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。

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。

融合GhostNet的YOLOv4轻量化网络设计与实现

由于存储资源和功耗等限制,在嵌入式设备上部署基于深度学习的目标检测算法存在困难,且效果不佳.基于YOLOv4算法,提出了一种改进的YOLOv4-Light轻量化网络模型,采用GhostNet网络结构替换CSPDarknet53作为主干提取网络,引入CBAM注意力机制关注通道和空间两个维度的特征信息,并利用感知量化方法对权重进行INT8量化处理,在保证精度的情况下降低网络模型规模和参数量.在PC端和NVIDIA Jetson Xavier NX上选用VisDrone无人机数据集分别对网络模型进行测试,结果表明YOLOv4-GhostNet-CBAM模型的尺寸是160M,比YOLOv4降低了34.43%;检测速率最高可达到34.6FPS,比YOLOv4提高了56.6%.YOLO-Light模型的尺寸是40.2M,比YOLOv4降低了83.5%;检测速率最高可达到78.6FPS,为YOLOv4的3.6倍,且交并比为0.5时的平均精度均值(mAP50)与YOLOv4相比仅下降了3%.YOLO-Light模型相较于原模型优势明显,能够在低功耗的嵌入式设备上完成实时目标检测.

基于4Ds模型的广西壮族文化品牌网络营销策略研究

广西壮族文化品牌在带动广西经济增长、强化文化自信等方面具有重要作用,对其他少数民族文化传播与地区经济发展也具有借鉴意义。通过对国内外少数民族文化品牌及其网络营销相关研究的梳理,发现目前广西壮族文化品牌的发展存在需求、传递渠道、动态信息、数据四个方面的困境,并缺乏相应系统性研究成果指导网络营销实践。为此,文章创新运用4Ds模型对广西壮族文化品牌发展进行网络营销策略分析,提出深入研究广西壮族文化品牌需求群体精准营销、多方聚力传递品牌价值、强化消费者与文化品牌互动,以及用数据夯实文化品牌发展前景等建议,从而提高广西壮族文化品牌影响力,提升其经济价值。

基于改进YOLOv5s网络模型的火灾图像识别方法

提出了一种基于改进YOLOv5s网络模型的火灾图像识别方法。通过引入注意力机制改进特征提取网络,提高模型对特征的学习能力;通过添加大尺度检测层改进多尺度检测机制,执行K-Means聚类算法改进先验框,增强模型对小目标的识别能力。在实验数据集上的测试结果表明:改进的YOLOv5s网络模型相比原始模型在精确率、召回率和平均精度均值(mAP)指标上均有提升。改进模型的mAP为85.72%,帧率达54.66fps;在置信度上有了明显提升,对多目标和小目标的识别效果更好,并且有效降低了漏检和误检情况。所提出的火灾图像识别方法可适用于安防监控系统或智能机器人。

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。

基于改进YOLOv4网络的光伏组件故障诊断方法

为提高红外光伏组件故障的检测精度,提出一种基于改进YOLOv4网络的图像检测方法。针对无人机采集的红外光伏组件图像数据较少的问题,通过离线数据增强方式扩充数据集;用DenseNet121网络替换YOLOv4网络中原有的DarkNet53主干网络,实现YOLOv4网络的轻量化,提升了网络检测速度;设计新的路径聚合网络,提升YOLOv4网络对红外光伏组件图像浅层特征的融合程度,并在新增路径上添加YOLO检测头,提高网络对红外光伏组件图像中小目标的检测精度;在主干网络后添加注意力机制模块,提升网络的专注度。试验结果表明,改进YOLOv4网络对红外光伏组件故障的检测具有较高的精度。

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神经网络的小龙虾质量检测方法

设计了一种采用YOLOv4深度学习算法的小龙虾质量检测模型,该算法在网络架构、数据处理、特征提取等方面进行了优化。自主拍摄小龙虾图片并进行数据扩充,使用LableImage平台进行数据标注,在Darknet框架下进行网络模型训练,通过对比,模型最终性能均高于其他常见目标检测模型,其检测准确率达97.8%,平均检测时间为37 ms,表明该方法能够有效检测生产过程中的小龙虾质量。

基于BP神经网络的V9-Cr4-Mo3高速钢冷轧辊磨损模型

利用自制轧辊模拟磨损试验机测试了6种不同碳含量的V9Cr4Mo3高速钢轧辊的磨损性能,利用BP神经网络建立了磨损量与碳含量和磨损时间的非线性关系模型.结果表明:良好训练的BP网络模型可以有效预测不同碳含量的V9Cr4Mo3高速钢轧辊的磨损性能.结果表明:碳含量约为2.58%时,高速钢基体组织主要为高硬度和高韧性的板条马氏体,可以有效抵御轧制过程中的疲劳和显微切削,耐磨性最佳;当碳含量过低时,高速钢基体为低硬度的铁素体,显微切削为轧辊的主要磨损机制,而碳含量过高时,其基体主要为韧性较差的片状马氏体,轧辊以疲劳磨损为主,二者均导致轧辊耐磨性下降.

