YOLO V4模型在含硫井站火焰和烟雾检测中的应用

针对含硫天然气中H2S等腐蚀性物质易导致井站设备、管线等发生泄漏,易引发火灾,但常用的火焰和烟雾检测仪器、算法易受井站复杂环境影响,且含硫井站人工巡检存在一定风险,提出一种基于深度学习目标检测模型的含硫井站火焰和烟雾检测方法。首先,将能在移动端实时检测的YOLO V4目标检测模型先对公开火焰、烟雾数据集进行训练;接着,将训练好的模型采用迁移学习方法对井站火焰、烟雾数据集进行训练,提取井站火焰、烟雾特征;最后,经迁移学习训练后的YOLO V4模型对火焰、烟雾检测的平均精度均值高达99.62%,配合巡检机器人将对含硫井站有更好的火灾预警和救援侦察能力。

基于改进YOLO v4的自然场景下冬枣果实分类识别

为实现冬枣园机械化自动化采摘以及冬枣树精准化管理,针对自然场景下冬枣果实的快速、准确分类识别问题,提出一种基于YOLO v4模型改进的冬枣果实分类识别模型CC-YOLO v4。利用改进的CSP跨阶段部分连接结构和多尺度特征融合的CBAM卷积注意力模块,减小网络规模的同时增强特征提取能力,改善果实分类识别的误检和遮挡目标的漏检情况;采用Softmax交叉熵损失函数代替Sigmoid二元交叉熵损失函数作为分类损失函数,引入EIoU损失函数代替CIoU损失函数作为边界框回归损失,进一步改善果实分类识别的误检并提升预测框精度。试验结果表明,CC-YOLO v4模型对3类冬枣果实的查准率P均值为81.86%,平均检测精度均值mAP为82.46%,IoU均值为81.35%,模型参数量和大小分别为26.9 M和108 MB,检测速度可达28.8 F/s。与其他模型相比,本模型具有更好的分类识别能力、识别速度和较小的模型复杂度。在不同果实数量情况下进一步试验,本研究方法具有良好的精度和鲁棒性,对解决自然场景下冬枣果实的精准分类识别问题具有重要参考价值。

基于MSRCP与改进YOLO v4的躺卧奶牛个体识别方法

奶牛的躺卧率可以反映奶牛的舒适度和健康情况,躺卧奶牛的个体识别是自动监测奶牛躺卧率的基础。本文提出了一种基于改进YOLO v4模型识别非限制环境下躺卧奶牛个体的方法。为实现对躺卧奶牛全天的准确个体识别,首先对18:00—07:00的图像采用MSRCP(Multi-scale retinex with chromaticity preservation)算法进行图像增强,改善低光照环境下的图像质量。其次,在YOLO v4模型的主干网络中融入RFB-s结构,改善模型对奶牛身体花纹变化的鲁棒性。最后,为提高模型对身体花纹相似奶牛的识别准确率,改进了原模型的非极大抑制(Non-maximum suppression,NMS)算法。利用72头奶牛的图像数据集进行了奶牛个体识别实验。结果表明,相对于YOLO v4模型,在未降低处理速度的前提下,本文改进YOLO v4模型的精准率、召回率、mAP、F1值分别提高4.66、3.07、4.20、3.83个百分点。本文研究结果为奶牛精细化养殖中奶牛健康监测提供了一种有效的技术支持。

