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。

基于改进的YOLOv3算法的集装箱箱损区域定位方法

为了节省集装箱检测人力和时间成本,实现对集装箱箱损的精准评估,提出基于改进的YOLOv3算法的箱损区域定位方法:通过改进的YOLOv3网络精准定位集装箱可能受损的区域,并借助网络结构优化,显著提升细微损伤识别能力;同时,针对箱损特征实施深度定制化网络调整,包括调整模型先验框以适应不同尺寸损伤,从而确保箱损识别的准确性。试验证明:基于改进的YOLOv3网络定位箱损区域不仅有利于降低计算成本,还能确保系统实时响应,实现箱损自动化快速识别。

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算法的变电站设备运行实时监测方法

常规的变电站设备运行监测方法以设备运行状态量采集为主,并未考虑到设备运行的时变性,无法满足变电站设备运行监测的实时性需求。因此,设计了基于改进YOLOv3算法的变电站设备运行实时监测方法。构建变电站设备运行实时监测架构,配置变电站设备运行的监测任务,并识别与跟踪设备监测目标,实现变电站设备运行的有效监测。利用TWUHF-G14传感器采集变电站设备运行状态数据,并对其进行数据预处理。基于此,利用改进YOLOv3算法优化变电设备运行监测网络,分析变电站设备的形状、运行状态等特点,并根据改进YOLOv3算法调整监测网络结构,满足设备监测的实时性需求。采用对比实验,验证了该方法的实时监测性能更佳,能够应用于实际生活中。

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。

基于增强Tiny YOLOV3算法的车辆实时检测与跟踪

针对深度学习方法在视觉车辆检测过程中对小目标车辆漏检率高和难以实现嵌入式实时检测的问题,该文基于Tiny YOLOV3算法提出了增强Tiny YOLOV3模型,并通过匈牙利匹配和卡尔曼滤波算法实现目标车辆的跟踪。在车载Jetson TX2嵌入式平台上,分别在白天和夜间驾驶环境下进行了对比试验。试验结果表明:与Tiny YOLOV3模型相比,增强Tiny YOLOV3模型的车辆检测平均准确率提高4.6%,平均误检率减少0.5%,平均漏检率降低7.4%,算法平均耗时增加43.8 ms/帧;加入跟踪算法后,本文算法模型的车辆检测平均准确率提高10.6%,平均误检率减少1.2%,平均漏检率降低23.6%,平均运算速度提高5倍左右,可达30帧/s。结果表明,所提出的算法能够实时准确检测出目标车辆,为卷积神经网络模型的嵌入式工程应用提供了参考。

嵌入SENet结构的改进YOLOV3目标识别算法

为准确识别工业图像中的目标零件,提出一种改进的YOLOV3目标识别算法。结合K-means聚类与粒子群优化算法进行锚框计算,以降低初始点对聚类结果的影响,加快算法收敛速度。同时在YOLOV3网络shortcut层嵌入SENet结构,得到SE-YOLOV3网络。对零件图像进行数据增强并加入零件标注,制作包含10 816张图片的样本集,用于算法训练和测试。实验结果表明,该算法能够获得平均交并比为83.01%的锚框,当样本图像存在较多残缺零件干扰时,YOLOV3存在将背景识别为零件的情况,其查准率与查全率分别为72.11%和97.51%,而SE-YOLOV3能有效减少假正例数量,其查准率与查全率分别为90.39%和93.25%。

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。

采用改进YOLOv3算法检测青皮核桃

使用机器视觉对果实检测并进行估产是实现果园智能化管理的重要途径,针对自然环境下青皮核桃与叶片颜色差异小、核桃体积较小导致青皮核桃不易检出的问题,该研究提出一种基于改进YOLOv3的青皮核桃视觉检测方法。依据数据集特征进行数据增强,引入Mixup数据增强方法,使模型从更深的维度学习核桃特征;针对核桃单种类目标检测比较不同预训练模型,选择精度提升更明显的Microsoft Common Objects in Context(COCO)数据集预训练模型;依据标注框尺寸统计对锚框进行调整,避免锚框集中,提升模型多尺度优势。在消融试验中,前期改进将平均精度均值提升至93.30%,在此基础上,引入Mobil Net-v3骨干网络替换YOLOv3算法中原始骨干网络,提升模型检测能力及轻量化。试验表明,基于改进YOLOv3的青皮核桃检测平均精度均值为94.52%,超越YOLOv3其他2个骨干网络和Faster RCNN-ResNet-50网络。改进模型大小为88.6 M,检测速度为31帧/s,检测速度是Faster RCNN-ResNet-50网络的3倍,可以满足青皮核桃实时准确检测需求。该方法可为核桃果园智能化管理中的估产、采收规划等提供技术支撑,也可为近背景颜色的小果实实时准确检测提供思路。

