基于改进YOLOv3-Tiny的端到端海参自吸捕方法研究

针对海参智能化采捕中目标检测任务和吸捕任务难以结合的问题,本文提出了一种基于数据驱动和以目标为中心的端到端海参机器人自主吸捕方法,该方法在YOLOv3-tiny的框架基础上将特征提取网络增强以进行目标检测,使用K-means方法对海参数据集边界框尺寸进行重新聚类,在保证实时检测的基础上提高了吸捕视角下海参的检测精度。该方法将摄像机采集到的图像输入至海参采捕机器人,并输出机器人的吸捕控制指令,实现了海参的自主吸捕。

基于改进YOLOv3-Tiny的遥感舰船小目标检测方法

遥感图像中各类舰船小目标检测存在检测难度大、检测精确度低等问题,因此提出一种基于改进YOLOv3-Tiny的遥感舰船小目标检测方法。先对训练数据进行Mosaic数据增强,丰富小尺度样本数据集,解决遥感图像小目标检测泛化能力低的问题,再在特征提取网络中加入混合域注意力机制CBAM,强化小目标的特征提取,提高对遥感舰船小目标的检测能力。实验结果表明,改进后的方法能够更加准确、快速地对遥感舰船小目标进行检测,显著提高了检测的准确率和召回率。

基于改进YOLOv3-Tiny网络的嵌入式物流商品查验系统设计与实现

针对电商店家在发货前人工验货效率低下的问题,设计一种基于改进YOLOv3-Tiny网络图像目标检测算法的嵌入式商品查验系统,可高效完成物流商品查验工作。系统通过摄像头获得实时视频帧图片,将帧图片送入改进的YOLOv3-Tiny网络,直接在图片上识别回归分析出商品名称信息及坐标信息,与本地订单数据进行比较,判断配货是否正确。整个系统可在Linux或Windows环境下使用。系统优化了YOLOv3-Tiny的特征融合部分、卷积层、锚框数目、锚框尺寸。实验结果表明,该系统单次商品检测分析的运行时间在355~370 ms之间,准确率为96.15%,满足商品实时查验检测的使用要求。

基于改进YOLOv3-Tiny的番茄苗分级检测

为了提高番茄苗分选移栽分级检测精度,该研究提出了YOLOv3-Tiny目标检测改进模型。首先建立了番茄穴盘苗数据集,使用K-means++算法重新生成数据集锚定框,提高网络收敛速度和特征提取能力;其次为目标检测模型添加SPP空间金字塔池化,将穴孔局部和整体特征融合,提高了对弱苗的召回率;同时加入路径聚合网络(PANet),提升细粒度检测能力;引入了SAM空间注意力机制,提高对番茄苗的关注,减少背景干扰;增加了ASFF(Adaptively Spatial Feature Fusion)自适应特征融合网络,能够使目标检测模型对多个级别的特征进行空间滤波;采用CIoU损失函数策略,提高模型收敛效果。改进的YOLOv3-Tiny目标检测模型经过数据集训练,在测试集上能够达到平均精度均值为97.64%,相比YOLOv3-Tiny模型提高了3.47个百分点。消融试验验证了网络结构改进和训练策略是有效的,并将改进的YOLOv3-Tiny目标检测算法与5种目标检测算法进行对比,发现改进的YOLOv3-Tiny目标检测模型在重合度阈值为50%的条件下平均精度均值为97.64%。单张图像处理时间为5.03ms,较其他目标检测算法具有明显的优势,验证了该模型能够满足番茄苗分级检测精度要求,可以为幼苗分选检测方法提供参考。

