基于YOLOv4⁃tiny模型的细胞图像识别技术研究

根据细胞的形态特征进行病理分析是现代医疗健康领域常用的技术手段,传统的细胞识别及分类存在易疲劳、效率低、医师水平及主观因素带来的不确定性等问题。为此,提出基于YOLOv4⁃tiny模型的细胞图像识别技术。在Jetson Nano人工智能平台上设计开发了面向细胞的智能检测系统,通过加入Dropout改进了YOLOv4⁃tiny轻量化网络模型,有效防止了训练数据过度拟合的问题,实现了基于细胞形状特征的精准识别。实验结果表明,该系统的细胞检测准确率可高达99%,能够大幅提高细胞在显微镜下的检测精度及检测效率,促进了人工智能技术在医学检测领域的应用。

基于改进YOLOv4-tiny的果园复杂环境下桃果实实时识别

为实现果园复杂环境下的桃果实实时识别,提出一种基于YOLOv4-tiny的桃果实实时识别方法 YOLOv4-tinyPeach。通过在主干网络中引入卷积注意力模块CBAM,优化其通道维度和空间维度的特征信息;在颈部网络中添加大尺度浅层特征层,提高对小目标识别精度;采用双向特征金字塔网络BiFPN对不同尺度特征信息进行融合。通过训练和比较,YOLOv4-tiny-Peach模型在测试集下的平均精度AP为87.88%,准确率P为91.81%,召回率R为73.84%,F1值为81.85%,相比于改进前,AP提升5.46%,P提升2.29%,R提升4.09%,F1提升3.44%。为检验改进模型在果园复杂环境下的适应性,在不同数目、不同成熟期和遮挡的情况下对果实图像进行识别,并与原模型识别效果进行对比,结果表明改进模型在三种情况下的识别精度均高于原模型,尤其在大视场和未熟期场景下模型改进效果显著。YOLOv4-tiny-Peach模型占用内存为27.4 MB,识别速度为49.76 fps,适用于农业嵌入式设备。为果园复杂环境下的桃果实自动采摘提供实时精准的目标识别指导。

基于MSRCRYOLOv4tiny的田间玉米杂草检测模型

为实现田间环境下对玉米苗和杂草的高精度实时检测,本文提出一种融合带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration,MSRCR)增强算法的改进YOLOv4tiny模型。首先,针对田间环境的图像特点采用MSRCR算法进行图像特征增强预处理,提高图像的对比度和细节质量;然后使用Mosaic在线数据增强方式,丰富目标检测背景,提高训练效率和小目标的检测精度;最后对YOLOv4tiny模型使用K-means++聚类算法进行先验框聚类分析和通道剪枝处理。改进和简化后的模型总参数量降低了45.3%,模型占用内存减少了45.8%,平均精度均值(Mean average precision,mAP)提高了2.5个百分点,在Jetson Nano嵌入式平台上平均检测帧耗时减少了22.4%。本文提出的PruneYOLOv4tiny模型与Faster RCNN、YOLOv3tiny、YOLOv43种常用的目标检测模型进行比较,结果表明:PruneYOLOv4tiny的mAP为96.6%,分别比Faster RCNN和YOLOv3tiny高22.1个百分点和3.6个百分点,比YOLOv4低1.2个百分点;模型占用内存为12.2 MB,是Faster RCNN的3.4%,YOLOv3tiny的36.9%,YOLOv4的5%;在Jetson Nano嵌入式平台上平均检测帧耗时为131 ms,分别是YOLOv3tiny和YOLOv4模型的32.1%和7.6%。可知本文提出的优化方法在模型占用内存、检测耗时和检测精度等方面优于其他常用目标检测算法,能够为硬件资源有限的田间精准除草的系统提供可行的实时杂草识别方法。

