基于改进YOLO算法的无人机图像草原火灾检测研究

草原火灾一旦发生,受风力、地势等因素的影响迅速向四周无规则蔓延,形成面积不断扩大的条状燃烧带。为了提高草原火灾检测效率,结合无人机拍摄草原火灾的图像特征,研究基于改进YOLO算法的草原火灾检测方法。首先,针对火灾区域狭长、火灾区域占比小的特点,对YOLO算法的Neck部分进行优化,提出一种具有全链接结构的特征提取网络FC-FP Neck,使语义特征和定位特征充分融合,提高网络的特征提取能力;其次,结合阈值分割技术提出一种改进的自适应加权损失函数,提升模型的收敛速度,同时解决火灾检测敏感度不足,容易造成误检的问题。在公开小目标检测数据集AI-TOD上测试改进算法的可行性,平均准确率提高了7.28%,平均精度提高了12.46%;在自建草原火灾数据集上平均精度达到了90.24%,平均准确率达到了87.33%。实验表明改进后的算法提高了草原火灾检测效率。

YOLO算法及其在自动驾驶场景中目标检测综述

自动驾驶场景下的目标检测是计算机视觉中重要研究方向之一,确保自动驾驶汽车对物体进行实时准确的目标检测是研究重点。近年来,深度学习技术迅速发展并被广泛应用于自动驾驶领域中,极大促进了自动驾驶领域的进步。为此,针对YOLO(You Only Look Once)算法在自动驾驶领域中的目标检测研究现状,从以下4个方面分析。首先,总结单阶段YOLO系列检测算法思想及其改进方法,分析YOLO系列算法的优缺点;其次,论述YOLO算法在自动驾驶场景下目标检测中的应用,从交通车辆、行人和交通信号识别这3个方面分别阐述和总结研究现状及应用情况;此外,总结目标检测中常用的评价指标、目标检测数据集和自动驾驶场景数据集;最后,展望目标检测存在的问题和未来发展方向。

基于YOLO算法的农作物病虫害识别研究综述

农作物病虫害是农业生产管理的关键,为及时防控病虫害,人们通过各种技术手段识别和监测病虫害。本文通过介绍目标检测算法YOLO (You Only Look Once)的发展历程及其在农作物病虫害识别中的应用,着重分析了YOLO算法在提高农作物病虫害识别准确度和缩短识别时间的优势,以期为农业生产提供科学指导。

基于YOLO算法的船员行为识别

为解决船舶运营过程中对船员行为的监管不到位导致安全事故频发的问题,开展基于YOLO算法的船员行为识别研究。概述YOLO算法的原理和特点,结合船员行为识别需求对该算法进行优化,并将其应用于船员行为识别应用系统中,解决类别失衡问题,实现识别速度与识别准确率的平衡。实船应用结果表明,该基于YOLO算法的船员行为识别系统能有效实现对船员在岗状态、船舶警戒区入侵和异常行为的自动识别、预警。

基于YOLO算法的海上钻井平台人员定位算法研究

针对海上钻井平台等环境中人员定位的需求,本论文旨在提供一种简化和高效的定位方法,仅利用摄像头配合YOLO目标检测算法进行定位。相较于传统的定位方法,本研究的方法具有成本低、不依赖特定硬件等优势,有望为该领域的定位问题提供一种新的解决方案。

基于改进YOLO算法的动物源性食品检测方法

由于动物源性食品图像的特征分布不规则,导致对其检测结果的可靠性难以得到保障,为此提出了一种基于改进YOLO算法的动物源性食品检测方法。通过YOLO V3的主干特征提取网络Darknet-53,分别对动物源性食品图像中存在的可见光和红外光进行特征提取,结合二者对应模态特征的最佳权重参数,进行特征加权融合,计算融合后特征的目标框位置损失、目标置信度损失以及类别损失,确定最终的分类。测试结果表明,设计方法对动物源性食品图像的识别结果稳定,且错误识别数量始终保持在较低水平,不受测试数据集构成的影响。

基于小目标检测的YOLO算法研究综述

小目标检测是目标检测中的一个难点,小目标检测需要识别图片中像素少,分辨率、特征信息少的目标的位置和种类,目前应用成熟的中、大目标检测使用的算法在检测小目标时效果不理想。所以,提高小目标检测的能力是当前目标检测领域的难题,也是重要的研究方向。本文先对小目标检测的定义和YOLO算法的发展优化进行介绍,介绍分析YOLO算法在实际场景应用对小目标检测的应用优化,并对优化方案进行汇总概括,最后对未来YOLO算法在小目标识别中的发展趋势进行预测。