基于改进YOLOv3-Tiny的毫米波图像目标检测

毫米波是一种不具有电离辐射的电磁波,其能够穿透绝缘衣物布料和对人体无害的特性使得毫米波在人体安检领域有着巨大的发展前景。将深度学习方法运用至毫米波图像目标检测领域,提出一种基于改进YOLOv3-Tiny的毫米波图像目标检测方法。首先,在特征提取网络中增加卷积层提升网络深度,并增加至3个不同尺度的预测层加强对毫米波图像目标的检测能力;然后,在特征金字塔(FPN)中引入注意力机制(CBAM),使网络更关注毫米波图像中待测目标的特征,忽略背景噪声冗余的特征。结果表明,改进后的网络平均准确率可达93.4%,单帧检测速度为15 ms,模型参数仅为38.7M,为毫米波安检系统高精度、小型化的研究提供了参考价值。

基于YOLOv3-tiny的智能侦察虚拟训练系统研究

虚拟训练系统广泛应用于医疗、航天、军事等领域,能够有效降低训练成本,提升训练效率,保障训练安全.针对无人机侦察训练飞控条件苛刻、搭载算法时延高、潜在安全隐患大、训练成本高的特点,提出在虚拟场景中应用目标检测算法的虚拟训练系统总体研发方案.该系统在YOLOv3-tiny算法的基础上,用Unity3D camera组件渲染代替无人机视频流进行数据传输,通过OpenCV for Unity插件搭载YOLOv3-tiny算法对车辆和人员进行目标检测,并实时返回检测画面.经过系统测试实验,实现了无人机智能侦察功能,目标检测速度稳定在25 fps,识别置信度达80%以上,各项指标评价良好比例达88%以上,满足了飞控模拟和算法检测训练.

基于改进YOLOv3-tiny的田间行人与农机障碍物检测

为实现农机自主作业中的避障需求,本文针对室外田间自然场景中因植被遮挡、背景干扰而导致障碍物难以检测的问题,基于嵌入式平台应用设备,提出了农机田间作业时行人和农机障碍物检测的改进模型,更好地平衡了模型的检测速度与检测精度。该改进模型以You only look once version 3 tiny(YOLOv3-tiny)为基础框架,融合其浅层特征与第2 YOLO预测层特征作为第3预测层,通过更小的预选框增加小目标表征能力;在网络关键位置的特征图中混合使用注意力机制中的挤压激励注意模块(Squeeze and excitation attention module,SEAM)与卷积块注意模块(Convolutional block attention module,CBAM),通过强化检测目标关注以提高抗背景干扰能力。建立了室外环境下含农机与行人的共9405幅图像的原始数据集。其中训练集7054幅,测试集2351幅。测试表明本文模型的内存约为YOLOv3与单次多重检测器(Single shot multibox detector,SSD)模型内存的1/3和2/3;与YOLOv3-tiny相比,本文模型平均准确率(Mean average precision,mAP)提高11个百分点,小目标召回率(Recall)提高14百分点。在Jetson TX2嵌入式平台上本文模型的平均检测帧耗时122 ms,满足实时检测要求。

基于YOLOv3-tiny的船舶可见光图像细粒度检测

文中针对智能船舶视觉传感器采集到的图像进行目标检测,提出基于YOLOv3-tiny的深度卷积神经网络图像细粒度检测方法.该方法使用实验团队建立的船舶图像数据库,对图片进行人工标注,使用k-means算法对数据集锚框进行聚类,采用数据增强策略的YOLOv3-tiny深度卷积神经网络对船舶图像进行训练与测试.实验结果表明:本文提出的改进YOLOv3-tiny模型在测试集上的平均精度达到了62.85%,实时检测帧率达到了136帧/s,可以辅助船舶驾驶人员识别水面目标.