基于YOLOv4模型的工件快速识别方法改进研究

为强化智能制造场景中机器人对工件的快速识别性能,从改进YOLOv4模型入手作了方法优化研究。首先,利用Ghost模块优化主干提取网络,以减少网络参数,提高网络检测速度;其次,引入DRConv卷积优化特征提取网络,以弥补对主干网络进行优化所造成的精度损失;最后,引入GAM注意力模块,以强化在光线不足条件下的适应性。通过对YOLOv4模型的改进,在保证较高识别精度和检测速度的同时,使模型规模得以简化,使工件快速识别网络趋于轻量化。

基于YOLOv4模型的交通路标识别

一种基于YOLOv4(you only look once version 4)模型的交通路标识别方案,可用于解决交通管理领域中的交通路标识别问题。其主要是采用YOLOv4模型作为基础架构,利用深度学习和图像处理技术,结合深度卷积神经网络和目标检测算法,高效、快速地进行交通路标的准确识别。经过多个公开的交通路标检测数据集进行了严格的测试和性能进行比较、验证,在不同类型的交通路标上取得了优异的检测和识别性能,具有高的准确率和召回率。

基于YOLOv4-tiny模型的水稻早期病害识别方法

针对现有的卷积神经网络模型过于依赖设备的计算和存储能力、水稻病虫害形状大小不一、遮挡造成的病害特征显著性弱、漏检率高等问题,采用轻量化、易部署的YOLOv4-tiny模型检测和识别水稻病虫害。首先收集831张4种不同的水稻病害叶片图像样本,为了使模型具有更好的泛化能力,对已有数据进行数据增强,将样本数量扩增到了5320张。然后构建YOLOv4-tiny轻量化模型,与经典的YOLOv4算法模型相比,其主干特征提取网络CSPDarkNet53模块替换为CSPDarkNet53_tiny,使用CPSnet进行通道的分割,实现了网络模型的压缩并提高了训练速度;添加了FPN结构,对有效特征层进行特征融合;依据模型评价指标,通过试验将YOLOv4-tiny轻量化网络与经典的YOLOv4网络、Faster-RCNN网络、YOLOv4-MobileNet系列轻量化网络、YOLOv4-GhostNet轻量化网络和SSD轻量化网络进行对比。结果表明,YOLOv4-tiny的平均准确率可以达到81.79%,检测速度可以达到90.03帧/s,模型权重大小为22.4 MB,能够比较精准地识别水稻胡麻斑病、白叶枯病、稻瘟病和窄条斑病,保证在轻量化计算成本的基础上获得较好的检测精度,可以为水稻病虫害识别方法提供参考。

基于YOLOv4-Tiny模型剪枝算法

针对YOLO系列算法参数量大、算法复杂度高提出一种基于BN(batch normalization)层剪枝方法。该方法先通过对BN层的缩放系数γ以及平移系数β添加正则化约束训练,根据BN层参数以及卷积层各通道对网络贡献度等指标设定合适阈值进行剪枝。该方法在基本没有精度损失的前提下对YOLOv4-Tiny模型压缩11倍,计算量减少72%,在CPU和GPU处理器下推理速度分别增快44%和29%。实验结果表明,该剪枝方法能保持模型良好性能的前提下压缩模型,减少参数,降低算法复杂度。

基于改进YOLOv4-tiny模型的车辆检测系统设计与应用

智慧交通系统旨在借助先进的信息与通信技术建成高效安全、环保舒适的交通运输体系,提供全方位的交通信息服务和安全高效、经济快捷的交通运输与出行服务。图像处理技术作为智慧交通系统的核心技术之一,通过对交通视觉图像的处理,为智慧交通系统的感知、识别、检测、跟踪和路径规划等功能提供了最直接与最重要的信息,它的研究进展直接影响着智慧交通系统的部署。基于此本文提出一种基于改进的YOLOv4-tiny模型的图像识别算法进行车辆的检测,并利用DeepSort算法实现车辆的跟踪。此模型属于轻量化模型,可以在小型设备上搭载,便于实现边缘计算,缓解监控中心的数据处理压力。

