基于改进 Tiny YOLOv3 的交通标志检测方法

针对智能驾驶场景下的小尺寸交通标志检测准确率不高的问题,提出一种基于Tiny YOLOv3网络的交通标志检测算法。通过使用深度可分离卷积重构特征提取网络和增加浅层与深层特征层之间的特征融合,提高模型对小目标的注意力;同时修改anchor boxes尺寸,提升预测框的准确度。在TT100K交通标志数据集上的试验结果表明,提出算法的平均精度均值(mAP)较Tiny YOLOv3提高了19.3%,对小尺寸交通标志检测具有更强的鲁棒性。

基于多算法融合的跌倒行为识别

提出一种多算法融合的跌倒行为识别算法。首先,针对人体目标的特征对YOLOv3 tiny检测算法进行改进,有效框定人体动态目标区域,提取出目标前景;在此基础上利用AlphaPose姿态识别框架识别出人体骨骼关键点,得到人体主要关节图;最后以人体关节图坐标信息为输入,通过时空图卷积神经网络对跌倒等动作进行检测识别,满足对不同场景跌倒的有效检测。实验结果表明:融合算法改善了不同场景下跌倒行为的检测效果,检测的准确率可达到97.4%,并有效降低了误检率。

结合深度学习与Hough变换的等长原木材积检测系统

针对成捆堆放的原木端面图像,利用机器视觉方法开发一个材积检测系统,算法的鲁棒性和系统应用的方便性是两个关键难点。为了解决上述问题,实现原木材积自动化检测,设计并开发了结合深度学习与Hough变换的等长原木材积检测系统。首先,在对训练样本做了旋转、调整曝光度、加噪声等提高模型鲁棒性的预处理后,使用YOLOv3⁃tiny卷积神经网络对原木端面图像进行目标检测,计算得到每一个原木端面对应的目标区域;其次,在对目标区域计算边缘并去除目标区域中心噪声边缘后,利用Hough变换圆检测算法计算原木端面轮廓的准确直径;最后,开发了操作简捷方便的用户界面,根据用户输入的一个原木轮廓径级校准信息和长度,即可实现图中所有原木的材积检测。本系统在多种原木端面图像上,包括端面完好、端面伐痕、端面霉变、环境复杂等情景进行实验验证,系统真检率为98.79%,误检率为0.602%。结果显示本系统在各种复杂原木端面图像上具有很好的鲁棒性,同时为了兼容深度学习算法与用户界面设计,本系统在PyQt5核心库上实现了操作界面,其操作简洁、使用方便。

融合注意力机制的实时行人检测算法

为了提高Tiny YOLOv3目标检测算法在行人检测任务中的准确率,对该算法进行了研究改进。首先对Tiny YOLOv3的特征提取网络进行深化,增强网络特征提取能力;然后在预测网络的两个检测尺度分别加入通道域注意力机制,对特征图的不同通道赋予不同的权重,引导网络更多关注行人的可视区域;最后,改进激活函数和损失函数并采用K-means聚类算法重新选择初始候选框。实验结果表明,改进后Tiny YOLOv3算法的准确率在VOC2007行人子集上达到77%,较Tiny YOLOv3提高8.5%,在INRIA数据集上达到92.7%,提高2.5%,运行速度分别达到每秒92.6帧和31.2帧。该方法提高了行人的检测精度,保持了较快的检测速度,满足实时性运行需求。

融合注意力机制的轻量级红外高压套管识别算法

为了提高红外图像中变压器高压套管的识别准确率,同时能够满足移动端和其他低端设备对目标检测网络的需要,本文提出一种改进的轻量级红外高压套管识别算法,采用Tiny YOLOv3目标检测网络作为基础检测网络。首先,通过融合CBAM(Convolutional Block Attention Module)注意力机制,将通道注意力与空间注意力机制串联,增大目标检测网络感受野,同时减轻网络计算任务,提升网络性能;然后,分别使用GIoU loss和Focal loss替代原有的边界框损失和置信度损失,从而提高对红外图像中的高压套管识别率,减少漏检、误检情况发生。实验结果表明,改进的网络相比于原Tiny YOLOv3网络,mAP提升到96.28%,F1提升到96.25%,权重文件大小为33.9 MB,远小于YOLOv3训练网络,能够更好地适用于低端设备,为智能变电站的在线监测提供了有利条件。

基于AE-Tiny YOLOV3的小目标检测模型

小目标检测是现阶段目标检测领域的热点和难点问题。针对小目标检测漏检及对硬件性能要求较高的问题,对Tiny YOLOV3进行改进,提出一种适合在低性能平台上使用的小目标检测算法AE-Tiny YOLOV3。首先,使用EfficientNet-B0骨干网络替换原算法的特征提取网络;其次,在检测网络中增加一个检测分支,形成3尺度预测;最后,引入注意力机制对3个检测分支进行改进。实验结果表明,在VOC07+12数据集上,AE-Tiny YOLOV3算法满足实时检测的要求,并且鲁棒性较高,最高能将mAP值提高16.89%。将AE-Tiny YOLOV3算法应用在架空输电线路中绝缘子状态检测实例上,mAP达到了86.53%,相较于Tiny YOLOV3算法提升了15.27%,能满足对小目标绝缘子状态的实时检测。

基于区域激活策略的Tiny YOLOv3目标检测算法

针对Tiny YOLOv3模型检测精度低的问题,提出一种将分割信息引入深度卷积神经网络结构中的方法。模型训练期间,将目标真实的位置信息加入网络层中,并手动激活这些目标区域,激励的大小随着训练的进行逐渐减小直至降为零。测试结果表明,在VOC2007数据集上,改进后的Tiny YOLOv3模型的平均准确率提升至58.9%,并且在检测速度上与原模型保持一致,满足实时检测的需要。