基于改进YOLOV4网络的绝缘子缺陷检测

针对现有目标检测方法进行绝缘子缺陷检测速度慢、精度低等问题,改进YOLOV4网络提高绝缘子缺陷检测性能。对比主干特征提取网络不同输出层添加卷积注意力模块(CBAM)缺陷检测结果以确定注意力机制引入方法;采用K⁃Means聚类算法确定适合绝缘子特征的锚框尺寸;加强特征提取网络采用CSPlayer并利用深度可分离卷积代替普通卷积,减少模型参数,提高检测速度;同时,加强特征提取网络中添加金字塔池化模块(SPP),融合多重感受野缺陷特征,改善检测精度;增大类别损失比重,提高分类精度;采用柔性非极大值抑制代替普通非极大值抑制,避免小目标缺陷重叠引起漏检。实验结果表明,改进YOLOV4网络的平均精度均值mAP和检测时间分别为92.26%和19.82 ms,满足绝缘子缺陷检测精度和速度要求。

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。

改进YOLOv4网络的无人机光通信实时捕获定位技术

信标光斑位置检测技术广泛应用于基于视觉的光通信粗对准领域中,而检测算法的优劣直接影响捕获定位的精度。针对基于阈值分割搜寻信标光斑的算法易受背景强光影响的缺陷,建立了基于深度学习算法的无人机光通信实时捕获定位系统。首先,改进了YOLOv4(You only look once,v4)网络,采用能增强浅层特征信息提取的特征图通道拼接方式设计了四个简化模块和一个上采样模块,极大提升了网络的速度。然后,用改进后的网络、原始YOLOv4网络及其简化网络在PASCAL VOC数据集上进行训练。最后,采集和训练信标光斑数据集,在无人机上运行改进YOLOv4网络并输出摄像头视频帧的信标光斑位置。基于比例积分微分算法调节云台进行位置闭环控制,从而实现光通信的实时捕获和定位对准。实验结果表明,改进YOLOv4网络在信标光斑测试集上的精确率为99.6%,召回率为99.8%,在NVIDIA Jetson Xavier NX嵌入式计算机平台上的帧率为42 frame/s,满足无人机光通信实时捕获定位的要求。

基于改进Yolov4-Tiny网络的安全帽监测系统

本文为提升高速性采用轻量化的Yolov4-Tiny网络进行安全帽的识别,为提高识别精度引入注意力机制对Yolov4-Tiny网络进行改进。通过网络改进前后安全帽识别性能测试对比,可得改进后的网络在保持轻量化和速度的基础上,识别精度得到明显提升。在安全帽识别基础上结合视频采集和警告提示构建完整的安全帽监测系统,功能测试结果表明系统功能的完整性和有效性。

基于改进YOLOv4-Tiny的自然环境下 油茶果识别方法

针对自然环境下油茶果目标因被枝叶遮挡、重叠、果实颜色与叶片颜色相近等因素出现错检和漏检问题,提出一种基于改进YOLOv4-Tiny的自然环境下油茶果识别方法。在骨干网络中引入大尺度输出特征层和金字塔池化模型,以克服被遮挡或重叠油茶果因网络加深时模型的表征能力不足所带来的网络性能损失;使用K-means算法聚类出适合所选数据集的先验框,提高模型检测效果。试验结果表明:改进后YOLOv4-Tiny算法在1901幅测试集上的召回率为86.15%,mAP为94.19%,F 1值为0.9,比改进前分别提高1.2、0.34和2个百分点;改进后该算法单幅图片的平均检测时间为0.025 s,检测速度为40.45 f/s,比改进前检测时间减少7.41%,检测速度提高3.87%。改进后算法的识别准确率比自编码机和凸壳理论分别提高4.36和1.55个百分点,Faster-RCNN、自编码机和凸壳理论的单幅图片检测时间分别是改进后算法的8.4、66.4和19.64倍。该算法可对复杂自然环境下油茶果目标进行识别,满足实时采摘的要求。