基于改进YOLOV4网络模型的番茄果实检测

果实识别是视觉检测技术重要的环节,其识别精度易受复杂的生长环境及果实状态的影响。以大棚环境下单个、一簇、光照、阴影、遮挡、重叠6种复杂生长状态下的番茄果实为对象,提出一种基于改进YOLOv4网络模型与迁移学习相结合的番茄果实识别方法。首先利用ImageNet数据集与VGG网络模型前端16卷积层进行模型参数预训练,将训练的模型参数初始化改进模型的权值以代替原始的初始化操作,然后使用番茄数据集在VGG19的卷积层与YOLOV4的主干网络相结合的新模型中进行训练,获得最优权重实现对复杂环境下的番茄果实进行检测。最后,将改进模型与Faster RCNN、YOLOv4-Tiny、YOLOv4网络模型进行比较。研究结果表明,改进模型在6种复杂环境下番茄果实平均检测精度值mAP达到89.07%、92.82%、92.48%、93.39%、93.20%、93.11%,在成熟、半成熟、未成熟3种不同成熟度下的F1分数值为84%、77%、85%,其识别精度优于比较模型。本文方法实现了在6种复杂环境下有效地番茄果实检测识别,为番茄果实的智能采摘提供理论基础。

基于改进YOLOv4模型的番茄成熟度检测方法

目的:解决现有番茄成熟度检测方法存在的检测精度低和模型参数量多等问题。方法:基于番茄图像采集系统,提出了一种改进的YOLOv4模型用于番茄成熟度自动检测。将轻量级网络MobileNetv3网络引入模型替换CSPDarkNet53网络,降低模型复杂度。在SPP模块中采用平均池化替代最大池化,提高算法对小目标的检测精度。在上采样过程中引入注意力机制CBAM增强深浅层特征融合能力,并通过试验验证所提模型的可行性。结果:与常规方法相比,试验方法在番茄成熟度检测中具有较高的检测mAP值和运行效率,且模型参数量较少,mAP值为92.50%,检测速度为37.1 FPS,模型参数量为48 M。结论:该番茄成熟度检测方法能有效降低模型参数和检测时间,具有较高的检测mAP值。

基于YOLOv4模型剪枝的番茄缺陷在线检测

为解决番茄缺陷检测过程中的精确性和实时性问题,该研究提出一种基于模型剪枝的番茄表面缺陷实时检测方法。采用模型剪枝的方法在YOLOv4网络模型基础上进行模型优化,首先将3个连续检测工位采集的RGB图像拼接生成YOLOv4网络的输入图像,然后采用通道剪枝和层剪枝的方法压缩YOLOv4网络模型,从而减少模型参数,提高检测速度,最后提出一种基于L1范数的非极大值抑制方法,用于在模型微调后去除冗余预测框,从而精准定位图像中的缺陷位置,并将模型部署到分级系统上进行实时检测试验。结果表明,该研究提出的YOLOv4P网络与原YOLOv4网络相比,网络模型尺寸和推理时间分别减少了232.40 MB和10.11 ms,平均精度均值(Mean Average Precision,mAP)从92.45%提高到94.56%,能满足实际生产中针对缺陷番茄进行精准、实时检测的要求,为番茄分级系统提供了高效的实时检测方法。

基于特征递归融合YOLOv4网络模型的春见柑橘检测与计数

春见柑橘个体小、单株果树柑橘密集、柑橘之间的形态与颜色相似度高且易被树叶严重遮挡,这些特点给春见柑橘检测与计数带来了较大困难。该研究以实际春见果园环境中的春见柑橘作为检测与计数对象,提出了一种以春见柑橘为检测目标的基于特征递归融合YOLOv4网络模型(YOLOv4 network model based on recursive fusion of features,FR-YOLOv4)。针对春见柑橘尺寸小的特点,FR-YOLOv4网络模型的主干特征提取网络采用了感受野更小的CSPResNest50网络,降低了小尺寸目标的特征图传不到目标检测器中的可能性;针对春见柑橘被遮挡和密集分布的情况,采用了递归特征金字塔(Recursive Feature Pyramid,RFP)网络来进行特征递归融合,提高了对果园环境下春见柑橘的检测精度。试验结果表明:FR-YOLOv4网络模型对于果园环境中春见柑橘的平均检测精度为94.6%,视频检测帧率为51帧/s。FR-YOLOv4网络模型相比于YOLOv4、单次多框检测器(Single Shot Multi-Box Detector,SSD)、CenterNet和更快速卷积神经网络(Faster-Region-Convolutional Neural Networks,Faster R-CNN)的平均检测精度分别提高了8.9、29.3、14.1和16.2个百分点,视频检测帧率分别比SSD、Faster R-CNN提高了17和33帧/s。FR-YOLOv4网络模型对于实际果园环境中春见柑橘的检测精度高,具备检测实时性,适用于春见果园中春见柑橘检测与计数。