基于双流YOLOv4的金属表面缺陷检测方法

目前有许多学者使用深度学习进行表面缺陷检测研究,由于这些研究大都沿用主流目标检测算法的思路,注重高级语义特征,而忽视了低级语义信息(色彩、形状)对表面缺陷检测的重要性,因此导致缺陷检测效果不够理想。为解决上述问题,提出了一种金属表面缺陷检测网络——双流YOLOv4网络,骨干网络分成两个分支,输入分为高分辨率图像和低分辨率图像,浅分支负责从高分辨率图像中提取低级特征,深分支负责从低分辨率图像中提取高级特征,通过削减两分支的层数和通道数来减少模型总参数量;为了强化低级语义特征,提出了一种树形多尺度融合方法(Tree-structured Multi-scale Feature Fusion Me-thod,TMFF),并设计了一个结合极化自注意力机制和空间金字塔池化的特征融合模块(Feature Fusion Module with Polarized Self-Attention Mechanism and Spatial Pyramid Pooling,FFM-PSASPP)应用到TMFF中。在东北大学热轧带表面缺陷数据集NEU-DET、金属表面缺陷数据集GC10-DET和伊莱特电饭煲内胆缺陷数据集Enaiter的测试集上对所提算法进行了测试,测得的map@50结果分别为0.80,0.66和0.57,相比大部分主流的用于缺陷检测的目标检测算法均有提升,且模型参数量仅为原YOLOv4的一半,速度与YOLOv4接近,可满足实际使用需求。

IPv6与IPv4网络通信模型的比较研究

比较了IPv6与IPv4的单播、广播、组播和任意点播通信模型,研究了在各种通信模型中,IPv6提出的改进。

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。

基于改进YOLOv4模型的无人机目标检测算法

针对无人机全自主飞行对目标检测的实时性与准确性需求不断提升的现状,对现有YOLOv4网络进行优化,提出采用轻量型MobilenetV3网络取代原始模型中的主干特征提取网络,并在特征金字塔结构中利用深度可分离卷积模块取代传统卷积,实现了保证模型检测精度的同时减少模型参数的目的。通过采用CIOU位置回归损失函数,促使目标框回归变得更加稳定,采用的数据增强方法进一步提高了目标检测算法的鲁棒性。在相同配置条件下的对比实验结果表明,改进YOLOv4模型损失小幅精度却实现检测速度的大幅提升,其中参数容量减少82%,仅44.74 M,FPS提升69%并达到22帧/s,验证了所提算法的有效性。

MIPv4网络中的蠕虫传播模型

基于MIPv4网络环境,构建一种新型蠕虫——MIPv4-Worm,给出MIPv4节点接触频率的计算方法,对MIPv4网络中蠕虫的传播策略进行了分析和研究,建立MIPv4网络蠕虫传播模型(MWM)。该模型显示了各参数对蠕虫传播的影响。MIPv4-Worm传播的仿真实验表明,该模型较好地模拟了MIPv4网络中蠕虫的传播规律,为采取有效措施防止MIPv4中蠕虫的大范围传播提供了理论依据。

基于协调注意力机制的轻量级YOLOv4零件检测

针对零件自动检测任务在复杂工况下,如零件堆叠粘连、有杂物干扰等,存在实时性差、硬件资源占用大等问题,提出一种基于轻量级YOLOv4网络的零件检测方法。采用MobileNeXt代替CSPDarkNet53作为主干特征提取网络(backbone),并在每个卷积模块中添加协调注意力机制,用于增强特征层的语义表达能力;提出一种Fused-Sandglass模块插入到浅层的backbone中,提高网络的推理速度;网络训练方面引入渐进式训练方法和focal loss损失函数,提升训练速度,并且有效缓解正负样本失衡的问题。实验结果表明,该方法在15种零件的检测任务中能够保持和YOLOv4网络相近的准确率,但参数量大小仅为其20%,推理速度达到了43.7 fps,能够满足实际生产的需求。

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。