基于改进YOLO v4的生猪耳根温度热红外视频检测方法

基于热红外视频的生猪体温检测过程中,视频中保育期生猪头部姿态变化大,且耳根区域小,导致头部和耳根区域定位精度低,影响生猪耳根温度的精准检测。针对以上问题,本文提出了一种基于改进YOLO v4(Mish Dense YOLO v4,MD-YOLO v4)的生猪耳根温度检测方法,构建了生猪关键部位检测模型。首先,在CSPDarknet-53主干网络中,添加密集连接块,以优化特征转移和重用,并将空间金字塔池化(Spatial pyramid pooling,SPP)模块集成到主干网络,进一步增加主干网络感受野;其次,在颈部引入改进的路径聚合网络(Path aggregation network,PANet),缩短多尺度特征金字塔图的高、低融合路径;最后,网络的主干和颈部使用Mish激活函数,进一步提升该方法的检测精度。试验结果表明,该模型对生猪关键部位检测的mAP为95.71%,分别比YOLO v5和YOLO v4高5.39个百分点和6.43个百分点,检测速度为60.21 f/s,可满足实时检测的需求;本文方法对热红外视频中生猪左、右耳根温度提取的平均绝对误差分别为0.26℃和0.21℃,平均相对误差分别为0.68%和0.55%。结果表明本文提出的基于改进YOLO v4的生猪耳根温度检测方法,可以应用于热红外视频中生猪关键部位的精准定位,进而实现生猪耳根温度的准确检测。

基于改进YOLO v4的轻量化烟梗识别方法

为完成烟叶精选工艺流程中打叶复烤后破碎烟叶的进一步去梗,实现破碎烟叶中烟梗的自动化检测,文章提出基于改进YOLO v4的轻量化烟梗识别方法。在YOLO v4基础模型上先后进行通道剪枝和层剪枝,大幅简化模型结构,改进后模型存储空间下降了93.77%,模型平均精度均值(mean average precision,mAP)和前向运算时间与基础模型持平。与同类别算法相比,模型精度平均提升8.7%,模型参数量大幅缩减。实验结果表明该实验剪枝模型更具轻量化,识别效果更好,能够满足实际生产需求。

基于改进YOLO v4的单环刺螠洞口识别方法

针对养殖池塘内单环刺螠自动采捕和产量预测应用需求,提出一种基于深度学习的单环刺螠洞口识别方法,以适用于自动采捕船的嵌入式设备。该方法通过将YOLO v4的主干网络CSPDarkNet53替换为轻量型网络Mobilenet v2,降低网络参数量,提升检测速度,并在此基础上使用深度可分离卷积块代替原网络中Neck和Detection Head部分的普通卷积块,进一步降低模型参数量;选取带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration,MSRCR)增强算法进行图像增强;利用K-means++算法对数据集进行重新聚类,对获得的新锚点框尺寸进行线性缩放优化,以提高目标检测效果。在嵌入式设备Jetson AGX Xavier上部署训练好的模型,对水下单环刺螠洞口检测的平均精度均值(Mean average precision,mAP)可达92.26%,检测速度为36 f/s,模型内存占用量仅为22.2 MB。实验结果表明,该方法实现了检测速度和精度的平衡,可满足实际应用场景下模型部署在单环刺螠采捕船嵌入式设备的需求。

基于改进的Yolo v4绝缘子目标识别算法研究

针对传统卷积神经网络模块体积庞大、运算量高,在体积较小、资源有限的嵌入式平台上运行效果不好,以及现有轻量化模块无法满足测量速度和测试精确度要求的问题,为此选择目前的主流目标识别算法Yolo v4进行模型轻量化,在Yolo v4模型中引入Mobilenet网络和深度可分离模块进行研究。研究结果表明,改进后不同Mobilenet网络的Yolo v4模型检测一张图片的用时均比原始Yolo v4模型减少19 ms以上,准确率都高于92%。其中以Mobilenet v3为主干特征提取网络的改进Yolo v4模型的准确率为95.12%,与原始Yolo v4模型准确率相比提高2.99%,但该模型的参数量约为Yolo v4模型的1/6,模型处理一张巡检图片用时比原Yolo v4模型减少20 ms。绝缘子作为输电线路的重要组成部分,在众多图像中更快地识别出绝缘子能为之后分析输电线路的运行情况提供帮助。