基于RDB-YOLOv4的煤矿井下有遮挡行人检测

针对煤矿井下数字化人员检测过程中行人易被大型设备遮挡而导致的误检、漏检等问题,提出了一种基于RDB-YOLOv4网络的煤矿井下有遮挡行人检测方法。该算法以YOLOv4为基础网络架构,在CSPDarknet-53特征提取网络中加入了残差密集块(residual dense block,RDB),对不同层次的特征实现跨层传递和融合,连续的连接保证了低级和高级特征信息的存储和记忆,使得完整有效的局部特征能准确预测被遮挡行人的信息。对比当前主流目标检测算法和遮挡处理检测算法,该算法在PASCAL VOC 2007公开数据集和煤矿井下行人数据集下有效提升了测试的平均精度(average precision,AP),相比YOLOv4在两组不同数据集测试的平均精度分别提升了2.74个百分点和3.5个百分点(IoU=0.5)。

基于YOLOv4卷积神经网络的口罩佩戴检测方法

针对疫情防控期间火车站等密集场所人员的口罩佩戴监测问题,文章提出一种基于图片高低频成分融合与YOLOv4卷积神经网络的口罩佩戴检测方法.通过网络爬虫以及手动数据标注,经过Darknet深度学习框架训练,其模拟检测达到了较好的效果.试验结果表明,由自行构建的口罩佩戴检测数据集,训练后模型检测的精度值达到0.985,平均检测速度为35.2 ms.此检测速度以及检测精度满足大部分场合人员口罩佩戴的需求,为口罩佩戴检测的视觉识别提供了技术支持.

基于卷积神经网络与ECG信息的多模态疲劳驾驶检测研究

为解决驾驶员疲劳驾驶引发的交通事故问题,本研究致力于设计一款高精度、及时预警的疲劳驾驶检测与预警装置。文章提出了一种基于卷积神经网络与ECG信息的多模态疲劳驾驶检测方法:首先,通过训练数据集获取模型文件,并将其与预设行为进行对比,得出预警结果;接着,结合ECG信号对驾驶员的驾驶状态进行进一步分析,输出最终结果并触发预警。实验结果表明,该方法能够准确识别驾驶员的疲劳状态并及时发出预警,最高检测正确率达到了99%,验证了方法的可行性。

结合随机擦除和YOLOv4的高空间分辨率遥感影像桥梁自动检测

桥梁作为典型且重要的地面目标,是交通运输线路的咽喉,对桥梁进行自动检测具有十分重要的社会和经济意义。深度学习已成为桥梁检测新方式,但对云雾遮挡的桥梁检测精度较低。针对该问题,提出了一种结合随机擦除(random erase,RE)数据增强和YOLOv4模型的桥梁目标自动检测方法,首先统计数据集中目标的尺度范围,利用k-means聚类获得锚框尺寸;然后通过RE与Mosaic数据增强相结合的方法模拟云雾遮挡的情况;接着采用YOLOv4网络对经增强后的数据集进行训练;最后采用平均精度(mean average precision,mAP)评估实验结果。实验结果表明,提出方法的mAP为97.06%,比YOLOv4提高了2.99%,其中被云雾遮挡的桥梁平均检测准确度提高了12%,验证了提出方法的有效性及实用性。

基于改进YOLOv4的雾天变电站电力设备识别方法

在雾霾天气下,巡检机器人检测变电站电力设备存在能见度低、目标不清晰等情况,而且常用的目标检测算法参数量过大,部署在巡检机器人上难以达到实时性的要求。为此,提出了一种结合Cycle-Dehaze去雾算法的轻量级变电站电力设备识别方法。对采集到的变电站带雾图进行去雾预处理,提高目标电力设备的清晰度和可见性;在YOLOv4网络中引入MobileNetv3和深度可分离卷积,实现模型轻量化;在目标检测网络中嵌入SE注意力机制,提高电力设备识别精度。实验结果表明,Cycle-Dehaze与改进YOLOv4相结合的识别mAP可达92.5%,改进的YOLOv4比YOLOv4算法检测速度快15.59帧/秒,模型参数量减少了80.21%,更有利于在变电站巡检机器人上部署。

基于YOLOv4模型的玻璃绝缘子自爆缺陷识别方法

绝缘子是输电线路的重要元件,绝缘子缺陷会增大输电线路的故障停运风险,因此,对绝缘子缺陷状况的早期判别十分重要。本文提出一种基于YOLOv4模型的玻璃绝缘子自爆缺陷辨识方法。首先,通过无人机采集及数据增强获取大量详实的现场绝缘子图像;其次,通过采用迁移学习的训练策略训练YOLOv4网络并改进网络的输入图像以提高辨识的准确性;最后,通过实验验证改进策略提高了网络性能。实验结果表明,所提的方法可准确、有效地实现对绝缘子缺陷的辨识。