一种基于YOLOv3的汽车底部危险目标检测算法

在公共安防领域,汽车底部潜藏的危险品危害性强,检测难度大.当前车底危险品检测主要通过模板匹配等传统目标检测技术进行检测,但存在检测速度慢、检测精度低的问题,为了能够更好地检测出藏匿于车底部位的危险品目标,提出一种改进的YOLOv3目标检测算法.该方法分别从多尺度图像训练、增加Inception-res模块和省去大尺度特征输出分支3个方面对YOLOv3网络进行改进.实验证明:在自制危险品数据集下,采用双数据集多尺度图像训练,网络的m AP值大约提高了0.9%,单张图像检测耗时大致不变;在3个支路分别增加相应Inception-res结构,网络的m AP值大约提高了1.5%,但是单张图像检测耗时却增加了原来的2.6倍;省去大尺度特征输出分支,网络的m AP值降低了0.3%,但是单张图像检测耗时也相应降低25.4%.通过结合上述方法对YOLOv3算法模型进行综合改进,选取双数据集多尺度图像训练的方式,同时省去大尺度特征输出分支,并在其他两支路增加相应Inception-res结构.这样在充分结合Inception-res结构优势的情况下,省去对检测耗时影响较大且对检测结果 m AP值影响较小的大尺度特征输出分支.实验测得改进网络m AP值大约提高2.2%左右,而单张图像检测耗时增加了0.014 s,在可接受范围内.且网络对于小尺寸目标识别效果明显增强,很好地满足了车底复杂背景危险品检测要求.

基于改进边界框回归损失的YOLOv3检测算法

YOLOv3检测算法中的边界框回归损失函数对边界框尺度敏感,且与算法检测效果评价标准交并比(IoU)之间的优化不具有强相关性,无法准确反映真值框与预测框之间的重叠情况,造成收敛效果不佳。针对上述问题,提出基于IoU的改进边界框回归损失算法BR-IoU。将IoU作为边界框回归损失函数的损失项,使不同尺度的边界框在回归过程中获得更均衡的损失优化权重。在此基础上,通过添加惩罚项最小化预测框与真值框中心点间围成的矩形面积,并提高预测框与真值框之间宽高比的一致性,从而优化边界框的回归收敛效果。在PASCAL VOC和COCO数据集上的实验结果表明,在不影响实时性的前提下,BR-IoU能够有效提高检测精度,采用BR-IoU的YOLOv3算法在PASCAL VOC 2007测试集上mAP较原YOLOv3算法和G-YOLO算法分别提高2.5和1.51个百分点,在COCO测试集上分别提高2.07和0.66个百分点。

基于改进YOLOv3算法的水面漂浮物检测方法

针对人工湖中的水面漂浮物检测问题,提出了一种基于改进YOLOv3的水面漂浮物目标检测算法,目标检测包括目标识别与目标定位。首先通过改进的k-means聚类算法获取先验框,以提高定位框与数据集标注框的匹配度,其次在YOLOv3算法框架的3个预测支路中添加类别激活映射(CAM),将原基于边界框的定位方式替换成基于像素点进行定位。实验结果表明:改进的YOLOv3算法提高了识别精度,降低了定位误差。识别精度为97.49%,比YOLOv3算法提高5.14%,平均定位误差为2.60个像素点,比YOLOv3算法减小了1.36。

基于改进YOLOv3算法的车辆目标检测

为有效解决车辆目标检测算法参数量大、计算成本高等问题,提出一种改进YOLOv3算法。利用深度可分离卷积和注意力机制重新设计主干特征提取网络结构,通过增大神经网络深度、拓宽特征提取层数实现更高层语义信息的提取,可获得更精细特征,减少模型参数量和计算量;引入CIOU回归优化损失函数,量化预测框与真实框中心点距离、重叠面积、尺度以及长宽比等评测指标,解决均方误差(MSE)损失优化方向不一致的问题,使目标框回归更加稳定。实验结果表明,该算法参数量为19.56 M,比YOLOv3算法降低了近67%,同时平均精度均值(mAP)提高了3.68%,每秒帧数(FPS)提高了8帧,为车辆目标检测提供了容易部署在移动端的轻量级网络。

基于改进YOLOV3的自然环境下绿色柑橘的识别算法

为研究自然环境下柑橘的图像识别技术,实现柑橘的早期产量预测,提出一种改进的D-YOLOV3算法,实现自然环境下未成熟的绿色柑橘的识别与检测。研究构建绿色柑橘图像数据集,并对采集的图像进行预处理;改进算法采用DenseNet的密集连接机制替换YOLOV3网络中的特征提取网络Darknet53中的后三个下采样层,加强特征的传播,实现特征的复用。通过自制的数据集对D-YOLOV3算法进行测试,并分别对改进前后网络的识别性能、不同预处理方法和不同数据量图像对模型的影响进行试验。试验结果表明,改进的D-YOLOV3算法相对于传统YOLOV3算法精确率提高6.57%,召回率提高2.75%,F_(1)分数提高4.41%,交并比提高6.13%,平均单张检测时间为0.28 s。通过不同果实数量图像对比试验验证了算法的可行性和准确性。研究结果表明,本文提出的D-YOLOV3算法对自然环境下未成熟的绿色柑橘识别具有较高的精准度,为柑橘的早期测产提供了技术支持。