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%。

基于改进的YOLOv3农作物目标检测算法

农作物图像在进行目标检测时,由于作物种植较密集、成像质量不佳等原因严重影响目标检测算法的检测精度。针对存在的问题,提出一种基于YOLOv3的改进算法优化在农作物目标检测的检测性能:对YOLOv3的主干特征提取网络进行优化,利用原网络中输出的4倍降采样特征图对目标进行检测,并且在算法原网络残差块的基础上增加残差单元,以检测目标较小的农作物位置信息;提出高斯衰减函数,对图像中高度重叠的农作物候选框的衰减较强,在有效抑制冗余框的同时也可以有效地降低漏检率;对回归损失函数进行优化改进,用CIOU Loss作为损失函数,使得目标检测过程中最终的目标定位更加精确。将改进的YOLOv3算法和原YOLOv3算法、Faster R-CNN算法在实拍的玉米作物图像数据集上进行对比实验,结果表明改进后的YOLOv3算法能有效检测农作物小目标,算法检测的平均准确率均值和检测速度都有明显的提升。

基于改进YOLOV3算法的受电弓安全状态检测技术研究

受电弓是连接列车和接触网的重要部件,其运行中的工作状态直接影响列车的运营安全,近年来结合车载视频监控系统从图像上进行受电弓安全状态的检测成为主流方法。针对使用传统图像识别方法对受电弓安全状态进行检测存在的精度低和实时性差的现状,通过自建受电弓安全运行条件数据集,结合深度学习理论对其进行安全运行状态在线检测。采用GAN神经网络提升了数据集的性能,弥补了数据种类失衡的现象;通过对YOLOV3算法进行改造,插入即插即用的注意力模块,优化小目标的检测效果;通过与自研硬件的结合实现多路受电弓监控实时视频流的分析,为车载受电弓视频实时智能分析提供新的思路和有力支撑。

基于多尺度特征融合的YOLOv3行人检测算法

随着深度学习技术在计算机领域的普及与推广,行人检测技术得到进一步的提升,但在一些场合仍然存在较大的问题,例如行人大小尺度不一、密集行人的检测,在以上两种情况下,行人检测性能剧烈下降,存在较多的漏检、错检的情况。针对行人大小尺度问题,论文提出在YOLOv3算法的特征提取网络中引入多尺度特征融合模块,改变原来多个卷积层堆叠的残差单元,增加特征提取网络深度,提升网络对不同尺度的行人特征提取能力,从而提升行人检测算法的检测精度和鲁棒性。实验表明,在Caltech、On_merge数据集进行训练,改进算法的平均精准率比基准算法分别高出其5.49%,2.26%。

基于YOLOv3算法的变电站保护硬压板检测技术研究

针对目前变电站保护硬压板巡检多由人工进行读取和核对操作,费时费力且易出错,难以满足变电站二次设备智能化的要求的问题,研究了基于YOLOv3算法的变电站保护硬压板检测与状态识别技术。首先,通过对变电站保护硬压板进行数据采集和标注,建立了一个包含大量样本的数据集。然后,使用YOLOv3算法进行目标检测,实现了对变电站保护硬压板的准确定位和识别。针对硬压板的不同状态,设计了相应的特征提取和分类模块,通过对检测到的硬压板进行状态识别,实现了对硬压板状态的准确判别。实验结果表明,该方法在变电站保护硬压板检测和状态识别方面具有较高的准确性,对压板作业操作票确认、压板状态校核等业务实现具有一定参考价值,可为变电站设备的状态监测和故障的智能诊断提供有效的技术支持。

基于改进的YOLOv3算法的集装箱箱损区域定位方法

为了节省集装箱检测人力和时间成本,实现对集装箱箱损的精准评估,提出基于改进的YOLOv3算法的箱损区域定位方法:通过改进的YOLOv3网络精准定位集装箱可能受损的区域,并借助网络结构优化,显著提升细微损伤识别能力;同时,针对箱损特征实施深度定制化网络调整,包括调整模型先验框以适应不同尺寸损伤,从而确保箱损识别的准确性。试验证明:基于改进的YOLOv3网络定位箱损区域不仅有利于降低计算成本,还能确保系统实时响应,实现箱损自动化快速识别。

基于特征提取改进YOLOv3算法的马铃薯畸形识别

马铃薯畸形严重影响其商品价值,畸形剔除成为马铃薯产后售前的核心工作步骤之一。目前,该环节主要依靠人工目测进行,劳动消耗量大、投入成本高,精准、高效的自动检测技术亟待开发。近年来,机器视觉在物体外观及特性识别领域引起广泛关注,而马铃薯畸形属于马铃薯形态特征,故在获取马铃薯外形照片的基础上,采用改进的YOLOv3算法对马铃薯畸形进行识别。使用注意力特征金字塔替换YOLOv3算法中的特征金字塔,克服了特征融合过程中的干扰,增强网络的深层特征提取,并优化了特征表达,进而达到提升畸形检测精度、可靠性的目的。实验结果表明,改进的YOLOv3算法相比改进前精确率提升2.68%,F1精度提升2.31%,mAP提升3.34%,针对深层特征的检测能力明显增强。该算法高效、精准,为马铃薯畸形检测提供了一种更优的智能检测方法。

