原始算法,改进后的算法能更有效地检测SAR图像舰船目标,检测精度分别提升了3.2%、4.4%。在数据集3个不同输入尺度下,检测精度都有所提升。相比于其他检测算法,改进后的算法在保证实时性的情况下具有更高的检测精度。

基于YOLOv3-SPP模型改进的遥感影像目标检测

针对现有目标检测模型对遥感影像小目标检测精度不佳问题,以YOLOv3-SPP网络为基础利用K-Means聚类和遗传变异算法计算得到Anchor值,用于数据集的训练和测试;使用空洞卷积增强浅层特征图的感受野,重构网络特征提取结构,提升小目标特征信息的提取能力;引入simAM模块推断特征图映射的三维权重,丰富特征图信息,提升小目标检测精度。实验结果表明,改进后模型算法精度指标mAP达到90.10%,F_(1)分数达到91.50%,与原始YOLOv3-SPP算法相比,mAP和F_(1)分数分别提升了4.3%和7%,在遥感影像小目标检测方面有较好的优势。

基于无人机图像和改进YOLOv3-SPP算法的森林火灾烟雾识别方法

森林火灾的频繁发生对人类生命、经济和周围环境构成重大威胁。烟雾是森林火灾初期最显著特征之一,因此烟雾识别对预防森林火灾意义重大,是建立早期火灾探测机制的关键。由于烟雾具有颜色不一、形状多变等特性,导致传统方法对于烟雾识别存在泛化能力弱、响应时间长、误报率高等问题,无法实现对森林火灾的有效监测。基于此,本研究提出了基于改进的YOLOv3-SPP森林火灾烟雾识别方法。改进的YOLOv3-SPP算法通过在主干特征提取网络中加入Focus模块和使用动态标签分配策略降低了计算成本,以及在预测网络中使用解耦头,能够避免在预测过程中分类与回归任务的冲突,并用无锚框检测器替代锚框检测器计算预测框的位置,显著帮助模型更好地定位烟雾,简化解码过程。本研究使用自建的无人机森林火灾遥感影像数据集对模型进行评估,改进后的YOLOv3-SPP算法模型识别精确率达到91.07%,识别速率达到51帧/s,较YOLOv3-SPP模型分别提升了1.14%和17帧/s。实验表明该模型能有效地识别森林火灾烟雾,且通过轻量化的设计能在短时间内对烟雾进行准确识别。

基于YOLOv3-SPP的马铃薯叶片病害识别研究

实现马铃薯叶片病害的快速、准确识别,对于提高马铃薯产量具有重要意义。介绍了一种改进的YOLOv3-SPP算法,该算法引入了SPP模块以提高识别的准确性。基于该优化算法,设计了一种基于深度学习技术的马铃薯叶片病害识别系统,实验表明,YOLOv3-SPP能够快速、准确地识别马铃薯叶片常见病害,对于马铃薯叶片病害识别的深入研究与发展提供了参考,具有一定的工程意义。

基于YOLOv3-Tiny-D算法的偏光片缺陷检测

随着偏光片的应用日益广泛,对于其生产质量的要求也愈加严苛。采用深度学习的目标检测算法对偏光片的三类瑕疵缺陷进行检测,以解决传统方法检测精度低、硬件成本高的问题,从而优化生产工艺。基于YOLOv3-Tiny算法,采用Dense Block模块与SPP-Net模块对其特征提取网络进行优化,并与待检测目标的实际情况相结合调整优化网络的检测模块,提出一种改进后的算法YOLOv3-Tiny-D。实验表明,所提方法在偏光片数据集上测试时,单张图片在保证检测速度的同时(18ms/张),脏污、划痕、标记3类缺陷的检测正确率为90.74%、98.90%、97.52%,平均正确率95.72%,较原算法提高7%。

基于改进YOLOv3行人检测研究

行人的检测与跟踪在智能交通、自动驾驶领域中均有广泛的应用。针对图像中小目标检测率低问题,提出了一种YOLOv3的改进方法,并将其应用于小目标的检测。由于小目标所占的像素少、特征不明显,为了获取更多的小目标特征信息,在YOLOv3网络结构的基础上添加三层SPP网络,通过SPP模块实现了局部特征和全局特征,SPP模块中最大的池化核大小要尽可能地接近或者等于需要池化的特征图的大小,特征图经过局部特征与全局特征相融合后,丰富了特征图的表达能力,有利于待检测图像中目标大小差异较大的情况。用改进的YOLOv3算法和原YOLOv3算法在数据集上进行对比实验,结果表明改进后的YOLOv3算法能有效的检测小目标,对小目标的平均准确率有明显的提升。

