基于改进YOLOv3的水稻叶部病害检测

为了解决水稻小病斑检测不准确的问题,提出一种基于改进YOLOv3的水稻叶部病害检测方法Rice-YOLOv3。首先,采用K-means++聚类算法,计算新的锚框尺寸,使锚框尺寸与数据集相匹配;其次,采用激活函数Mish替换YOLOv3主干网络中的Leaky Relu激活函数,利用该激活函数的平滑特性,提升网络的检测准确率,同时将CSPNet与DarkNet53中的残差模块相结合,在避免出现梯度信息重复的同时,增加神经网络的学习能力,提升检测精度和速率;最后,在FPN层分别引入注意力机制ECA和CBAM模块,解决特征层堆叠处的特征提取问题,提高对小病斑的检测能力。在训练过程中,采用COCO数据集预训练网络模型,得到预训练权重,改善训练效果。结果表明:在测试集下,Rice-YOLOv3检测水稻叶部3种病害的平均精度均值(mAP)达92.94%,其中,稻瘟病、褐斑病、白叶枯病的m AP值分别达93.34%、89.68%、95.80%,相较于YOLOv3,Rice-YOLOv3检测的m AP提高了6.05个百分点,速率提升了2.8帧/s,对稻瘟病和褐斑病的小病斑的检测能力明显增强,可以检测出原始网络模型漏检的小病斑;与Faster-RCNN、YOLOv5等模型对比,Rice-YOLOv3提高了对相似病害和微小病害的识别能力,并在原始的基础上提高了检测速率。

基于改进YOLOv3-SPP算法的道路车辆检测

针对在城市道路场景下视觉检测车辆时,车辆密集和远处车辆呈现小尺度,导致出现检测精度低或者漏检的问题,提出了一种基于改进的YOLOv3-SPP算法,对激活函数进行优化,以DIOU-NMS Loss作为边界框损失函数,增强网络的表达能力。为提高所提算法对小目标和遮挡目标的特征提取能力,引入空洞卷积模块,增大目标的感受野。实验结果表明,所提算法在检测车辆目标时m AP提高了1.79%,也有效减少了在检测紧密车辆目标时出现的漏检现象。

基于YOLOv3算法的智能采茶机关键技术研究

在复杂背景下精确识别茶叶嫩芽,是实现高端茶叶智能化采摘的关键技术之一。为实现高端茶叶机械化精准采摘,设计一台基于视觉的采茶样机,根据蛛式机械手采摘茶叶的路径规划,将机械手末端的移动坐标问题转换成静平台3个电机转角问题。针对YOLOv3算法进行改进,采用EfficientNet网络替代DarkNet-53网络进行特征提取,并利用目标函数GIOU优化损失函数。试验结果表明:改进的YOLOv3算法在茶叶嫩芽识别方面,其准确率达到86.53%,单张图像平均识别时间为53 ms,相比传统的YOLOv3算法,性能实现明显的提升,可以达到预期目标,满足机器采摘需求。

基于SGD和余弦退火算法改进YOLOv3的高压电力设备目标检测方法

针对现有高压电力设备检测方法存在实时性差、准确性低和难以部署在移动端等问题,提出一种基于随机梯度下降(SGD)和余弦退火算法改进YOLOv3的高压电力输送设备安全检测算法。采用网络复杂度较小、计算速度快、识别精度高且易于部署的移动端YOLOv3作为算法的主要框架;然后设计了深层的残差网络(Darknet53)作为该模型的主干特征提取网络,在提高识别精度的同时解决网络过深可能产生的梯度爆炸问题;进一步地结合SGD优化算法和余弦退火算法,在保证网络训练学习效率较高的同时避免网络陷入局部最优解,以此提高高压电力设备安全检测的速度和精度,满足实际需要;最后使用采集的高压电力设备数据集对整个网络进行训练。结果表明,YOLOv3在高压电力设备数据集上的平均检测精度达到了97.08%,检测速度达到了56帧/s,误检率只有0.78%。