基于改进YOLO v4和ICNet的番茄串检测模型

针对深层神经网络模型部署到番茄串采摘机器人,存在运行速度慢,对目标识别率低,定位不准确等问题,本文提出并验证了一种高效的番茄串检测模型。模型由目标检测与语义分割两部分组成。目标检测负责提取番茄串所在的矩形区域,利用语义分割算法在感兴趣区域内获取番茄茎位置。在番茄检测模块,设计了一种基于深度卷积结构的主干网络,在实现模型参数稀疏性的同时提高目标的识别精度,采用K-means++聚类算法获得先验框,并改进了DIoU距离计算公式,进而获得更为紧凑的轻量级检测模型(DC-YOLO v4)。在番茄茎语义分割模块(ICNet)中以MobileNetv2为主干网络,减少参数计算量,提高模型运算速度。将采摘模型部署在番茄串采摘机器人上进行验证。采用自制番茄数据集进行测试,结果表明,DC-YOLO v4对番茄及番茄串的平均检测精度为99.31%,比YOLO v4提高2.04个百分点。语义分割模块的mIoU为81.63%,mPA为91.87%,比传统ICNet的mIoU提高2.19个百分点,mPA提高1.47个百分点。对番茄串的准确采摘率为84.8%,完成一次采摘作业耗时约6 s。

基于改进YOLO v4的肉鸽行为检测模型研究

肉鸽行为表现与鸽舍环境舒适度和肉鸽健康状况密切相关。为实现肉鸽行为精准检测、及时掌握肉鸽健康状况,提出了基于改进YOLO v4模型的肉鸽行为检测方法。由于肉鸽社交等行为特征相似性程度高,为了在复杂环境下准确识别肉鸽行为,本文采用自适应空间特征融合(Adaptively spatial feature fusion,ASFF)模块改进YOLO v4模型,在特征金字塔网络中增加ASFF模块,根据特征权值自适应融合多层特征,充分利用不同尺度特征信息,并且ASFF模块能有效过滤空间冲突信息、抑制反向梯度不一致问题、改善特征比例不变性以及降低推理开销。基于多时段的肉鸽清洁和社交行为数据集,自制5类肉鸽行为图像数据库,采用OpenCV工具进行模糊、亮度、水雾和噪声等处理扩充图像数据集(共10320幅图像),增加数据多样性和模拟不同识别场景,提升模型泛化能力。本文按照比例8∶2划分训练集和验证集,训练总共迭代300个周期,对不同时段、角度、尺寸的肉鸽数据集进行检测。检测结果表明,在阈值0.50和0.75时YOLO v4 ASFF检测精度比YOLO v4的mAP50和mAP75提高14.73、14.97个百分点。对比Faster R CNN、SSD、YOLO v3、YOLO v5和CenterNet模型验证本文模型检测性能,在测试集中mAP50分别提高13.98、14.00、18.63、14.16、10.87个百分点。视频检测速度为8.1 f/s,在推理速度相当情况下,本文改进模型识别准确率更高,复杂环境泛化能力更强,且对相似度高的行为误检和漏检情况更少,可为智能化肉鸽养殖和科学管理提供技术参考。

基于Compact-YOLO v4的茶叶嫩芽移动端识别方法

茶叶嫩芽精准识别是实现嫩芽智能化采摘的前提与基础,采用视觉和深度学习的嫩芽识别方法逐渐成熟,但该方法过度依赖于高性能硬件,不利于采茶机器人移动端的部署,针对这一问题,本文提出一种基于Compact-YOLO v4算法的茶叶嫩芽移动端识别方法。首先对YOLO v4算法的Backbone网络和Neck网络进行改进,将Backbone网络替换为GhostNet,将Neck网络中传统卷积替换为Ghost卷积,改进后的模型内存占用量仅为原来的1/5。接着运用迁移学习的训练方法提升模型精度,试验表明,Compact-YOLO v4算法模型的精度、召回率、平均精度均值、F1值分别为51.07%、78.67%、72.93%和61.45%。最后将本文算法模型移植到PRO-RK3568-B移动端开发板,通过转换模型、量化处理、改进部署环境3种方式,降低模型推理计算对硬件性能的需求,最终在保证嫩芽识别准确率的前提下,实现了优化模型推理过程、减轻移动端边缘计算压力的目的,为茶叶嫩芽采摘机器人的实际应用提供了技术支撑。