面向采摘机器人的改进YOLOv3-tiny轻量化柑橘识别方法

针对柑橘采摘机器人快速、准确的识别需求,提出了一种基于改进的YOLOv3-tiny的轻量化卷积神经网络模型的柑橘识别方法。为便于在算力有限的采摘机器人上应用,该方法用DIOU(distance intersection over union)损失函数替换了YOLOv3-tiny卷积神经网络模型原有的损失函数,提高模型的识别定位精度;采用MobileNetv3-Small卷积神经网络模型替换了主干特征提取网络,使模型更加轻量化,提高模型的识别速度;在MobileNetv3-Small中加入了新的残差结构,减少主干网络特征信息的损失,进而提高模型的识别精度;在加强特征提取网络中加入了简化的空间金字塔池化(spatial pyramid pooling,SPP)网络结构和深度可分离卷积层集,提升模型提取特征信息的能力,再加入一个下采样层,将两个尺度间的特征信息充分融合,同时还加入了hard Swish激活函数,从而进一步提高模型的识别精度。通过与YOLOv3-tiny在柑橘测试集上的识别效果进行对比,改进的YOLOv3-tiny的平均识别精度mAP、F_(1)分别达到了96.52%、0.92,提高了3.24%、0.03,平均识别单幅图像所耗时间、模型权重大小仅为47 ms、16.9 MB,分别减少了24%、49%。通过与YOLOv3-tiny在针对柑橘测试集中处于不同环境条件下的柑橘的识别效果进行对比,改进的YOLOv3-tiny在光照充足且未遮挡条件下、光照充足且遮挡条件下、光照不足且未遮挡条件下、光照不足且遮挡条件下的柑橘正确识别率分别为98.6%、90.5%、95.8%、86.8%,分别提高了0.7%、6.5%、3.2%、7.7%。显示出改进YOLOv3-tiny轻量化柑橘识别方法具有识别精度高、识别速度快以及轻量化等特点。

基于改进YOLOv3-Tiny的目标检测技术研究

为了确保车辆财产安全和战备管理,满足现代战争适配平台要求,针对目前广泛采用的YOLOv3-Tiny目标检测算法,设计了一种基于改进YOLOv3-Tiny算法的目标检测方法,主要包括数据训练、特征提取、目标检测部分等,通过改进输入尺寸以及用部分池化层替换卷积层的方式对整体算法进行了改进。仿真结果显示,改进型YOLOv3-Tiny算法与传统的检测算法相比,检测精度提升了3.2%。

一种基于改进YOLOv3-tiny的轻量级轨道紧固件检测算法

为解决传统铁路轨道养护中人工巡检等工作的低效率和准确率不足等问题,提出一种改进的YOLOv3-tiny轻量级轨道紧固件检测算法。首先,其网络结构通过在深度和点方向的卷积来降低网络的计算复杂度;其次,采用具有反向残差的线性瓶颈结构设计主干网络,并在检测层采用深度可分离卷积提取紧固件的深度特征;然后,增加1个尺度在3个尺度上预测,从而有效提取紧固件的特征;最后,对目标框坐标定位过程的损失函数进行优化。实验结果表明:改进后的YOLOv3-tiny算法检测精度达98.81%,检测速度25.1 frame/s,满足其实时性的要求。

基于改进YOLOv3-tiny的织物表面小目标瑕疵检测

为满足纺织业对织物瑕疵检测自动化的需求,针对传统瑕疵目标检测方法在复杂背景下小目标检测效果差、漏检率高等问题,提出了一种基于改进YOLOv3-tiny网络的织物瑕疵检测算法模型。模型首先在原始框架的基础上,增添了融合浅层和深层特征的第三预测层,通过多尺度的特征层融合提升小目标检测能力;其次在网络输出前使用了基于CBAM的混合注意力机制和数个卷积模块,在提升瑕疵目标权重和网络深度的同时,降低无关背景权重,提高模型的抗干扰能力和准确度;另外针对织物瑕疵目标检测的特定应用,利用K-means方法对锚框进行了重新聚类。实验结果表明,与原始YOLOv3-tiny相比,改进的方法平均检测准确率增加了7.3%,在复杂背景下小目标检测子集上,提升了20.5%;与传统深度学习算法YOLOv3相比,改进方法模型内存仅占其22.6%,检测时间减少一半,因此模型具有较好的瑕疵识别效果和应用价值。