低可见度环境下基于改进YOLOv3的井下人员定位方法

煤矿井下光照不足、粉尘遮挡,井下视频监控系统采集的人员目标在二维图像中表现为小目标或低可见度目标时,原始YOLOv3网络的Darknet53特征金字塔结构无法充分提取和保留目标的细节信息,导致定位结果不准确。针对上述问题,提出了一种低可见度环境下基于改进YOLOv3的井下人员定位方法。首先,结合β函数映射和帧间信息增强技术,提升低可见度环境下煤矿井下监控视频的清晰度。然后,采用更轻量级的Darknet-19替代YOLOv3中的Darknet53,并引入CIoU作为损失函数,利用改进YOLOv3识别增强后视频中的井下人员目标。最后,基于映射模型将识别到的目标从二维空间投影至三维空间,结合三维定位结果完成井下人员定位。选用某煤矿一段低可见度环境下井下监控视频进行实验,结果表明:①经过基于改进YOLOv3的井下人员定位方法处理后的视频帧亮度、可见度和各项评价指标(平均灰度、平均对比度、信息熵与灰度谱带宽)较原始视频均有明显提升,整体光照条件得到显著改善,且处理后的视频帧对比度得到增强,目标和背景之间更易区分,证明了采用的图像增强技术的有效性。②改进YOLOv3模型能准确识别视频帧中的井下工作人员,不存在漏识别问题。③采用已知位置的标定物或人工标注的的真实三维位置作为基准,计算投影结果与真实位置之间的偏差(偏差计算涵盖X,Y,Z方向上的距离偏差),其中X方向和Y方向上的偏差均小于0.2 m,Z方向上的偏差小于0.002 m,表明构建的映射模型的映射效果好且定位精度较高。

基于YOLOv3的袋式除尘器滤袋破损自动检测方法

干式除尘装置中袋式除尘器的滤袋在长时间使用后会出现破损,造成能源消耗增加、除尘效率降低、污染环境等严重问题。为此,本文采用在除尘舱室处搭建粉尘烟雾检测摄像头,并基于YOLOv3算法检测袋口烟雾的泄漏情况。试验检测步骤:①根据真实除尘舱室尺寸设计袋式除尘器袋口烟雾泄漏实验室平台,采集不同洞口烟雾泄漏的图像数据;②使用软件标注这些图像数据;③搭建Darknet深度学习框架,采用YOLOv3算法对图像数据进行训练,并依据模型计算结果识别破袋情况。结果表明:模型对于批量图像的识别准确率能达到91%以上,对于连续视频的识别准确率可达95.65%。本文系统可以减少除尘器运行中的人工检测,降低工厂人力资源成本和工人劳动强度,可以避免生产中的安全隐患和损失,可以为工厂的生产安全及定期维护提供技术指导,也为全厂智能化生产提供了有效的方案。

基于YOLOv3不同场景辣椒采摘机器人识别定位研究

针对辣椒采摘受环境光、枝叶遮挡和果实重叠的影响问题,构建了基于YOLOv3模型和realsense深度相机的识别定位系统,研究不同补光位置、枝叶遮挡和果实重叠程度对辣椒识别和定位精度的影响规律。结果表明:模型召回率Recall达0.98,平均精度均值mAP达0.95,精确率precision达0.854;不同光照场景下,识别成功率由高到低依次为正向光、顶光、侧光和背光;轻度枝叶遮挡和轻微果实重叠时,模型识别成功率均保持在96%左右,综合定位误差最大为0.024m,满足辣椒采摘机器人识别和定位精度需求。

基于YOLOv3的输电工程智能检测与分析技术研究

随着能源供应需求的不断增长以及人工智能技术的持续改进,对输电工程质量智能检测技术的要求也越来越高。针对上述问题,文中开展了基于YOLOv3的输电工程质量智能检测与分析技术研究。通过对采集到的输电工程样本数据进行预处理,经多次迭代计算,删除其中的凸包拐点数据。再将实时提取的单帧图像输入目标识别模型中,统计检测到的目标数量。并对低质量图片进行非线性自适应增强处理,以选取高斯双边函数计算均值信息,进而利用卷积算法完成对输电工程验收图片的滤波处理。在对传统的Faster-RCNN算法加以改进后,将FP-FRCNN模型嵌入密集连接结构中,实现输电工程质量智能检测。算例分析结果表明,所提方法可进行输电工程质量智能检测与分析处理,且检测精度高达99.35%,处理时间则仅为3.21 s。

基于YOLOv3的乳腺X线图像肿块检测方法

乳腺X线摄影术是目前国际上公认的有效的乳腺癌早期筛查手段。提出一种基于YOLOv3网络的乳腺X线图像肿块检测方法。该方法能够在保证精度的同时,以较快的速度一次完成对整幅图像中肿块的检测。应用迁移学习技术,将由数字化乳腺X线图像学习到的肿块病变检测知识迁移到全域数字图像,有效解决了目前全域数字图像数据集缺乏的问题。使用五折交叉验证方法,在DDSM和INbreast数据集上进行实验验证,最终得到的五折间肿块检测平均准确率为81.34%。

基于YOLOv3和ROS系统的无人机距离检测

针对于公共卫生安全人与人之间接触密集的问题,提出了利用无人机进行人群间检测距离的方法。结合YOLOv3算法和ROS技术,通过无人机上单目摄像头传回的画面,实现了人群间距离检测功能。同时,借助三角形相似法辅助修正空间中距离的计算,大大提高了模型检测的准确性,平均准确率达到90.3%。实验结果表明,该算法在精度和实时性能方面均取得了较好的表现,模型拥有良好的目标距离检测能力,可以有效避免人员聚集和安全隐患。此研究具有广泛的应用前景,能够在卫生防控、公共安全和城市管理等领域发挥积极作用。