基于Des-YOLO v4的复杂环境下苹果检测方法

为使采摘机器人快速准确检测出复杂环境中的苹果,提出一种Des-YOLO v4算法与苹果检测方法。由于YOLO v4的网络结构复杂,提出一种Des-YOLO结构,可减少网络参数并提高算法的检测速度;在训练阶段,正负样本的不平衡会导致苹果误检,提出一种基于AP-Loss的类别损失函数,以提高苹果识别的准确性。通过自制的苹果数据集测试了Des-YOLO v4算法,并在苹果采摘机器人样机上完成了采摘实验。实验结果表明:Des-YOLO v4算法对苹果图像的平均精度值为93.1%,检测速度为53f/s;机器人单次采摘时间为8.7s,采摘成功率达92.9%,具有检测精度高、速度快等优点。

基于改进YOLO v4的荔枝病虫害检测模型

为实时准确地检测到自然环境下背景复杂的荔枝病虫害,本研究构建荔枝病虫害图像数据集并提出荔枝病虫害检测模型以提供诊断防治。以YOLO v4为基础,使用更轻、更快的轻量化网络GhostNet作为主干网络提取特征,并结合GhostNet中的核心设计引入更低成本的卷积Ghost Module代替颈部结构中的传统卷积,得到轻量化后的YOLO v4-G模型。在此基础上使用新特征融合方法和注意力机制CBAM对YOLO v4-G进行改进,在不失检测速度和模型轻量化程度的情况下提高检测精度,提出YOLO v4-GCF荔枝病虫害检测模型。构建的数据集包含荔枝病虫害图像3725幅,其中病害种类包括煤烟病、炭疽病和藻斑病3种,虫害种类包括毛毡病和叶瘿蚊2种。试验结果表明,基于YOLO v4-GCF的荔枝病虫害检测模型,对于5种病虫害目标在训练集、验证集和测试集上的平均精度分别为95.31%、90.42%和89.76%,单幅图像检测用时0.1671 s,模型内存占用量为39.574 MB,相比改进前的YOLO v4模型缩小84%,检测速度提升38%,在测试集中检测平均精度提升4.13个百分点,同时平均精度比常用模型YOLO v4-tiny、EfficientDet-d2和Faster R-CNN分别高17.67、12.78、25.94个百分点。所提出的YOLO v4-GCF荔枝病虫害检测模型能够有效抑制复杂背景的干扰,准确且快速检测图像中荔枝病虫害目标,可为自然环境下复杂、非结构背景的农作物病虫害实时检测研究提供参考。

基于改进YOLO v4的落叶松毛虫侵害树木实时检测方法

针对two⁃stage网络模型训练成本高,无人机搭载的边缘计算设备检测速度低等问题,提出一种基于改进YOLO v4模型的受灾树木实时检测方法,以提高对落叶松毛虫虫害树木的识别精度与检测速度。以黑龙江省大兴安岭地区呼玛县白银纳乡受落叶松毛虫侵害的落叶松无人机图像为数据,利用LabelImg软件标注75~100 m的无人机图像,构建落叶松毛虫虫害树木图像数据集。将CSPNet应用于YOLO v4模型的Neck架构,重新设计Backbone的特征提取网络———CSPDarknet53模型结构,并在CSPNet进行优化计算前的卷积中加入SENet以增加感受野信息,使其改变网络的深度、宽度、分辨率及网络结构,实现模型缩放,提高检测精度。同时,在PANet中使用CSPConvs卷积代替原有卷积Conv×5,最后经过YOLO Head检测输出预测结果。将YOLO v4 CSP网络模型部署至GPU进行训练,训练过程的内存降低至改进前的82.7%。再搭载至工作站进行测试,结果表明:改进的YOLO v4 CSP网络模型在测试阶段对虫害树木检测的正确率为97.50%,相比于YOLO v4的平均正确率提高3.4个百分点,模型精度接近目前主流two⁃stage框架Faster R CNN的98.75%;将改进的YOLO v4 CSP网络模型搭载至Jetson nano边缘计算设备,检测速度达到4.17 f/s,高于YOLO v4模型的1.72 f/s。基于YOLO v4 CSP的检测模型可实现对受灾树木检测速度与精度的平衡,降低模型的应用成本,搭载至无人机可实现对森林虫害的实时监测。