基于改进YOLOv4的安全帽佩戴检测算法

针对目前智慧安监领域对于安全帽佩戴的检测存在尺度多样化、检测难度大、中小目标漏检率高的问题,提出了一种基于改进的YOLOv4的安全帽佩戴检测算法。首先,改进K-means算法重新选择锚框,然后在网络中引入CBAM注意力模块来增强安全帽佩戴信息的特征表达,最后对模型进行加速剪枝。实验结果表明,提出的算法在检测中mAP@0.5值提升了6.7%,检测速度提升了35%,模型参数量减少了48%,改进后的模型更适用于实际场景中对安全帽佩戴行为的识别。

基于红外相机和毫米波雷达融合的烟雾遮挡无人驾驶车辆目标检测与跟踪

战场环境下无人驾驶车辆的感知系统易受烟雾、扬尘等天气的影响,对关键目标的检测与跟踪能力大大下降,造成目标漏检、目标误检、目标丢失等严重后果。针对该问题,开发毫米波雷达和红外相机融合系统,采用目标级融合方式建立简洁有效的融合规则,提炼和组合各传感器的优势信息,最终输出稳定的目标感知结果。对毫米波雷达的目标进行有效性检验和提取,并提出改进的基于密度的含噪声空间聚类应用算法,以减少毫米波雷达噪音干扰。以YOLOv4网络为基础,引入MobileNetv2主干网络,在网络训练过程中运用迁移学习方法,同时对红外数据样本进行扩充,解决了红外图像训练样本少的问题。试验结果表明,相较于仅基于红外相机的算法,融合检测算法在烟雾环境下的精度显著提升,且算法实时性高,实现了烟雾环境下毫米波雷达与红外相机融合的目标检测与跟踪,提高了无人驾驶车辆目标检测与跟踪系统的抗烟雾干扰能力。

引入注意力机制的轻量级小目标检测网络

为了提高在如无人机航拍图像等背景复杂情况下的小目标检测能力,本文在YOLOv4网络的基础上,提出了一种引入注意力机制的轻量级小目标检测网络。首先,在通道注意力机制中加入多尺度融合模块并构造多方法特征提取器,再将所设计的通道注意力模块嵌入到YOLOv4特征提取网络,增强网络对于图像感兴趣区域的关注能力;接着,改进YOLOv4网络结构,增加浅层特征层与深层特征信息融合机制,以获取丰富的分辨率信息;最后,采用通道剪枝和知识蒸馏策略对改进后的网络进行模型优化,在微小精度损失的前提下大幅度减少了模型参数数量。实验结果表明,在无人机航拍数据中,本文提出的轻量级小目标检测网络较原网络的模型大小减少93.6%,推理速度提高52.6%,mAP提升了2.9%;在布匹疵点数据集中,模型大小减少92.1%,推理速度提高49.5%,mAP提升了2.2%,有效改善了复杂背景下的小目标检测效果,同时实现了网络的轻量化。

基于PSA-YOLO网络的苹果叶片病斑检测

为提高YOLOv4目标检测算法对苹果叶片小型病斑的检测性能,提出了一种PSA(金字塔压缩注意力)-YOLO算法。在CSPDarknet53的基础上融合了Focus结构和PSA机制,并采用网络深度减小策略,构建了参数量小、精确度高的PSA-CSPDarknet-1轻量化主干网络。其次在网络颈部,搭建了空间金字塔卷积池化模块,用极小的计算代价增强了对深层特征图的空间信息提取能力,并采用α-CIoU损失函数作为边界框损失函数,提高网络对高IoU阈值下目标的检测精度。根据实验结果,PSA-YOLO网络在苹果叶片病斑识别任务中的AP_(50)达到88.2%。COCO AP@[0.5∶0.05∶0.95]达到49.8%,比YOLOv4提升3.5个百分点。网络对于小型病斑的特征提取能力提升幅度更大,小型病斑检测AP比YOLOv4提升3.9个百分点。在单张NVIDIA GTX TITAN V显卡上的实时检测速度达到69帧/s,相较于YOLOv4网络提升13帧/s。