改进YOLOv3的轻量级铸件焊缝表面缺陷检测

针对机械制造行业中铸件焊缝表面缺陷数据集少,被检测物体处于复杂环境下目标检测困难和识别准确率低等问题,提出了一种改进的YOLOv3算法。使用了有效的数据增强技术,提高了模型的鲁棒性,使其更加适用于真实环境;引入轻量级网络GhostNet替换原始主干网络,降低模型参数量,减少训练时间;在主干网络最后一层输出端加入空间金字塔池化结构,提高模型的感受野和增强模型的抗干扰能力;在FPN(feature pyramid network)中引入1×1卷积和通道注意力机制,防止维度损失和提高对重要特征的关注度,增强对小目标的特征提取;在训练过程中引入Focal Loss,提高模型对正样本的预测准确率。实验结果表明,与原YOLOv3相比,改进模型在铸件焊缝缺陷数据集上mAP提升1.55%,小目标气孔AP提升4%,增加小目标识别精度。

基于YOLOv3的中医处方饮片自动检测研究与实现

随着中医药的普及,中药饮片及中医处方的智能辨识尤为重要。文中训练中医处方饮片自动检测模型,辅助药房自动核检、智能辨识中药饮片。以小柴胡汤加减方为例,构建中医处方饮片检测数据集,利用YOLOv3模型对数据集进行训练。YOLOv3模型收敛速度较快,测试集mAP为99.16%,平均FPS为10.11。YOLOv3模型对中医处方数据集有较好的检测效果,可以推广应用在处方药材的智能识别检测和药材鉴别等领域。该研究为中药材的识别及中医处方饮片的智能检测提供了一种新方法。

融合坐标注意力机制的YOLOv3肺结节检测算法

肺结节在CT(Computed Tomography)图像中所占像素较少,增加了检测难度。针对肺结节小目标检测问题,文中提出了融合坐标注意力机制的YOLOv3(You Only Look Once version 3)肺结节检测算法。主干网络采用改进YOLOv3,减少残差块数量并引入扩张卷积模块,并可从目标周围感知上下文信息。在特征利用部分引入坐标注意力机制,捕捉肺结节位置、方向和跨通道信息,精确定位肺结节。改进YOLOv3的损失函数,将边界框建模成高斯分布,利用Wasserstein距离来计算两个分布之间的相似度代替IoU(Intersection over Union)度量,提升模型对目标尺度的敏感性。在LUNA16数据集上的结果显示,肺结节检测的平均精度为89.96%,敏感性为95.37%,与主流目标检测算法相比,精度平均提升了11.33%,敏感性平均提升了9.03%。

基于轻量级YOLOv3的员工违规行为检测算法

随着工业互联网安全受到越来越多的关注,如何通过技术手段保障生产环境安全就成为单位管理人员所思考的问题。论文针对值班室、中控室、管理室等类似场景的安全需求,提出了一种基于轻量级卷积网络的员工违规行为检测算法。该算法能够实时监测指定区域工作人员的行为状态,避免因员工长时间处于离岗、睡岗状态时,可能导致设备设施生产事故、设备信息泄露、无法处理应急事件等情况的发生。违规行为检测算法由人体检测与行为识别算法两部分组成。首先,通过轻量级人体检测网络获取人体检测框;而后,利用目标跟踪算法与行为识别算法对人体检测框进行识别,进而确定工作人员是否存在违规行为。实验数据表明:该算法大大减少网络权重以及计算量,在边缘设备Hi3559A上检测速度可达13 ms,在实际场景数据集上,违规行为检测准确率可达96.6%。

改进Tiny-YOLOv3的工业钢材瑕疵检测算法

深度学习网络模型参数量大,不适用于嵌入式或移动设备上。针对工业钢材生产过程中的实时检测问题,提出了一种改进的R-Tiny-YOLOv3工业钢材瑕疵检测算法。首先,在Tiny-YOLOv3结构中加入残差网络结构,提高检测的精度。增加了空间金字塔SPP网络模块,提高网络特征提取能力。结合不同网络层的特征信息,将检测提高到三个尺度。然后,选取CIOU作为损失函数,使目标检测框的回归更加稳定。最后对数据集进行数据增强,并在Cambricon 1H8嵌入式平台进行测试。实验结果表明改进的R-Tiny-YOLOv3算法能够实时地检测出瑕疵目标,平均准确率提高了10.8%,运算速度可达39.8帧/s,为工业钢材瑕疵检测的嵌入式应用提供了参考。