基于YOLO v4优化的航拍绝缘子缺陷图像检测模型

针对现有绝缘子缺陷检测模型检测精度低、实时性差和网络参数多的问题,提出了一种基于YOLO v4改进的绝缘子缺陷检测模型。首先,利用改进的VGG卷积神经网络实现了主干特征提取。其次,在加强特征提取网络和预测网络中引入深度可分离卷积,降低了模型的复杂度。再次,在加强特征提取网络中融合通道注意力机制对重要特征进行增强,提升了模型对绝缘子缺陷的目标辨识能力。最后,以平均精度、帧率、参数量等作为评价指标,对基于公共数据集CPLID构建的新数据集进行了消融实验和对比实验。实验结果表明,改进的YOLO v4模型对绝缘子缺陷的检测精度为98.35%,相比于传统的YOLO v4模型提高了6.4%,并且其检测速度和参数量分别为传统YOLO v4模型的1.5倍和37.5%,可实现对航拍绝缘子缺陷图像的高精度实时有效检测。同时,改进的模型相比YOLO v5-M和Faster R-CNN模型在检测精度,速度和模型复杂度上也更具优势。

基于改进YOLO v4的煤矸石识别检测技术研究

为提高煤矸石分拣的精度和可靠性,提出了一种基于改进YOLO v4的煤矸石识别网络,引入了Focal损失函数,使用K-means++聚类算法优化初始锚定框,将PANet中的五次卷积操作替换为CSP结构,同时引入空洞卷积的金字塔结构,降低模型参数,实现模型的轻量化,增加了一条跨连接边构成BiFPN结构,提高对中等目标的检测能力,得到My-YOLO v4目标检测模型。本研究对所提出的My-YOLO v4识别检测方法与SSD、YOLO v3、YOLO v4三种检测方法进行实验对比分析。实验结果表明,该检测算法在测试集上检测煤与煤矸石混合的mAP值为98.14%,FPS为28.3 f/s,相较于SSD、YOLO v3检测算法识别精度分别提高了5.41%、2.87%,相较于YOLO v4目标检测模型识别速度提高了7.7 f/s,通过对比分析实验数据验证了My-YOLO v4目标检测模型整体性能的有效提高。

基于改进YOLO v4的笼养蛋鸭行为实时识别方法

蛋鸭行为模式是判断笼养鸭养殖过程中健康状况及福利状态的重要指标,为了通过机器视觉实现识别蛋鸭多行为模式,提出了一种基于改进YOLO v4(You only look once)的目标检测算法,不同的行为模式为蛋鸭的养殖管理方案提供依据。本文算法通过更换主干特征提取网络MobileNetV2,利用深度可分离卷积模块,在提升检测精度的同时降低模型参数量,有效提升检测速度。在预测输出部分引入无参数的注意力机制SimAM模块,进一步提升模型检测精度。通过使用本文算法对笼养蛋鸭行为验证集进行了检测,优化后模型平均精度均值达到96.97%,图像处理帧率为49.28 f/s,相比于原始网络模型,平均精度均值及处理速度分别提升5.03%和88.24%。与常用目标检测网络进行效果对比,改进YOLO v4网络相较于Faster R-CNN、YOLO v5、YOLOX的检测平均精度均值分别提升12.07%、30.6%及2.43%。将本文提出的改进YOLO v4网络进行试验研究,试验结果表明本文算法可以准确地对不同时段的笼养蛋鸭行为进行记录,根据蛋鸭表现出的不同行为模式来帮助识别蛋鸭的异常情况,如部分行为发生异常时长或在异常时段发生等,从而为蛋鸭的养殖管理提供有价值的指导,为实现鸭舍自动化、智能化管理提供技术支持。