基于YOLOv4的足球识别及嵌入式实现方法

文章设计了一个基于嵌入式的智能足球检测系统,将人工智能技术和嵌入式平台技术相结合。采用基于YOLOv4深度学习数据检测分析算法,通过网络爬虫以及手动方式来对数据进行标注,在Darknet框架下进行网络模型训练。之后配置树莓派相关环境并把模型检测算法移植到树莓派平台上测试,来检测足球目标。试验验证分析表明,其最高检测准确率在98%,平均检测率在96%,平均检测时间为42 ms,其目标检测算法模型的mAP(平均精度值)为96􀆰78%。该数据结果表明了YOLOv4目标检测算法模型部署在嵌入式平台的可行性。

基于弱语义分割的轻量化交通标志检测网络

针对现有网络在检测高分辨率交通标志图片时速度过慢、精确度较低等问题,提出一种轻量化交通标志检测网络。在MobileNetv3-Large基础上对YOLOv4网络的骨干部分进行优化,针对数据集的特点舍弃部分耗时层,更改第8层和第14层的输出通道数,并改进基础模块中通道域注意力网络的注意力机制,使输出的权重数值能更准确地表征特征的重要程度。在检测头前加入基于弱语义分割的动态增强附件,利用其输出作为空间权重分布来矫正激活区域,以避免提取能力下降导致误检、漏检问题,最终构成YOLOv4-SLite网络。采用滑窗剪裁的方法对高分辨率图片进行训练和预测,从而减少训练时间及增加样本的多样性。在TT100K交通标志数据集上的实验结果表明,相较于YOLOv4基准网络,YOLOv4-SLite网络的mAP@0.5仅下降了0.2%,但模型大小减少了96.5%,响应速度提升了227%,精确度与速度的平衡效果达到了预期。

基于BG和RTHTR图像处理的苹果目标检测

针对苹果幼果与其背景相似度高的检测问题,图像处理方法被提出来增强目标的注意力机制,并通过YOLOV4目标检测框架进行目标检测任务。近年来,目标检测技术成功应用于人脸识别、自动驾驶等领域,该文针对在苹果幼果检测的近景阶段中,为了提高采集到的数据集中识别效果,提出通过BG方法和RTHTR方法提高幼果目标在图像中的特征值和目标的注意力机制。实验结果表明,经过BG图像处理过程得到的目标检测数据在YOLOV4网络结构中mAP值由YOLOV4网络原数据集的75.38%提升4.14%,经过RTHTR图像处理过程的目标检测数据的mAP值达到82.29%。

基于轻量级神经网络的目标检测研究

由于以CSPDarknet53为主干的YOLOv4神经网络参数量巨大,将其移植至手机等小型设备上时会降低其检测精度和速度,为了提高检测速度同时将检测精度控制在合理范围内,提出将原有的53层神经网络改为15层,并对其中的聚类算法进行优化,引入K-means++聚类算法对数据集进行分析,生成满足检测条件的Anchor Box;使用在负区间带有一定斜率的LeakyReLU激活函数代替存在梯度消失问题的Sigmoid激活函数,从而增强浅层网络的学习能力;同时考虑到Bounding Box与Anchor Box之间的中心距和宽高比具有一定的相关性,提出在原有损失函数的基础上增加相应的惩罚项生成L_(CIoU)损失函数,使损失函数在反向传播时梯度下降的方向性更好。实验结果表明,改进后的CSPDarknet15神经网络在VOC2007数据集上检测的平均精度达到83.94%,检测一幅图像的时间为3625 ms,与CSPDarknet53神经网络相比,检测速度提高了54.43%,能满足小型设备实时检测的速度和精度要求。

融合图像修复的遮挡目标检测算法

针对目标检测过程中存在遮挡导致的漏检和误检问题,提出一种融合图像修复模块的军事目标检测算法,通过深度学习实现军事目标的自动识别,再结合图像修复对遮挡目标实现图像增强。对于目标检测模块,在YOLOv4的基础上添加了卷积注意力机制,来增强对目标识别的敏感程度以及网络的特征提取能力;并且采用交叉迭代批量标准层,提高模型的训练效率。图像修复模块是基于生成对抗网络设计的一种双生成器模型,考虑到目标图像轮廓的完整性对图像的修复和目标的检测都有一定的影响,增加了一个边缘生成网络,图像修复模块旨在还原目标被遮挡的部位。模拟结果表明,融合了图像修复模块的目标检测算法对遮挡目标的检测精度达到了79.63%,较好地解决了遮挡情况下的漏检和误检问题。