基于改进YOLOv3_tiny算法的工件表面缺陷检测

针对当前工件表面缺陷检测算法模型大、实时性差、难以在性能受限的嵌入式系统中运行的问题,以轻量级算法YOLOv3_tiny为基础,提出一种改进算法Defect_YOLOv3_tiny。首先,应用K-means算法生成适用于缺陷特征的先验框;其次,将空间金字塔池化(SPP)模块添加到网络,同时引入注意力机制优化缺陷检测精度;最后,增加算法检测分支以遏制微小缺陷漏检。实验结果显示,改进算法检测速度为81.41fps,平均检测精度mAP为94.7%。与原有YOLOv3_tiny相比,改进算法检测速度仅降低11.6%,mAP由89.8%提升至94.7%,表明改进后的检测算法满足嵌入式系统对缺陷检测的轻量化与准确性需求。

基于改进YOLOv3的水稻叶部病害检测

为了解决水稻小病斑检测不准确的问题,提出一种基于改进YOLOv3的水稻叶部病害检测方法Rice-YOLOv3。首先,采用K-means++聚类算法,计算新的锚框尺寸,使锚框尺寸与数据集相匹配;其次,采用激活函数Mish替换YOLOv3主干网络中的Leaky Relu激活函数,利用该激活函数的平滑特性,提升网络的检测准确率,同时将CSPNet与DarkNet53中的残差模块相结合,在避免出现梯度信息重复的同时,增加神经网络的学习能力,提升检测精度和速率;最后,在FPN层分别引入注意力机制ECA和CBAM模块,解决特征层堆叠处的特征提取问题,提高对小病斑的检测能力。在训练过程中,采用COCO数据集预训练网络模型,得到预训练权重,改善训练效果。结果表明:在测试集下,Rice-YOLOv3检测水稻叶部3种病害的平均精度均值(mAP)达92.94%,其中,稻瘟病、褐斑病、白叶枯病的m AP值分别达93.34%、89.68%、95.80%,相较于YOLOv3,Rice-YOLOv3检测的m AP提高了6.05个百分点,速率提升了2.8帧/s,对稻瘟病和褐斑病的小病斑的检测能力明显增强,可以检测出原始网络模型漏检的小病斑;与Faster-RCNN、YOLOv5等模型对比,Rice-YOLOv3提高了对相似病害和微小病害的识别能力,并在原始的基础上提高了检测速率。

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。

基于改进YOLOv8的田间复杂环境下蓝莓成熟度检测

为了快速精确识别田间复杂环境下的蓝莓果实的成熟度,该研究基于YOLOv8提出了一种蓝莓成熟度轻量化检测模型(MSC-YOLOv8)。首先,为了有效减少参数量,提高模型的运行速度,采用MobileNetV3为主干特征提取网络进行特征信息的提取,有利于田间复杂环境下的检测。其次,在主干特征提取网络中插入卷积注意力机制模块(convolutional block attention module,CBAM),以提高深度学习网络对蓝莓特征提取的能力。最后,引入SCYLLAIoU(SIoU)作为YOLOv8的边界框回归损失函数,以解决真实框与预测框角度不匹配的问题,进一步提高蓝莓成熟度识别的准确率。通过试验得出改进的MSC-YOLOv8模型相较于YOLOv8平均精度均值(mean average precision,mAP)提升了3.9个百分点,单张图片平均检测时间比原YOLOv8减少了3.97 ms。改进的MSC-YOLOv8模型在蓝莓数据集上取得了较优的结果,与SSD和CenterNet模型对比,mAP分别提升了4.6和1.1个百分点,在检测速度和准确率方面均有优势。该研究可为田间复杂环境下蓝莓机器人采摘提供技术支持。

