基于ZYNQ的Yolo v3-SPP实时目标检测系统

基于卷积神经网络的目标检测算法发展迅速,随着计算复杂度增加,对设备的性能及功耗要求越来越高。为了使目标检测算法能够部署在嵌入式设备上,本文采用软硬件协同设计方法,使用FPGA对算法进行硬件加速,提出了ZYNQ平台下的Yolo v3-SPP目标检测系统。本文将该系统部署在XCZU15EG芯片上,并对系统所需的功耗、硬件资源及性能进行了分析。首先对要部署的网络模型进行优化,并在Pascal VOC 2007数据集上进行训练,最后使用Vitis AI工具对训练后的模型进行量化、编译,使其适用于ZYNQ端的部署。为了选取最佳的配置方案,探究了各配置对硬件资源及系统性能的影响,从系统功耗(W)、检测速度(FPS)、各类别平均精度的平均值(mAP)、输出误差等方面对系统进行了分析。结果表明:在300 M时钟频率下,输入图片大小为(416,416)时,针对Yolo V3-SPP和Yolo V3-Tiny网络结构,检测速度分别为38.44 FPS和177FPS,mAP分别为80.35%和68.55%,片上芯片功耗为21.583 W,整板功耗23.02 W。满足嵌入式设备部署神经网络模型的低功耗、实时性、高检测精度等要求。

基于改进YOLO v3的轴承端面缺陷检测算法

为提高轴承端面缺陷检测的速度以及检测精度,提出一种基于改进YOLO v3的轴承端面缺陷检测算法。首先,对图像数据集进行数据增强处理以防止产生过拟合现象;其次,通过改进K-means聚类算法重新聚类出目标检测的Anchor Boxes,并引入SKNet注意力机制模块对原网络结构以及输出层结构进行改进;最后对改进的YOLO v3算法进行实验验证,并与原YOLO v3算法进行对比分析。结果表明,改进后的YOLO v3算法相比原YOLO v3算法对轴承端面缺陷检测的mAP值提升了7.03%,检测速度提升了34.7帧/s,验证了改进算法的有效性。

基于改进YOLO v3模型的多类交通标识检测

为了提高城市真实交通场景中的交通标志、交通信号灯及停止线检测精度,提出一种基于YOLO v3的多类交通标识检测模型——T-YOLO.该模型在YOLO v3目标检测模型的基础上,采用了四种尺度特征进行检测,设计了更贴合待测交通标识的先验框,提升了模型对多类交通标识等小目标检测性能.采集13000张城市交通场景图像并进行标注,制作成多类交通标志数据集.实验结果表明,该模型在TT100K交通标志数据集、在LaRA交通信号灯数据集均取得较好结果.同时,在自制SUTDB数据集上交通标志、交通信号灯、停止线检测精度分别为0.90、0.99、0.80.文中提出的T-YOLO模型检测实现了多类交通标识,并且检测精度高,具有一定工程实用价值.

基于YOLO v3的卷烟用瓦楞纸箱表面缺陷检测方法

提出了一种基于YOLO v3的检测算法,并建立了卷烟用瓦楞纸箱循环利用性能评价体系。对比了Faster RCNN与YOLO v3深度神经网络目标检测算法对采集的典型卷烟用瓦楞纸箱表面缺陷的识别结果。基于OpenCV库、Canny算法,开发了适用于测量卷烟用瓦楞纸箱表面缺陷尺寸及其分布位置的合理方案。结果表明,该算法的平均准确率达92.23%,可成功实现缺陷位置、尺寸的检测。

基于YOLO v3深度学习算法的道路裂缝识别模型研究

针对道路裂缝检测识别需人工参与、传统算法识别不准确等问题,提出一种基于YOLO v3深度学习算法的道路裂缝识别方法。首先将数据集图片缩放成416×416,然后利用Labelme对数据进行裂缝标注并对边界框位置信息进行转换,最后利用YOLO v3算法框架进行模型训练。结果表明:YOLO v3算法的精确率、召回率、F1分数都大于95%,图片检测速度达到0.1231 s/张。YOLO v3深度学习算法在精度和速度上都满足了道路裂缝实时检测的要求。

