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。

融合定位算法的YOLO-V4模型实现电力杆塔状态评估

针对电网线路在使用中经常出现断杆、倒杆现象,而现有的技术性检测方式已不能满足要求的问题,给出了一种新的电力杆塔状态评估方法,并建立了改善的YOLO-V4模型,以实现电力杆塔的状态精准定位。CSPDarknet-53模型试验说明,该方法能精准定位电力杆塔故障点,偏差小。

改进YOLO v4模型在鱼类目标检测上的应用研究

鱼类目标检测对渔业精准养殖、生产自动化、资源调查及鱼行为的研究等具有重要的意义。为了能快速准确地得到鱼类目标的位置和所属类别,提出了一种改进YOLO v4模型的鱼类目标检测方法,在CIoU(Complete Intersection over Union)损失函数基础上构建了新的损失项,改进的损失函数使真实框与相交框呈相同宽高比进行回归,同时通过设置多锚点框模式,增强在特定尺寸面积上的检测效果。结果显示:改进YOLO v4模型的mAP(mean Average Precision)比原模型有较大提升,在自建数据集、Fish4Knowledge数据集和NCFM数据集上的mAP分别达到了94.22%、99.52%、92.16%。研究表明,改进YOLO v4模型可以快速准确地检测到鱼的位置和类别,检测速度满足实时的要求,可以为渔业精准养殖等提供参考。

基于改进YOLO-V4网络的浅海生物检测模型

海洋生物智能检测是海洋牧场战略的一部分,而利用水下机器人在复杂的海洋环境中快速、准确地检测海洋生物是关键问题。由于海底环境复杂、亮度分布不均匀、海洋生物与其生存环境的区分性差、生物被遮蔽或半隐蔽等原因,准确识别海洋生物是一个巨大的挑战。随着卷积神经网络的发展,基于深度学习的目标检测算法成为主流,出现了如EfficientDet、RetinaNet和YOLO-V4等典型算法。这些基于深度学习的算法都不是完全尽善尽美的,不能完全满足海洋生物识别的需求。在探测精度、运算速度、密集目标探测效果等方面都有提高的空间。该研究建立了一个海洋生物数据集,采集了原始图片1810张,数据增强后得到7240张图片,它们被分成训练集(80%)和测试集(20%)。其次,通过引入跨阶段局部网络的概念,构建了嵌连接EC(Embedded Connection)部件,并将其嵌入到YOLO-V4网络的末端,得到改进的YOLO-V4网络。最后,该研究提出了基于改进YOLO-V4网络的海洋生物检测模型MOD(Marine Organism Detection)。试验结果表明,MOD模型的mAP50、mAP75(交并比阈值为0.5、0.75的精度均值)分别为0.969和0.734,计算量为35.328BFLOPs(十亿浮点运算数),检测帧速为139 ms(具有图形加速器GeForce GTX1650上)。与原始YOLO-V4模型相比,MOD模型的mAP50和mAP75提高了0.9和4.8个百分点,而计算量仅提高0.2%。此外,对比两种模型的准确率-召回率曲线,MOD模型的精确度与召回率的平衡点更接近(1,1),因此MOD模型能学习精度和效率的平衡性更好。该研究直接面向浅海生物的目标检测问题,所提供的方法可以为水下机器人精准执行智能捕捞等任务提供有益参考。

基于YOLO v4的车辆目标检测算法

针对车辆目标检测中存在遮挡目标导致检测精度低、小目标检测效果差等问题,提出一种基于YOLO v4改进的目标检测算法YOLO v4-ASC。通过在主干提取网络尾部加入卷积块注意力模块,提升网络模型的特征表达能力;改进损失函数提升网络模型的收敛速度,利用Adam+SGDM优化方法替代原始模型优化方法SGDM,进一步提升模型检测性能。此外,利用K-Means聚类算法优化先验框尺寸大小,并合并交通场景数据集中的car、truck、bus类别为vehicle,将本文问题简化为二分类问题。实验结果表明,本文提出的YOLO v4-ASC目标检测算法在保持原算法检测速度的基础上,AP达到了70.05%,F1-score达到了71%,与原YOLO v4算法相比,AP提升了9.92个百分点,F1-score提升了9个百分点。