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%。

换热器管口的单目视觉识别定位及清洗路径规划

为实现换热器管口的自动清洗,使用单目摄像头结合深度学习目标检测算法对换热器管口进行导航,主要包括管口识别、管口定位和路径规划。首先,管口识别采用基于深度学习的YOLOv3算法,并且从主干网络、边界框维度聚类、网络结构等方面进行改进以适用于实际应用需求;然后将识别得到的管口像素坐标根据单目视觉的成像原理转换为实际坐标;最后,规划一条‘己’字形的清洗路径。实验结果表明,该视觉导航系统的识别准确率为99.85%,召回率为100%,定位误差为1.35mm,整个流程耗时0.18s,达到准确性和实时性的要求。

基于弱光增强与YOLO算法的锯链缺陷检测方法

在基于机器视觉的锯链缺陷实时检测过程中,油污、粉尘等因素影响图像亮度和质量,导致目标检测网络的特征提取能力下降。为保证复杂环境下锯链缺陷检测的准确率,本文设计了一种结合弱光增强和YOLOv3算法的锯链自动化缺陷检测方法。首先使用RRDNet网络自适应增强锯链图像亮度,恢复图像暗区的细节特征;然后采用改进YOLOv3算法对锯链零件进行缺陷检测,增加FPN结构特征输出图层,利用K-means聚类算法对先验框参数重新聚类,并引入GIoU损失函数来提高小目标的缺陷检测精度。最后搭建一套锯链缺陷在线检测系统,对所提方法进行验证。实验结果表明,该方法能够显著提高弱光环境下的锯链图像照度、恢复图像细节,改进YOLOv3算法的mAP值为92.88%,相比原始YOLOv3提高14%,最终系统整体的漏检率降低到3.2%,过检率也降低到9.1%。所提出的方法可实现弱光场景下锯链缺陷的在线检测,并且对多种缺陷有着较高的检测精度。

基于YOLOv5s的轻量化红外图像行人目标检测研究

基于红外图像的行人识别是现代安防系统的重要组成部分。在计算资源受限场景,由于红外行人检测算法中模型尺寸的影响,检测精度与部署难度往往难以平衡。针对此问题,本文提出了一种基于YOLOv5s的轻量化目标检测算法:首先引入MobileNetv3轻量化特征提取网络,并使用深度可分离卷积减小模型尺寸,使其更易部署至CPU设备;其次,将最近邻插值上采样方式替换为CARAFE(Content-Aware ReAssembly of FEatures),明显提升了图像重建效果;最后使用EIOU Loss作为边界框损失函数改善模型回归性能。本文在采样后的LLVIP红外行人图像数据集上进行了测试:对于红外图像下的行人目标,本文在保持高检测精度(AP=95.4%)的同时,模型大小减少80.6%,参数量减少82.8%;在使用CPU平台进行推理时,推理速度提升43.3%,且检测多尺度目标的性能有所提升。以上两方面结果验证了算法的有效性。

改进YOLOv5s的小样本3D打印点阵结构表面缺陷检测

3D打印点阵结构已经广泛应用于航空航天、机械和建筑等行业,其表面缺陷分布不均匀且特征微弱,常常造成漏检和误检。针对这一问题,提出了一种YOLOv5s-PD模型。在该模型中,添加了XSPPF模块和空洞金字塔池化模块,提高了模型对不同缺陷特征的获取能力;针对3D打印点阵结构表面缺陷分布杂乱导致误检率高的问题,在YOLOv5s模型中加入了ECA模块;考虑到3D打印点阵结构表面缺陷尺寸信息无规律并且差异较大而导致的预测框与真实框间方向不一致,采用了SIoU损失函数。采用改进模型对制作的3D打印点阵结构表面缺陷数据集进行检测,结果表明:缺陷检测的召回率达到94.0%,平均精度mAP@0.5达到96.2%,所提出的改进算法可以实现对3D打印点阵结构表面缺陷自动检测。