基于YOLO算法的血管介入导丝检测

目的为医生介入手术训练时提供更加直观的位置参考信息,设计了一种快速检测导丝位置的方法。方法以YOLO算法为基本框架,将视频帧中的导丝头端建模为单一检测目标,通过优化网格划分尺度来实现准确的导丝实时检测。本研究基于体外介入模拟操作平台共采集50个视频序列,从40个视频中随机收集8000张独立帧作为训练样本,基于10个完整视频序列收集的1960张独立帧进行算法测试,以预测框与真实框交并比为检测精度评价指标,并进一步分析非YOLO和YOLO方法在4个不同主动脉解剖区域的检测鲁棒性。结果在12×20网格尺度和交并比大于0.5为预测准确的条件下,YOLO算法的导丝检测的准确率达到了0.9954,检测帧率为333 fps。由于血管遮挡的干扰,非YOLO和YOLO方法在腹主动脉区域检测精度有所下降,但基于YOLO的检测方法能够有效降低血管遮挡的影响。结论基于YOLO算法能够实现更加精准的导丝检测,且在不同主动脉区域均表现出具有良好的鲁棒性,能够为医生介入手术训练过程提供实时有效的视觉辅助。

基于YOLO算法的自动驾驶汽车检测研究综述

目标检测是自动驾驶汽车环境感知的重要内容。YOLO系列算法在检测性能领域表现突出,对目标检测的研究有重要意义。YOLO算法能够实时监测自动驾驶车辆中的目标,包括车辆、行人、交通标志、灯光和车道线等。同时,自动驾驶汽车的发展对于提高交通安全、节能减排以及减少交通事故有着重要意义。在自动驾驶中,目标检测是一项基础且关键的技术,需要实时准确地检测和识别道路上的各类目标。本文首先介绍了目标检测中常用的评价指标;其次,总结了单阶段和双阶段目标检测算法的思想及其优缺点;综述了单阶段目标检测算法-YOLO算法在自动驾驶汽车检测领域的应用,从交通标志、交通灯、行人识别和交通车辆四个方面分开阐述和总结研究现状以及应用情况;最后展望了现阶段目标检测存在的问题和未来发展方向,以及YOLO算法可以在自动驾驶汽车检测方面做出哪些更具有挑战性的研究。

基于YOLO算法的无人超市商品图像识别研究

商品识别是无人超市管理的重要环节之一。为提升商品识别速度与精度,本文提出了一种基于YOLOv5模型的改进方法。首先,拍摄不同种类的商品并采用数据增强方式丰富样本数据集;其次,在算法中添加注意力机制来解决特征提取时无注意力偏好问题,从而提升检测准确度;最后,通过在骨干段中将普通卷积网络替换成Ghost卷积网络,降低网络参数带来的计算负担,进而提高目标识别速度。实验结果表明,在相同训练条件下,相比原始YOLOv5网络,改进YOLOv5网络的识别准确率达到91.1%,比原模型提升了2.8%;mAP@0.5达到了99.1%,比原模型提升了6.7%;识别速度达到了42.3 FPS,提升了2.5 FPS。

面向YOLO算法的城市监控布点优化设计

为了推动城市人机融合治理智慧化发展,本文研究并设计了基于YOLO算法的城市监控布点协同优化方案,从关键地点重点化、监控区域网格化、资源协同智慧化三个方面,优化传统监控布点模式和提高视频监控系统建设质量。实验结果表明,与传统监控布点模式相比,本文所设计的方案在检测识别车辆违停、垃圾乱扔等问题方面更加准确和全面,能够更加有效地加强社会治安防控体系建设。

YOLO算法在安检异常图像中的研究

在人口密集场所中,安检是保证公共安全的重要手段。针对人工安检在遇到客流高峰或突发情况时,安检的效率和准确率易受到影响且存在安全隐患的问题,基于YOLO算法,提出了一种改进的Dense-YOLO目标检测算法。通过借鉴稠密网络中特征融合方式改进网络结构;采用改进的K-means算法对自制异常图像数据集进行目标框维度聚类;将卷积层中的卷积和批量归一化进行整合,提升计算效率;采用多尺度训练方式,增强模型对不同尺寸的鲁棒性。实验结果表明,利用改进后的Dense-YOLO算法提升了对小目标的检测,针对安检中可疑物进行检测,mAP达到了91.68%,检测速度提高到59 f/s。改进后的算法有效提升了安检的效率和准确率,一定程度上消除安全隐患。

基于YOLO算法的多类目标识别

针对传统目标识别方法需要人工设计特征工程,费时费力,泛化性能差的缺点,以YOLO算法和tiny-yolo模型为基础,在tiny-yolo的基础上增加了3×3卷积层和NIN(Network in Net Work)卷积层,设计了一个包含15个卷积层的神经网络模型m-yolo。在voc2007和voc2012数据集上的实验结果表明,m-yolo模型提高了识别的准确性和定位的精确性,并且保证了在识别速度上与tiny-yolo基本保持一致,平均识别时间仅上升了0. 6 ms。

基于YOLO算法的手势识别

研究YOLO算法在手势识别中的应用,提升在近肤色和光线明暗不一的背景下检测的速度和精度.YOLO算法是端到端的检测方法,通过卷积神经网络自动提取目标的特征,可以大幅度提高运算速度.鉴于YOLO算法在目标检测任务中的优良表现,将YOLO算法应用到手势识别问题中.通过对YOLO系列算法的研究对比表明,YOLO算法在手势识别中具有良好表现.同时,在YOLOv3算法的快速版本YOLOv3-tiny的基础上提出了YOLOv3-tiny-T算法.YOLOv3-tiny-T在包含5种手势的UST数据集上,平均精度均值为92.24%,较YOLOv3-tiny获得了5%左右的提升.