基于改进轻量化YOLO v5n的番茄叶片病害识别方法

针对现有番茄叶片病害识别存在背景复杂、识别准确率低、模型参数量大、计算量大以及难以部署至移动设备或嵌入式设备等问题,提出一种改进的轻量化YOLO v5n的番茄叶片病害识别方法。首先收集细菌性斑疹病、早疫病、晚疫病、叶霉病、斑枯病、褐斑病等6种常见番茄叶片病害图像以及番茄健康叶片图像,对图像进行镜像翻转、高斯模糊等数据增强方式增加样本多样性,提升模型识别和泛化能力。接着在YOLO v5n网络基础上,选择采用轻量化的C3Ghost模块替换C3模块以压缩卷积过程中的计算量、模型权重和大小,同时在颈部网络中融合轻量级卷积技术GSConv和VOV-GSCSP模块,在增强特征提取能力的同时降低模型参数量。最后引入PAGCP算法对改进后的模型进行全局通道剪枝压缩参数量并减少训练开销。试验结果表明,改进后的YOLO v5n平均精度均值达到99.0%,参数量减少66.67%,计算量降低了2.6 G,模型权重压缩了2.23 MB。本研究提出的番茄叶片病害识别方法在降低了模型大小、参数量、计算量的同时仍保持较高的识别精度,为移动设备上实现番茄叶片病害识别提供技术参考。

基于改进YOLO v3算法的空中红外目标检测

为进一步提升空中作战条件下目标检测的性能,本文通过优化YOLO v3,提出了一种基于空中红外目标的检测算法EN-YOLO v3。该算法使用轻量的EfficientNet骨干网络作为YOLO v3的主干特征提取网络,使模型参数大幅减少,降低模型的训练时间;同时选用CIoU作为模型的损失函数,优化模型损失计算方法,提升模型的检测精度。结果表明,优化后的EN-YOLO v3目标检测算法与原YOLO v3相比模型尺寸减少了50.03%,精准度提升了1.17%,能够有效提升红外场景下空中目标的检测效果。

基于改进的ViBe和YOLO v3算法的行人检测方法

针对传统视觉背景提取(visual background extractor,ViBe)算法在进行行人检测时会产生鬼影的缺点,本文提出了一种基于改进的ViBe和YOLO v3算法的行人检测方法。利用改进的YOLO v3算法YOLO v3-SPP(spatial pyramid pooling)对ViBe算法的初始化策略进行改进以消除鬼影。运用YOLO v3-SPP算法对首帧图像进行行人检测,使用本文提出的行人消除方法将检测出的行人进行消除,并将输出图像代替ViBe算法的首帧,从而达到消除鬼影的目的。经过分析和实验验证,结果表明该算法能够有效解决鬼影问题。

基于改进YOLO v3的红掌佛焰与病虫害特征检测研究

针对红掌人工分级效率低下且易对红掌植株造成损伤的问题,提出改进YOLO v3网络模型来实现对红掌佛焰与病虫害特征的提取与检测,实现红掌准确分级。将YOLO v3特征金字塔网络替换双向特征金字塔-3网络,提升模型的感受野。添加通道注意力模块,强化有效特征并减少噪声。使用解耦合检测头代替耦合检测头,提升模型的精度与泛化能力。实验结果表明,相比于YOLO v3、CSP-YOLO v3、Mask-RCNN等目标检测模型,在不明显降低检测速度的前提下,改进YOLO v3模型对红掌佛焰与病虫害特征检测具有更高的精确率和召回率,能适用大批量红掌分级鉴定,满足实际生产需求。

融合YOLO v3与改进ReXNet的手势识别方法研究

工程应用中的手势识别需要较高的实时性和准确性,而现场环境通常无法提供足够的计算能力,采用轻量化神经网络在解决了上述问题的同时,还能达到与深度神经网络相当的识别效果;为此,提出一种基于改进轻量化神经网络的手势识别方法;该方法改进用于手部关键点检测的ReXNet网络结构,以改善骨骼点的局部关注;同时将关键点检测损失函数MSE替换为Huber loss,以提升离群点的抗干扰性;实验环境搭建基于普通单目镜头捕获图像后,经YOLO v3手部识别模型和改进的ReXNet关键点检测模型,并根据约束手部骨骼关键点的向量角而定义的不同手势,最后达到实时检测的效果;改进模型在RWTH公开数据集上的测试结果表明,改进后的手势识别方法的检测准确度较改进前整体提升2.62%,达到了96.18%,且收敛速度更快。