计算机视觉的电站锅炉水冷壁缺陷检测方法

发电厂锅炉巡检可有效避免安全事故发生,针对现场巡检过程中,锅炉水冷壁巡检区域较大,部分区域检测困难问题,开发一种基于YOLOv3模型的水冷壁缺陷检测系统。无人机携带视觉采集装置,对豫能集团某电厂锅炉水冷壁进行图像采集,画面经压缩后实时无线传输到检测末端装置,采用YOLOv3算法对水冷壁数据进行分析,对模型重要参数进行调整并做出样本增广与平衡化改进处理,提高检测效果,共测出磨损、裂缝、氧化等106处失效部位,与人工检测对比,成功率达77.9%。该方法解决了在巡检区域大、部分区域检测困难问题,使大型电站锅炉在开展水冷壁检测方面实际付出的成本得到有效缩减。

基于YOLOv5-MobileNetV3算法的目标检测

车辆行驶过程中,对前方目标的检测速度和检测精度一直是自动驾驶领域研究的重点.针对现有的目标检测算法模型,在复杂交通环境下,传统模型面对重叠目标容易导致误检和漏检的情况发生,大幅度提高检测精度又会造成计算量过大导致处理速度缓慢,实时性下降的问题.本文提出基于YOLOv5模型的改进算法.首先采用MobileNetV3网络替换原模型中主干网络C3的方案,实现网络仍保持轻量化的同时,提高模型响应速度.其次,提出一种非极大值抑制算法Adaptive-EIoU-NMS来提高重叠目标的识别精度.最后采用K-means++聚类算法替换原有聚类算法,生成更精确的锚框.实验结果表明,改进后的模型平均检测精度达到90.1%,检测速度达到89 f/s.实验结果可以证实,改进后的模型针对复杂场景检测精度和检测速度都有显著提高.

改进YOLOv5s-Seg的高效实时实例分割模型

实例分割是图像分割的重要组成部分,同时也是计算机视觉领域的一个重要课题。然而现有实例分割模型不能在保证实时性的同时保证模型分割精度,因此在实时实例分割任务中一直存在精度过低、定位不精确的问题。针对此问题,提出了一种基于YOLOv5s-Seg改进的实时实例分割模型。以YOLOv5s-Seg作为网络的基础模型,主干网络选用Repvit m3网络,然后改进FPN结构,在FPN结构中将原始得到的C3卷积模块升级为RsRepVitBlock模块,并在其内部使用ECA注意力机制,最后采用SIoU作为模型的边界框损失函数。该算法在公开数据集PASCAL VOC 2012上的实验结果显示,改进后的模型分割精度mAP达到了65.7%,较原模型YOLOv5s-Seg提高了10.6个百分点。该模型大幅提升了分割精度,并且有效地改善了分割任务中定位不准确的问题。相较于其他模型,具有显著的精度优势和更好的模型稳定性。

高校体育智能考勤管理实践研究

人民健康是民族昌盛和国家富强的重要标志。作为肩负历史大任与初心使命的新时代大学生,为破除该群体体质健康持续下滑的困境。文章旨在借助深度学习YOLOv3目标检测方法,构建科学、规范、便捷的高校体育课程智能化考勤管理。意在促进大学生群体树立和培养终身体育意识,为加快推进“健康中国”行动,提高全民健康水平,提供创新实践依据。

基于深度学习的口罩佩戴识别方法研究

针对自动检测口罩佩戴的问题,提出了一种基于深度学习的口罩佩戴识别方法。使用YOLOv3网络为框架构建深度学习模型,并设计和完善了训练数据集。经过对网络模型的训练,成功解决了普通场景中单目标口罩识别问题。同时针对该模型在多目标检测中出现的检测置信度较低和部分目标无法识别等问题,进行了训练加强。通过对测试集的数据进行测试和分析,该方法具有较高的平均准确率(mean average precision, mAP)和稳定性。