基于改进YOLOv4模型的群养生猪姿态检测

为了提升猪舍环境下生猪姿态检测的速度和性能,在YOLOv4模型的基础上提出一种改进的Mini_YOLOv4模型。首先,该模型将YOLOv4的特征提取网络改为轻量级的MobileNetV3网络结构,以降低模型参数量;其次,在检测网络的CBL_block1、CBL_block2模块中使用深度可分离卷积代替传统卷积,避免了复杂模型导致的内存不足和高延迟问题;最后,将原YOLOv4网络每个尺度的最后一层3×3卷积改为Inception网络结构,以提高模型在生猪姿态检测上的准确率。应用上述模型,对生猪的站立、坐立、腹卧、趴卧和侧卧5类姿态进行识别。结果显示,Mini_YOLOv4模型较YOLOv4模型在检测精度上提升了4.01百分点,在检测速度上提升近1倍,在保证识别精度的同时提升了实时性,可为生猪行为识别提供技术参考。

基于YOLOv4网络模型的金属表面划痕检测

金属表面划痕检测旨在实现金属划痕的分类识别和尺度精确定位。由于划痕本身形态各异且其与背景的低对比度特性,当前基于传统图像处理方法难以精确实现划痕的定位与识别。为此提出一种基于小尺度卷积核的浅层神经网络模型,模型借鉴小目标检测相关理论,在数据层面对划痕进行增强,训练网络模型,实现表面划痕的精确检测。结果表明,相对于原始的YOLOv4网络模型而言,该网络模型且能够更好地避免不明显划痕的漏检测和误检测现象的出现,也能够更精确且完整地提取出贯穿式或较长的划痕。该模型完全能够满足生产线精确检验要求。

应用YOLOv4-tiny算法实现保护压板智能校核

目前继电保护压板的巡检校核仍以人工为主,为提高其工作的效率,提出了一种智能实时校核方法。该方法首先使用YOLOv4-tiny算法对压板的投退状态进行预测,然后使用腾讯开源的ncnn前向推理框架,对YOLO模型进行优化,最后将模型移植到移动端,使用手机软件完成压板校核。经测试,模型的均值平均精度达到99.13%,平均预测速度达到每秒30张图片,并可以有效解决反光、遮挡等环境因素的影响,可以显著提升巡检工作的效率。

基于Yolov4-Tiny与RANSAC算法的管纱识别抓取系统

针对络筒机依赖人工上纱的非自动化问题,课题组提出一种基于Yolov4-Tiny目标检测模型的识别抓取系统,实现了管纱的检测、定位及抓取任务。首先利用深度相机获取RGB-D图像,通过训练深度学习网络Yolov4-Tiny,生成预测结果;然后利用预测框信息将原始点云进行裁剪,采用快速点特征直方图与RANSAC算法进行配准;最后利用手眼标定的方法将深度图像坐标信息转换到机械臂坐标系下完成抓取。实验结果表明:系统管纱平均抓取成功率达到65%,在非结构化的环境中具有良好的抓取结果,满足管纱抓取的实际生产需求。