基于改进YOLOv3算法的变电站设备运行实时监测方法

常规的变电站设备运行监测方法以设备运行状态量采集为主,并未考虑到设备运行的时变性,无法满足变电站设备运行监测的实时性需求。因此,设计了基于改进YOLOv3算法的变电站设备运行实时监测方法。构建变电站设备运行实时监测架构,配置变电站设备运行的监测任务,并识别与跟踪设备监测目标,实现变电站设备运行的有效监测。利用TWUHF-G14传感器采集变电站设备运行状态数据,并对其进行数据预处理。基于此,利用改进YOLOv3算法优化变电设备运行监测网络,分析变电站设备的形状、运行状态等特点,并根据改进YOLOv3算法调整监测网络结构,满足设备监测的实时性需求。采用对比实验,验证了该方法的实时监测性能更佳,能够应用于实际生活中。

基于YOLOv3算法的变电站作业风险管控可视化远程监控方法

在现阶段的变电站作业风险管控可视化远程监控中,由于可视化图像的处理速度较慢,监控结果时延较高。为此,提出基于YOLOv3算法的变电站作业风险管控可视化远程监控方法。在变电站作业环境中布设传感器节点实现作业信息的动态感知,将感知数据进行融合并进行远程传导,采用传导数据进行图像可视化后,引入YOLOv3算法对图像进行处理,加速图像处理进程,实现远程监控。实验结果表明:所提方法应用后得出的监控结果表现出的时延较低,均值为0.17 s,实时性较高,满足了变电站作业风险管控的现实监控需求。

基于改进YOLOv3算法的堆叠工件检测

针对传统物体检测算法识别堆叠工件存在准确率低以及漏检的问题,提出一种基于改进YOLOv3算法的堆叠工件检测方法。首先,引入Inception结构增强特征检测网络的特征提取能力,提高堆叠工件检测的准确率;其次,引用增强型特征金字塔结构(enhanced feature pyramid network,EFPN),提高模型多尺度特征融合能力,改善算法漏检率高的问题;最后,利用K-means聚类融合交并比损失函数(intersection over union,IOU)重新确定工件锚框,解决YOLOv3网络预设锚框尺寸不适合现有工件的问题。实验结果表明,改进算法均值平均精确度(mean average precision,mAP)达到92.89%,相较于原始YOLOv3算法提高了5.32%,F1值为0.95,召回率为93.33%,精确率为97.65%,满足堆叠工件检测的指标要求。

密集交通场景中改进YOLOv3目标检测优化算法

针对交通拥堵的车辆密集场景中检测目标重叠率高而导致漏检和误检的问题,提出了改进YOLOv3、CIoU损失函数优化以及SD-NMS优化算法(简记L-YOLOv3+CIoU Loss+SD-NMS)。利用深度可分离卷积、SE模块和Ghost模块改进YOLOv3的残差单元结构,以提高对密集目标的特征提取能力,减少网络模型参数量;采用完整交并比CIoU损失函数加快网络模型收敛速度,同时将多目标集合预测思想与DIoU-NMS有机结合,提出了SD-NMS优化算法,以降低漏检误检率。在BDD100K数据集上进行实验,结果表明,改进的目标检测算法召回率达到91.58%,精准率达到93.04%,与YOLOv3算法相比,召回率和精准率分别提升了12.09%和9.52%,具有更好的检测效果。

改进YOLOv3算法下通航机场场面运动目标检测

为获得更好的检测精度和更快的检测速度,保障通航机场场面运行安全,提出一种改进的YOLOv3算法,分别从网络结构和损失函数2方面进行改进。首先,在主干网络中使用深度可分离卷积代替原卷积,构建基于距离交并比(DIoU)的目标框回归损失函数;然后,以某通航机场为研究对象,搭建通航机场场面目标检测场景,采用迁移学习和冻结训练相结合的训练方法,以提升场面目标检测的速度;最后,比较分析所提算法与传统的YOLOv3、YOLOv4算法的识别效果。结果表明:飞机目标的检测效果明显优于车辆和人员目标,改进的YOLOv3算法对目标的检测精度、召回率、全类平均精度(mAP)分别达到92.96%、80.51%、91.96%,图形处理器处理速度高达74帧/s,较传统的YOLOv3、YOLOv4算法性能均有明显提升,可实现通航机场场面运动目标的有效检测。