基于检测增强型YOLOv3-tiny的道路场景行人检测

为了给驾驶员提供实时准确的行人信息、减少交通事故的发生,提出一种检测增强型YOLOv3-tiny(detection of enhanced YOLOv3-tiny,DOEYT)行人检测算法.创建鲁棒的特征提取网络,首先使用非对称最大池化进行下采样,防止随着感受野增大行人横向特征的丢失;其次使用Hardswish作为卷积层的激活函数优化网络性能;最后使用GC(globe context)自注意力机制获得全文特征信息.在分类回归网络部分,采用三尺度检测策略,提升小尺度行人目标的检测精度;使用k-means++算法重新生成数据集锚框,提高网络收敛速度.构建行人检测数据集并分为训练集和测试集,对DOEYT算法的性能进行试验验证.结果表明,非对称最大池化、Hardswish函数、GC自注意力机制分别使平均准确率AP提高14.4%、7.9%、10.8%;DOEYT算法在测试集上检测的平均准确率高达91.2%,检测速度为103帧/s,可见该算法可快速准确地检测行人,降低交通事故发生的风险.

基于改进YOLOv3的玉米病害识别方法

为提高玉米作物病害叶片识别模型的准确性,提出改进YOLOv3的玉米病害识别方法。首先,为获得更深的玉米疾病特征,通过更改浅特征图比例和添加第四个检测层,分别修改YOLOv3网络体系结构为YOLOv3-M1和YOLOv3-M2。然后,采用改进的K-means算法进行聚类,获得的锚框倾向于数据集的真实边界框。最后,为每个类别添加一个平衡因子,并对不同类别中样本的难度进行加权来修改损失函数,使得模型能够找到边界盒预测与类别预测之间的最佳点,使算法获得最佳检测效果。结果表明,改进的YOLOv3-M1和YOLOv3-M2模型在测试集上的准确率分别高达95.63%和97.59%,相比YOLOv3模型,识别准确率分别提高4.15%和6.28%,识别准确率在玉米数据集上得到大幅度提高。

基于YOLOv3的芯片缺陷检测模型设计与优化

传统的芯片缺陷检测效率低,鉴于深度学习在机器视觉领域应用广泛且效果显著,基于YOLOv3神经网络模型设计了微波芯片缺陷检测模型并加以优化。将原来的损失函数改为完全交并比(CIoU)损失函数,以优化真实框与预测框之间重合度的计算方法;增加了空间金字塔池化(SPP)结构,以实现不同尺寸特征融合;用高效的k-means++聚类算法计算出更加适用于微波芯片缺陷数据集的初始锚框;采用空间注意力机制(SAM)提高模型对芯片缺陷图像的关注能力。实验结果表明,与YOLOv3模型相比,优化后的模型在芯片缺陷检测方面效果更佳,mAP@0.5提高了2.06%,mAP@[0.5∶0.95]提高了17.52%。

基于改进YOLOv3的自然场景中未成熟青苹果识别研究

为研究适合当前生产实际的苹果自动套袋技术,实现真实环境中未成熟青苹果的精准识别,提出一种基于改进YOLOv3的自然场景中未成熟青苹果图像识别方法。首先,为提高含干扰因素图像中未成熟青苹果识别准确率,基于YOLOv3算法利用残差网络和多尺度特征融合检测小目标的思想,对YOLOv3特征提取网络进行改进与试验验证,利用尺寸为(104,104,128)的特征图代替原尺寸为(13,13,1024)的特征图作为输出,提出改进YOLOv3的未成熟青苹果目标检测模型,通过增大特征提取网络输出特征图尺寸,减小感受野尺寸,提高算法网络对图像中未成熟青苹果的捕捉能力与识别准确率。其次,设计不同算法、不同品种和不同环境下的识别对比试验并对结果进行对比分析。改进YOLOv3在整体数据集上的检测均值平均精确率mAP值和召回率R值分别为92.46%、87.6%,较原YOLOv3分别提高3.22%、14.57%,改进模型性能提升主要体现在检测正确目标数量的能力上;在含光照影响、重叠和遮挡影响图像测试集上改进YOLOv3的mAP值较原YOLOv3分别提高3.58%、2.74%。改进YOLOv3模型对整体数据集和含干扰因素图像测试集的检测准确率较高,检测正确目标的数量较多,抗干扰能力较强。

基于YOLOv3的风机叶片故障检测模型

针对风机工作中由于高海拔地理位置、恶劣天气等因素的影响,致使风机叶片出现裂纹、沙眼等缺陷故障,提出基于YOLOv3算法的风机叶片故障检测模型。将风机叶片缺陷区域具有YOLO格式的数据集划分为训练集与测试集,输入YOLOv3模型进行实验,结果表明:YOLOv3模型与YOLOv2模型相比,精度提升3.7%,达到了90.6%;召回率提升3.2%,达到了90.5%;精度平均值提升4.8%,达到了76.2%。