改进型YOLO-V4模型的电力杆塔状态评估探索

针对电网线路存在倒杆、断杆现象以及现有技术巡检方式落后的问题,提出一种新型的电力杆塔状态评估方法,构建出能够实现电力杆塔位置定位的评估方法,并引入电力杆塔检测的YOLO-V4模型深度学习算法,该算法模型包括53个卷积层,具有大量的3*3、1*1的卷积核,该算法还具有Darknet-53特征提取网络、多尺度融合特征网等,通过评价函数对所应用的YOLO-V4目标检测网络的损失进行检测。试验表明,YOLO-V4模型深度学习算法引入GIoU指标后,相比普通状况平均精度(AP)从97.12%提高到98.94%,准确率(Precision)从94.5%提高至95.6%,召回率(Recall)从97.5%提高至99.2%。

基于Yolo V4的拥挤路段车辆检测

如今在车流量较为大的地方是需要对车辆进行检测监控,但这项任务艰巨,因此时使用智能化的方式去完成任务是较好的选择。YOLO V4算法是在YOLO V3的算法上添加许多ticks同时对backbone也进行了修改、增加了SPP模块增大模型的感受野。YoloV4在精确度和速度上都有所提升,不仅可以在拥挤路段对车辆完成静态识别,同时也可以完成实时检测。

基于知识图谱的变压器匝间短路故障辨识研究

变压器出现的故障数据间的关联性没有被较好地利用,会直接影响变压器匝间短路故障的辨识准确性。为此,提出基于知识图谱的变压器匝间短路故障辨识研究。基于柔性策略采集变压器数据,根据实际运行情况及数据采集目标需求,调整数据采集量及时间间隔。根据采集到的变压器数据,采用本体构建、实体抽取、关系抽取和图谱构建的步骤构建知识图谱。将提取的知识图谱故障样本特征,输入到你只看一次(YOLO)v4检测模型中。通过YOLOv4检测模型与知识图谱结合的检测方法,完成变压器匝间短路故障的自动辨识。试验结果表明:变压器匝间短路故障自动辨识的准确率、召回率和F值均较高,因而辨别及时性高、自动辨别效果好。该研究解决了传统方法中存在的问题,具有重要的现实意义。

基于轻型调控网络的下茧机器视觉实时检测

针对蚕茧加工过程中人工目测下茧效率低的问题,采用机器视觉的检测方法代替人工检测下茧。首先,根据图像采集系统成像的景深为线阵扫描相机选择合适的拍摄距离,并通过采样频率的计算进一步配置图像采集系统的参数;然后,用采集得到的线阵图像合成面阵图像构建下茧检测数据集;最后,以YOLO v4目标检测模型为基础模型设计出下茧实时检测模型(Inferior cocoons net,ICNet)。该模型通过K-means算法对下茧检测数据集聚类分析来预置候选框参数提升模型精度;采用模型深度调控的方法进行模型压缩,以降低模型权重所占储存空间,提升模型速度;设计轻量级卷积模块构建轻量级特征提取网络进一步提升模型的速度。实验结果表明,本文设计的ICNet下茧实时检测模型较原YOLO v4基础模型平均检测精度提升1.87个百分点,达到95.55%,模型权重所占储存空间压缩40.82%,降为145.00 MB,平均检测速度提升91.65%,达到49.37帧/s。

基于深度学习YOLO v4的舍养育肥猪行为识别

为了增加生猪福利,实时检测猪只的健康状况,预防异常现象发生,试验进行了舍养育肥猪行为检测,即使用萤石云摄像头对5头散养的4月龄左右的健康舍养育肥猪进行视频数据采集,针对不同光照强度及猪只行为从视频中截取了2 401张图片,并将图片按照躺卧、站立、进食、坐立和侵略性行为类型进行标注,通过深度学习YOLO v4模型对猪只行为进行了训练、验证、测试和评估。结果表明:训练模型中猪只的躺卧、站立、进食、坐立和侵略性行为的识别精度分别为98.80%、95.05%、89.40%、79.41%、97.30%,平均精度为91.99%;利用该模型进行测试的精度分别为90.70%、90.16%、88.38%、80.75%、96.69%,平均精度则为89.34%;利用该模型可在侵略性行为出现前1~2 s内进行预判。说明基于深度学习YOLO v4的舍养育肥猪行为识别模型有效克服了环境中不同光照强度和噪声的影响,达到了较好的识别效果,并且利用模型可以有效地检测猪只的侵略性行为。