一种改进的tiny YOLO v3煤矸石快速识别模型

传统的煤矸石分选方法效率低下、安全隐患较大、应用范围受限,现有的基于机器视觉的煤矸石图像识别方法在模型识别速度与精度上难以平衡,未综合考虑输入图像尺寸不一、重要通道权重较低及卷积参数量大对模型精度的影响。针对上述问题,在tiny YOLO v3模型的基础上,提出了一种改进的tiny YOLO v3煤矸石快速识别模型。首先,在tiny YOLO v3模型引入多卷积核组合池化的特征金字塔池化(SPP)网络,确保输入特征图可被处理为固定尺寸再输出;其次,引入RGB通道权重可调节的压缩激励(SE)模块,用于增强前几层特征图各通道之间的联系,强调感兴趣通道的特征值和不同目标特征之间的差异性,确保关键信息的捕捉和网络灵敏度;最后,引入包含0权值点的空洞卷积替代tiny YOLO v3模型中部分卷积层,在不增加模型参数的前提下,可捕获多尺度上下文信息进而扩大感受野,提高模型计算速度。将该模型分别与tiny YOLO v3模型、Faster RCNN模型、YOLO v5系列模型进行对比,结果表明:(1)与tiny YOLO v3相比,改进的tiny YOLO v3煤矸石快速识别模型的识别准确性和快速性都有显著提升。(2)与Faster RCNN相比,改进的tiny YOLO v3煤矸石快速识别模型训练时间减少了65.72%,识别精度增幅为11.83%,识别召回率增幅为0.5%,模型平均精度均值(m AP)增幅为3.02%。(3)与YOLO系列模型相比,改进的tiny YOLO v3煤矸石快速识别模型在保持识别精度优势的情况下识别速度有大幅增长。消融实验结果表明:改进的tiny YOLO v3煤矸石快速识别模型的识别准确率为99.4%,较加入SPP网络的tiny YOLO v3模型的识别准确率提高了4.9%;测试每张图片耗时12.5 ms,较加入SPP网络的tiny YOLO v3模型耗时减少了1 ms。

基于改进YOLO v5的轻量级果园苹果检测算法

为了解决苹果采摘机器人识别算法中涉及到的复杂网络架构及大量参数占用内存巨大、计算需求庞大所导致的检测模型反应缓慢等问题,提出一种改进YOLO v5模型的轻量级果园苹果检测算法。首先,使用带有SE注意力机制的DepthSepConv模块和改进的Fast-C3模块对YOLO v5的Backbone网络部分进行重组,保持较高的精确率的同时减小模型体积;其次,用改进的Fast-C3模块替换整个Neck部分的C3模块,提高模型的准确率;替换颈部网络的普通卷积为Ghostconv,进一步降低模型的参数量与体积;最后,引入SIoU损失函数,使回归精确率和收敛速度得到提高。试验结果表明,该模型对苹果检测mAP为94.0%、模型计算量为8.4G FLOPs、体积仅为7.3 M。对比YOLO v5原模型,在mAP提高0.3百分点的情况下,计算量降低46.84%,模型体积缩减49.31%。于嵌入式平台上进行应用测试,实时检测速率达到了18.76帧/s,约为原模型检测速率的1.5倍。因此,优化后的YOLO v5轻型模型不仅提升了识别准确性,并明显减少了计算负载量与模型大小,使得它能在嵌入式设备上快速有效地捕捉并分析复杂果园场景下的苹果信息。

基于改进YOLO V3的PID目标检测

为提高工程设计行业人员对PID(process&instrumentation drawing)仪表的统计效率,该文提出一种识别PID的目标检测方法。在YOLO V3网络结构的基础上,进一步融合浅层与深层网络,增加一个针对小目标检测尺度;采用切片原理与随机生成技术进行数据增强,形成自建数据集PID-data;通过增加一个阈值,对软化的非极大值抑制Soft-NMS(soft non-maximum suppression)算法进行改进。实验结果显示,类别平均精准度等性能指标有明显提升,表明改进后的算法优化了YOLO V3网络结构模型,达到了短时间内识别大量PID中仪表的目的。

基于改进的YOLO V3框架的口罩检测

戴口罩是阻断疫情传播的手段之一,这使得人脸口罩检测系统成为当下人工智能研究的热点之一.然而,不均匀的环境条件如物体遮挡、光照变化等因素,使口罩检测非常具有挑战性.为解决这些问题,本文采用了一种改进的YOLO V3模型即YOLO-口罩模型来检测复杂环境条件下的人脸.通过LWYS方法的应用、密集的建筑整合、空间金字塔池化和Mish函数激活来改进YOLO V3模型,使改进后的模型AP为99.6%,比YOLO V3提升1.7%,检测时间为52.1 ms.