基于YOLO算法的集装箱扭锁目标检测方法

为解决现有港口集装箱装卸场景下的扭锁自动化装拆的难点,文中提出基于深度学习的目标检测方法,以扭锁本体为目标检测对象,实现该场景下对扭锁目标的视觉识别。应用了包含扭锁本体和2种开关在内的3种类型对象的VOC训练样本数据集和深度学习模型,并针对在模型开发和训练过程中遇到的识别错误率高等问题,基于迁移学习思想改进了全参数训练的方法,提高了收敛稳定性和预测准确性。对于模型场景实验中的识别错误,通过添加逻辑特征减少识别错误率,并基于图像分割方法实现了检测结果的二次处理。

基于YOLO算法的不同品种枣自然环境下成熟度识别

实现果园机械化智能采摘是解决农村劳动力不足、降低果实采摘成本的重要途径,对果园中果实的准确识别是其关键技术。以枣为研究对象,建立最适合多品种、实用性强的枣果实成熟度识别模型,将YOLO算法引入到枣果实在自然环境下的成熟度识别中,将枣果实分为成熟果实、未熟果实和完熟果实、半红果实、未熟果实两种标注方式,建立YOLO V3、YOLO V4、YOLO V4-Tiny和Mobilenet-YOLO V4-Lite四种识别模型。研究表明YOLO算法中YOLO V3与YOLO V4-Tiny两个模型均可适用于两种标注方式,验证集mAP约为94%,证明YOLO算法能够对枣果实进行有效的成熟度识别。

基于改进YOLO算法的肺部CT图像中结节检测研究

目的随着机器学习的发展,如何准确高效地识别肺部CT图像中的肺结节具有重要的应用价值。方法针对肺部结构复杂、肺部结节过小、肺结节病理特征各异等特点,提出一个以YOLO算法为基础,结合Darknet-53网络和Densenet网络的思想,在多尺度间具有紧密连接的深度卷积神经网络。为保证图像有效信息和提高目标定位的精确性以及检测的召回率,首先对数据集图像尺寸大小进行固定,其次通过K-means算法对数据集进行聚类分析,最后使用二元交叉熵做类别预测。实验使用美国癌症研究所公开的肺部图像数据集联盟(Lung Image Database Consortium,LIDC)提供的数据集,对肺结节检测的准确率以及检测效率进行了实验对比。结果改进的深度卷积神经网络对肺结节检测的准确率及检测效率均有提升。在肺部CT图像中肺结节检测的平均查全率达到95.69%,对微小结节的平均查全率达到88.66%,每秒识别帧数达到32 f/s,相比当前最快的Faster R-CNN检测时间缩短了近80%。结论通过对YOLO算法的改进可以提高肺结节检测效率,为肺部CT图像肺结节实时检测提供了条件。

基于YOLO算法的车辆实时检测研究

随着科学技术的不断发展,人工智能已经融入航空、汽车、航海等领域,人们对智能交通的迫切需求已经成为当今社会迅速发展的趋势。近年来在自动驾驶领域中针对传统的图像识别分类问题,目标检测更符合对行人和车辆实时检测的现实需求。与传统的识别不同,YOLO(You Look Only Once)是一个将目标检测作为回归问题的识别算法,它具有检测速度快、全局性好、泛化性强等特点。本文研究了YOLO算法的实现,并基于Opencv计算机视觉库在Visual Studio开发环境中进行了YOLO算法测试,实验结果表明,车辆识别准确可靠。

基于YOLO算法的鱼群探测监控系统

针对水下鱼群实时检测与管理,基于YOLO的鱼群检测算法以及WCF技术构建了鱼群探测系统。系统分数据采集与控制、深度学习图像处理单元以及软件系统三个模块。首先,系统利用双目高清摄像头采集水下实时视频并进行视频传输;然后,利用YOLO算法对输入的视频图像进行鱼群检测;最后,利用Html与WCF技术对视频检测的结果进行展示与存储。在昆山市淀山湖水下环境中进行鱼群检测,可以实时检测鱼群数量并上传鱼群的截图,然后根据历史数据实现数据可视化显示,为研究该水域鱼群分布以及活动规律提供参考依据。

一种基于YOLO算法的鱼群检测方法

鱼群图像和视频的自动检测,在科学养殖与监管、海洋渔业监测等领域有广泛应用。为了有效提高鱼群检测的精确度,一些学者已经提出了基于深度学习的方法,但是实时高效的检测出鱼群的位置还未得到较好的解决。本文利用计算机视觉与深度学习方法相结合,提出了一种基于YOLO算法的端到端鱼群检测方法,通过提取整张图像的特征,利用卷积运算与非极大值抑制处理后直接估计出该图像内各目标位置信息,处理速度大幅度提升。同时,针对光线较暗的水下场景,算法依然能够实现场景中鱼群的检测定位。在Labeled Fishes in the Wild图像数据集上验证了本算法,可以达到30帧/秒的处理速度,对实时视频中鱼群的检测精度能够达到90%以上。