基于MobileNet-YOLO V4模型的无人机影像目标快速检测

无人机影像背景复杂、目标小且密集排列,基于深度学习的目标检测方法可以提高目标检测的准确率,但普遍存在模型参数量较多、检测速度较慢等问题。从3个方面对YOLO V4模型进行改进形成MobileNet-YOLO V4模型,提高目标检测速度。首先,使用多种数据增强方法,提高模型的学习能力;其次,改进了网络结构,使用MobileNet V3网络替换YOLO V4的主干特征提取网络,减少了模型的复杂度与计算量,提高了模型的泛化能力;最后,使用CIoU作为损失函数,增强目标检测效果。实验验证,相比原始的YOLO V4模型,MobileNet-YOLO V4模型的目标检测mAP和F1值分别下降了2.2%和0.4%,但速度却提高了近1倍,该模型可为无人机影像目标快速检测提供技术参考。

基于改进AI-YOLO v4算法的施工现场安全预警技术研究

采用AI技术对施工现场实施安全监控,可降低人力成本和工作强度,YOLO v4是AI算法中YOLO算法的第4个版本,在目标检测中具有广泛的应用,但应用于复杂环境下存在目标漏检或重复检测的问题。为解决该问题,对YOLO v4进行改进,在YOLO v4的特定层插入注意力模块,考虑真实标定框与预测候选框的中心点距离提出新的回归损失函数,并运用多候选框训练学习策略。将改进的AI算法应用于安全帽数据集SHWD中,试验结果表明,所提出的改进YOLO v4模型对施工现场工人佩戴安全帽情况具有更高效、更精准的检测性能。

一种基于YOLO v4和DeepSort的施工作业人员安全装备检测方法

为了快速有效地识别施工人员是否完整且正确地佩戴安全装备,本文提出了一种基于YOLO v4算法和DeepSort算法的个人安全防护装备检测方法。首先,提出了一种基于统计的数据增强方法对获取的图像数据进行扩展,使训练模型具有更高的稳健性;其次,结合YOLO v4算法和DeepSort算法对人体和安全防护装备进行检测、跟踪;然后,分析人体框与安全防护装备框的IoU值和相对位置,判断每个工作人员是否完整且正确地佩戴安全装备;最后,显示未佩戴或佩戴错误的装备信息并进行报警。实验结果表明,本文中提出的方法平均检测精度较高,可满足工业应用的精确度要求,能够实现智能化、数字化的实时监控。

基于融合坐标信息的改进YOLO V4模型识别奶牛面部

为实现奶牛个体的准确识别,基于YOLO V4目标检测网络,提出了一种融合坐标信息的奶牛面部识别模型。首先,采集71头奶牛面部图像数据集,并通过数据增强扩充提高模型的泛化性能。其次,在YOLO V4网络的特征提取层和检测头部分分别引入坐标注意力机制和包含坐标通道的坐标卷积模块,以增强模型对目标位置的敏感性,提高识别精度。试验结果表明,改进的YOLO V4模型能够有效提取奶牛个体面部特征,平均精度均值为93.68%,平均帧率为18帧/s,虽然检测速度低于无锚框的CenterNet,但平均精度均值提高了10.92%;与Faster R-CNN和SSD模型相比,在检测速度提高的同时,精度分别提高了1.51和16.32个百分点;与原始YOLO V4相比,mAP提高0.89%,同时检测速度基本不变。该研究为奶牛精准养殖中的牛脸图像识别提供了一种有效的技术支持。