Darknet深度学习框架下基于YOLO v3的病虫害识别和农药喷洒系统

本文开发了一个智能检测农田病虫害及喷洒农药系统,该系统利用Darknet深度学习框架下的YOLO v3技术,通过摄像模块拍摄农田照片,对图片中的病虫害进行识别和分类;同时,确定病虫害种类并给出病虫害防护建议;该系统可对区域内所有的检测设备进行操作,如查看设备信息、查看实时农作物健康状况、喷洒药物等,相对于传统病虫害治理手段,采用了更加精准的方式进行防治。该系统对于实现病虫害防治全托管模式更进一步,操作简单、可用性强,是中小型和大型农田的得力帮手。

基于改进YOLO-v3的无人机遥感图像农村地物分类

随着新农村的建设,农业用地的规划和利用也变得至关重要。针对传统地物分类方法效率低、自动化程度不高等问题,提出基于YOLO-v3改进模型的农村地物检测分类方法。该方法在YOLO-v3的Res4结构的基础上添加SPP层,有效地提升了模型对多尺寸目标的适应能力,在一定程度上提高了模型的泛化能力。同时,在FPN层添加PAN结构,增加了定位信息的语义特征,对于模型的检测精度提升明显。实验结果表明,提出的改进YOLO-v3模型在Air数据集的mAP达到了0.726,相较YOLO-v3模型,在精度、检测效率和模型的泛化能力上都有所提升。

基于YOLO v3深度学习算法的视觉导航技术研究与实践

针对传统的目标检测算法实时性低的问题,利用深度学习YOLO v3算法进行视觉识别研究,并将基于YOLO v3算法的视觉识别程序应用于视觉导航小车,实现小车对路标的实时识别和自主导航。在深入理解YOLO v3算法原理和框架的基础上,提出基于YOLO v3算法的视觉导航小车自动驾驶程序框架。通过在视觉导航小车的控制系统中嵌入python语言编写的YOLO v3算法,实现小车在沙盘上进行路标识别和自动驾驶。实际运行效果表明,训练阶段,YOLO v3算法视觉识别对路标的平均识别率达到了93.5%,小车在沙盘上运行过程中对路标的平均识别率达到了99.5%。基于YOLO v3算法的视觉识别表现出较高的路标识别率,可以满足小车自主导航的需要。

基于YOLO V3算法改进的月表砾石检测优化方法

月球表面溅射物中的砾石检测可用于实现自主着陆、航天器和月球车自动避障等任务。针对与月表背景差异不明显的砾石检测问题,提出一种检测方法,该方法基于改进后的YOLO V3模型对美国月球侦察轨道器(Lunar Reconnaissance Orbiter,LRO)窄角相机(Narrow Angle Camera,NAC)高分辨率月球遥感影像进行训练和测试。实验对比了原始YOLO V3和改进后的YOLO V3方法的检测效果。结果表明,改进后的YOLO V3模型较原始模型的准确率提高了10.5%,召回率提升22.8%,检测速度提升1.69倍,在数据集中的漏检和误检现象也轻于原始YOLO V3网络。

改进YOLO v3的安全帽佩戴检测方法

在生产和作业场地中,工人由于不佩戴安全帽而引发的安全事故时有发生。为了降低由于未佩戴安全帽而引发的安全事故发生率,提出了一种基于改进YOLO v3算法的安全帽佩戴检测方法。通过采用图像金字塔结构获取不同尺度的特征图,用于位置和类别预测;使用施工现场出入口监控视频作为数据集进行目标框维度聚类,确定目标框参数;在训练迭代过程中改变输入图像的尺寸,增加模型对尺度的适应性。理论分析和实验结果表明,在安全帽佩戴检测任务中,mAP(Mean Average Precision)达到了92.13%,检测速率提高到62 f/s,其检测准确率与检测速率相较于YOLO v3均略有提高,所提算法不仅满足安全帽佩戴检测中检测任务的实时性,同时具有较高的检测准确率。

基于改进YOLO v3网络的夜间环境柑橘识别方法

为研究夜间环境下采摘机器人的视觉检测技术,实现采摘机器人的夜间作业,提出了一种多尺度卷积神经网络Des-YOLO v3算法,可实现夜间复杂环境下成熟柑橘的识别与检测。借鉴残差网络和密集连接网络,设计了Des-YOLO v3网络结构,实现了网络多层特征的复用和融合,加强了小目标和重叠遮挡果实识别的鲁棒性,显著提高了果实检测精度。柑橘识别试验结果表明,Des-YOLO v3网络的精确率达97.67%、召回率为97.46%、F1值为0.976,分别比YOLO v3网络高6.26个百分点、6.36个百分点和0.063。同时,经过训练的模型在测试集下的平均精度(m AP)为90.75%、检测速度达53 f/s,高于YOLO v3_DarkNet53网络的平均精度88.48%,m AP比YOLO v3_Dark Net53网络提高了2.27个百分点,检测速度比YOLO v3_DarkNet53网络提高了11 f/s。研究结果表明,本文提出的Des-YOLO v3网络对野外夜间复杂环境下成熟柑橘的识别具有更强的鲁棒性和更高的检测精度,为柑橘采摘机器人的视觉识别提供了技术支持。