基于轻量化的指针仪表检测算法研究

通过轻量化的神经网络算法部署在边缘计算设备是解决老式仪表读数问题的主流方向。该文提出了YOLOv5s-Pointer轻量化的指针仪表检测网络模型,以YOLOv5s网络模型作为基础,通过引入Mixup数据增强技术,使用MobileNetV3网络替换CSPDarkNet53特征提取网络,采用SLoU Loss定位损失函数,并引入动态样本权重思想,对网络进行改进。实验结果表明,相较于YOLOv5s网络在验证集上的参数量和计算量分别减少了78%和57%,精确率提升了1.3%。

基于机器视觉的垃圾分类算法研究与应用

垃圾分类识别算法是目前研究的热点问题,本文通过引入色块追踪模块Lab颜色模型对YOLOv3算法进行优化,利用优化后的算法搭建训练模型。并针对目前垃圾类别利用网络爬虫爬取日常生活中常见的垃圾图像并进行分类,形成数据集。其次通过优化的YOLOv3算法对处理好的数据集进行模型训练,将训练后的模型进行模型检测。最后通过实际测试,优化后的YOLOv3算法识别的平均准确率达到了94.33%,与原始算法相比,优化后的算法在稳定性和准确度上都有了明显的改善。

煤矿巡检机器人仪表识别技术的研究

为实现煤矿巡检机器人的无人化和智能化,保障巡检机器人能够读取各类仪表仪器的显示数据,设计了一种基于深度学习的多类型仪表视觉识别系统。该系统利用YOLOv3网络模型进行仪表类型判别以及定位,同时采用改进的径向灰度法结合Hough变换和Canny边缘检测算法来读取指针式仪表的数据;并使用EasyOCR获取数字式仪表的读数。测试结果表明该系统在仪表识别方面有较好的准确性,三类仪表的读数相对误差均小于3.8%。该系统为煤矿巡检机器人的视觉系统提供了一种实际有效的解决方案。

基于改进YOLOv5s的轻量化安全帽佩戴检测算法

针对基于神经网络的安全帽检测工作场景模型部署嵌入式设备困难的问题,提出了一种基于改进YOLOv5s的轻量化目标检测算法。首先将YOLOv5s的主干网络替换为轻量化网络MobilenetV3,降低模型的参数量和计算量,保留模型的SPPF模块以提高模型对不同尺寸目标的检测能力;其次,在模型的Neck和Head之间添加注意力机制,以更好地捕获图像中的目标信息,提高精确度和鲁棒性;最后,将模型损失函数替换为EIoU,加速模型收敛,提高模型检测精度。通过自建安全帽数据集对所提模型进行了训练和验证,实验结果表明,相较于原模型,检测精确度提升了1.2%,参数量降低了39.4%、计算量降低了56.3%,模型体积压缩了38.6%,为基于改进YOLOv5s的安全帽识别算法在嵌入式设备上部署提供了一种有效的方法。

基于YOLOv3的袋式除尘器滤袋破损自动检测方法

干式除尘装置中袋式除尘器的滤袋在长时间使用后会出现破损,造成能源消耗增加、除尘效率降低、污染环境等严重问题。为此,本文采用在除尘舱室处搭建粉尘烟雾检测摄像头,并基于YOLOv3算法检测袋口烟雾的泄漏情况。试验检测步骤:①根据真实除尘舱室尺寸设计袋式除尘器袋口烟雾泄漏实验室平台,采集不同洞口烟雾泄漏的图像数据;②使用软件标注这些图像数据;③搭建Darknet深度学习框架,采用YOLOv3算法对图像数据进行训练,并依据模型计算结果识别破袋情况。结果表明:模型对于批量图像的识别准确率能达到91%以上,对于连续视频的识别准确率可达95.65%。本文系统可以减少除尘器运行中的人工检测,降低工厂人力资源成本和工人劳动强度,可以避免生产中的安全隐患和损失,可以为工厂的生产安全及定期维护提供技术指导,也为全厂智能化生产提供了有效的方案。