基于改进的YOLOv3-SPP算法目标检测研究

为了更好的对复杂战场环境下军事目标检测和侦查,提出一种基于YOLOv3-SPP的改进算法。通过收集不同目标尺寸、类别等条件下坦克、步战车、雷达等军事对象,构建军事目标小型数据集;对数据集进行数据增强处理,扩充样本数,提高训练模型鲁棒性;将DIoU和Focal Loss替换均方误差函数和交叉熵函数,提高目标检测算法精度;利用K-means++聚类算法计算得出适用的锚框,进一步提高模型检测精度。实验结果表明,改进的YOLOv3-SPP军事目标检测算法相对于原YOLOv3-SPP算法,模型收敛更快,平均精度提高了10%,精度和召回率分别提高了9%和8%,具备良好的检测能力,能为战场环境下军事目标的检测和侦查任务提供技术支持。

改进YOLOv3的轻量化漂浮物检测算法

【目的】为解决水域监控下漂浮物检测效率低、检测模型复杂度高的问题,提出一种基于改进YOLOv3的轻量化漂浮物检测算法。【方法】使用轻量级网络MobileNetv3代替YOLOv3的主干特征提取网络Darknet53以降低模型计算量和参数;构建简化版加权双向特征金字塔网络(Bi-FPN-tiny)以进行多尺度特征的加权融合;利用Focal Loss优化损失函数,加强对于困难样本的学习。为验证所提算法的有效性,建立了PASCAL VOC格式的漂浮物数据集,并进行数据标注和增广。【结果】结果表明:改进后的算法平均精度均值(mAP)达到92.8%,比原算法提高了7.1%;在NVIDIA Quadro P2200显卡下检测速度达到了86 fps/s,高于YOLOv3算法的47 fps/s;模型体积为43.7 MB,仅为初始算法的17.7%。【结论】改进YOLOv3是一种性能优越且轻量化的模型,为在移动端进行实时漂浮物检测提供了新的契机。

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%。

基于YOLOv3改进算法的烟叶原料烟草甲识别方法研究

为了解决烟叶原料中烟草甲人工识别效率低、不准确的问题,实现烟草甲的精准、智能识别,提出一种基于YOLOv3改进算法的烟草甲识别模型。首先采用Random Mix数据增强技术扩充烟草甲数据集;然后,通过引入K-means++算法重新聚类锚框,改进YOLOv3对于烟草甲的识别能力;使用SIoU Loss改进YOLOv3的边界框损失函数,提高模型定位的准确性,加速模型收敛;最后加入特征细化模块过滤冲突信息,优化模型对烟草甲数据集中小目标识别的精准度。结果表明,改进的YOLOv3网络模型对测试集中烟草甲的平均检测精确率、召回率、F1分数和平均精度均值(mAP)分别达到93.26%、88.25%、0.90和94.59%,分别比现有的YOLOv3算法提高了12.21百分点、11.79百分点、0.12、12.40百分点,可为烟草甲的有效识别提供支撑。

基于改进YOLOv3的遥感目标检测算法

针对YOLOv3算法在遥感图像检测中对飞机、船舰等小目标的准确度不高等问题,提出了一种用于遥感目标检测的改进YOLOv3算法。使用H-Swish激活函数替代MobileNetV2中Bottleneck Residual block第一层中的ReLU6激活函数,为使网络更加关注遥感图像的细节信息,在MobileNetV2中加入能够更多关注特征图的隐藏信息的空间通道注意力机制;利用改进后的MobileNetV2代替YOLOv3中原始的Darknet-53主干网络。将调整后的Focal loss损失函数代替YOLOv3中原来的损失函数,并在原算法的基础上减少特征尺度,使算法处理时间更短。使用K-means++聚类算法对数据集进行聚类分析,获得一组先验框。在DOTA数据集上进行了测试,实验结果表明:改进后的算法将权重模型从18.8 MB减少到了8.0 MB,将平均检测时间从36.6 ms减少到了28.42 ms,将mAP_0.5从61.7提高到了91.3,该算法较好地提高了检测速度和精度。

基于改进Yolov3半月板撕裂的自动检测及分类

针对医师进行半月板撕裂诊断时,存在半月板区域面积小,无法有效识别的问题,提出一种改进后Yolov3的定位裁剪方法。用高效通道注意力网络(efficient channel attention network,ECANet)作为移动翻转瓶颈卷积(mobile inverted bottleneck convolution,MBConv)中的注意力机制模块,命名为MBConv+。MBConv+模块堆叠构成EfficientNet-b0+,作为Yolov3的特征提取网络,对半月板进行检测及定位裁剪,并采用支持向量机(support vector machines,SVM)进行分类实验。实验结果表明:改进后Yolov3算法与原算法相比,在平均精确率均值(mean average precision,mAP)相近条件下,训练时间大幅缩减,帧数(frames per second,FPS)提升了1.3221,达到了29.0691。与原始数据集相比,裁剪后图像在分类性能上有提升,精度提升了7.739%,达到91.251%。