改进的YOLOv4⁃tiny行人检测算法研究

针对大型行人检测网络由于权重大、检测速度慢等原因无法直接应用到小型设备场景中的问题,提出3种改进YOLOv4⁃tiny的行人检测识别模型:①YOLOv4⁃tinye模型,在CSP(Cross Stage Partial Connections)网络中引入改进的ESA_CSP(Enhanced Spatial Attention_CSP)结构,使网络更多关注有利于行人检测的特征信息;②YOLOv4⁃tinyr模型,在主干网络输出后增加多尺度特征融合模块(Ring⁃fenced Bodies,RFBs)结构,增大特征提取的感受野,重复利用特征图的多尺度信息;③同时融合ESA_CSP和RFBs结构的YOLOv4⁃tinyer模型。实验结果表明:3种改进行人检测模型在WiderPerson的验证集上,mAP分别达到了53.62%、53.80%和56.13%,FPS达到了86 ms、75 ms和69 ms。与原YOLOv4⁃tiny模型的行人检测结果(mAP:51.35%,FPS:77 ms)相比,3种模型检测精度分别提高了2.27%、2.45%和4.78%,且速度并未下降太多,依然满足轻量级特点,便于在小型设备上移植。

一种基于YOLOV4 Tiny的目标检测算法

YOLOV4 Tiny目标检测算法是通过卷积神经网络提取特征,进行预测类别和边界框坐标的经典深度学习算法,是YOLOV4目标检测算法的简化版,没有使用Mish激活函数来提取特征,而只使用特征金字塔来增强特征层,因此不需要进行下采样。存在的不足是检测精度比较低。文章针对YOLOV4 Tiny算法存在的不足进行了改进,将低层特征层与高层特征层进行特征融合,然后分别进行三次空洞卷积,在扩大感受野的同时也能捕获多尺度上下文信息,并将结果进行堆叠,取代原网络中的FPN特征金字塔。实验结果表明,改进后的YOLOV4 Tiny算法比原算法精度更高,满足实时要求,具有一定程度的鲁棒性。

基于改进YOLOv4模型的茶叶病害识别

【目的】提出了一种改进的YOLOv4模型,为自然环境下3种常见茶叶病害(茶白星病、茶云纹叶枯病和茶轮斑病)的快速精准识别提供支持。【方法】使用MobileNetv2和深度可分离卷积来降低YOLOv4模型的参数量,并引入卷积注意力模块对YOLOv4模型进行识别精度改进。采用平均精度、平均精度均值、图像检测速度和模型大小作为模型性能评价指标,在相同的茶叶病害数据集和试验平台中,对改进YOLOv4模型与原始YOLOv4模型、其他目标检测模型(YOLOv3、SSD和Faster R-CNN)的病害识别效果进行对比试验。【结果】与原始YOLOv4模型相比,改进YOLOv4模型的大小减少了83.2%,对茶白星病、茶云纹叶枯病和茶轮斑病识别的平均精度分别提高了6.2%,1.7%和1.6%,平均精度均值达到93.85%,图像检测速度为26.6帧/s。与YOLOv3、SSD和Faster R-CNN模型相比,改进YOLOv4模型的平均精度均值分别提高了6.0%,13.7%和3.4%,图像检测速度分别提高了5.5,7.3和11.7帧/s。【结论】对YOLOv4模型所使用的改进方法具备有效性,所提出的改进YOLOv4模型可以实现对自然环境下3种常见茶叶病害的快速精准识别。

基于改进YOLOv4模型的无人机巡检图像杆塔缺陷检测方法研究

针对现有输电线路无人机巡检图像缺陷检测方法存在的精度低、耗时长等问题,为了实现输电线路杆塔鸟巢的快速和准确识别,基于无人机巡检图像采集与处理系统,提出了一种改进的YOLO4模型用于输电线路杆塔图像的鸟巢检测。采用轻型MobileNetV2网络替换CSPDarkNet53网络,提高特征提取速度,在SPP模块中采用平均池化替换最大池化,提高算法对小目标的检测精度,引入注意力机制CBAM增强特征表达。通过试验验证了所提方法的可行性和优越性。结果表明,所提方法与常规检测方法相比,在输电线路杆塔图像缺陷检测中具有更优的检测精度和速度,检测精度达到94.40%,检测速度为60 FPS。所提研究为输电线杆塔缺陷检测方法的发展提供了一定的参考。