基于ZYNQ的PCB缺陷检测系统实验设计

印刷电路板(PCB)检测方法对于确保产品正常工作至关重要。该文针对传统的人工检测方法易存在漏检、误检等问题,采用深度学习方法对PCB缺陷进行检测,并搭建了基于ZYNQ的硬件实现平台;采用软硬件协同设计方法,使用FPGA对算法进行了硬件加速,其中包括采用了YOLOv3-SPP网络模型,并对该结构进行了优化,使其适用于ZYNQ端的部署。在搭建硬件平台时,首先通过Vivado配置硬件基本信息,然后使用PetaLinux创建Linux系统,在Vitis中调用该系统并添加DPU IP核,最后在ZYNQ的PS端采用多线程思想编写Python程序,实现PCB缺陷的检测。实验结果显示,该系统对各类型PCB缺陷的检测精度均在0.95以上,检测精度平均值(mAP)为0.97。

基于深度学习的多目标车辆检测及追踪方法

文章是以MTALAB软件为主要平台,基于深度学习建立一种多目标车辆检测及追踪的方法。首先建立一个基于深度学习的模型用于训练的不同场景的车辆数据集,并对所采集的数据集进行标注和格式归一化处理。然后使用K-means聚类算法进行锚框,建立以YOLOv3SPP算法为主的神经网络框架,采用非极大值拟制(NMS)算法得到最终的预测框。最终训练神经网络模型,再对该模型进行测试和评定。经实验可以得出该模型能够准确地检测及追踪多目标车辆。

基于深度学习的太阳活动区检测与跟踪方法研究

太阳活动区是各类太阳活动的主要能量来源,剧烈的太阳活动直接影响人类的生存环境,因此,准确地检测与跟踪太阳活动区对监控和预报空间天气非常重要.基于深度学习框架的YOLOv3-spp和DeepSort,提出了一种太阳活动区检测和跟踪方法(Active Regions Detection and Tracking Method,ARDTM),该方法较好地解决了传统图像处理方法易将一个太阳活动区误检测为多个,或者多个太阳活动区误检测为一个的问题;及时捕获新产生的太阳活动区和终止跟踪消失的太阳活动区,有效提高了太阳活动区的跟踪准确率.实验结果表明,该方法可以较好地检测和跟踪不同望远镜、不同时间间隔序列图像中的太阳活动区.

基于深度学习的输电线路巡检图像绝缘子识别

绝缘子是输电线路无人机巡检的重要目标。为了快速准确识别巡检图像中的绝缘子,通过采集巡检图像,构造绝缘子数据集,提出了一种基于深度学习单阶图像识别框架(YOLOV3-SPP)的绝缘子在线识别模型。该网络模型在YOLOV3的模型上加入了SPP模块。通过在Pytorch环境下的训练和测试,结果表明:加入SPP模块后提高了检测的精确度,并可以快速有效地完成绝缘子识别定位。

基于无人机图像的风电机组叶片缺陷识别

风电机组叶片存在缺陷会降低发电效率,甚至引起安全事故,但叶片表面人工检测困难,工作效率低。为此,本文提出一种基于无人机图像的风电机组叶片缺陷识别方法,利用无人机搭载高清摄像头对风机叶片进行全方位拍摄,利用传统图像处理方法及YOLOv3-SPP模型识别风机叶片图像中的缺陷,并结合图像拼接得到缺陷位置。实验结果表明,该方法能够较好地识别出叶片缺陷,漏识及误识的情况极少,该方法可以作为风电场进行风电机组进行日常运维的重要手段。

试论高铁接触网鸟窝检测识别方法

高铁接触网鸟害问题对于高铁运行环境安全一直是比较严重的安全隐患,鸟害问题存在主要因为鸟窝具有体积较小、缺乏显著形状特征、难以识别等特点。针对以上问题,提出采用级联的神经网络模型来检测高铁接触网环境安全,对于鸟害问题进行及时识别排查。首先在第一级检测器中实现对人工先验得出的兴趣域的定位检测,然后使用第二级检测器对兴趣域中鸟窝进行识别检测。与直接检测的方法对比,结果表明,YOLOv4级联YOLOv3-SPP网络的检出率达到93.69%,相比YOLOv3-SPP网络直接检测检出率提升约20%,基本可以实现高速铁路接触网上鸟窝的快速准确检测。