基于YOLOv3-tiny检测和KCF追踪算法的受电弓故障检测

为避免因受电弓脱落、羊角缺失而引发的列车运行安全的问题,提出了一种追踪受电弓的方法,通过监控视频对受电弓脱落、羊角缺失等进行追踪,当受电弓发生故障时及时预警。为解决KCF算法追踪过程中目标丢失无法找回的问题,引入了一种检测机制对KCF追踪算法进行矫正,通过对摄像头捕捉到的约20000张图片以及3个视频作为训练样本,利用训练样本对YOLOv3-tiny网络进行离线训练,生成预测模型;最后利用训练好的模型和改进后KCF算法对摄像头的监控图像进行在线实时追踪,发现对于受电弓脱落、羊角缺失等现象的追踪检测的精确率为91.3%,高于YOLOv2-tiny算法和YOLO-tiny算法。

基于YOLOv3-Tiny-D算法的偏光片缺陷检测

随着偏光片的应用日益广泛,对于其生产质量的要求也愈加严苛。采用深度学习的目标检测算法对偏光片的三类瑕疵缺陷进行检测,以解决传统方法检测精度低、硬件成本高的问题,从而优化生产工艺。基于YOLOv3-Tiny算法,采用Dense Block模块与SPP-Net模块对其特征提取网络进行优化,并与待检测目标的实际情况相结合调整优化网络的检测模块,提出一种改进后的算法YOLOv3-Tiny-D。实验表明,所提方法在偏光片数据集上测试时,单张图片在保证检测速度的同时(18ms/张),脏污、划痕、标记3类缺陷的检测正确率为90.74%、98.90%、97.52%,平均正确率95.72%,较原算法提高7%。

一种改进的YOLOv3-Tiny目标检测算法

YOLOv3-Tiny作为YOLOv3目标检测算法的简化版本,拥有检测速度快、体积小、易于在边缘设备上部署等优点,同时也存在着识别精度低,定位不准的问题。由此在该算法的基础上进行改进,首先,对网络结构进行改进,在保证实时性的同时设计一个新的主干网络,提高网络的特征提取能力;其次改进目标损失函数和特征融合的策略,使用IOU损失函数代替原先边框位置损失函数,提高定位精度。实验结果表明,改进后的YOLOv3-Tiny算法,在保证实时性的情况下明显优于原算法。

YOLOv3-tiny的硬件加速设计及FPGA实现

YOLOv3-tiny具有优秀的目标检测能力,但模型所需的计算力依然较大,难以实现面向嵌入式领域的应用。提出一种YOLOv3-tiny的硬件加速方法,并在FPGA平台上实现。首先,针对网络定点化设计,以数据精度与资源消耗为设计指标,通过对模型中数据分布的统计以及数据类型的划分,提出了不同的定点化策略。其次,针对网络并行化设计,通过对卷积神经网络计算特性的分析,使用循环调整、循环分块、循环展开和数组分割等方法,设计了可扩展的常用硬件计算单元架构。然后,针对网络流水化设计,从层间与层内2个方面进行研究,以层间数据流方向和层内任务划分为基础,设计了一种灵活的流水化计算架构。最后,在XILINX XC7Z020CLG400-1平台上进行实验,结果表明,相较于667 MHz的单核ARM-A9处理器,加速比高达290.56。

基于改进YOLOv3-tiny的路面坑洞检测

路面的坑洞破损严重影响着驾驶舒适性与安全性,因此路面坑洞的检测与修补是一项重要的路面维护任务。本文基于改进YOLOv3-tiny目标检测神经网络模型,实现了路面坑洞的有效检测。其中,改进的模型用一些稠密块替换原模型中的大部分卷积层,使模型的深度大幅增加,而模型的参数和运行时所需的GPU内存显著降低。使用建立的路面坑洞破损数据集训练模型,以mAP作为评价模型的指标。同原YOLOv3-tiny和YOLOv4-tiny模型相比,检测速度相当,并且取得了最高mAP值。

一种改进YOLOv3-Tiny的行车检测算法

YOLO系列算法的简化版本YOLOv3-Tiny具有较为简单的网络框架,对GPU显存要求较低,该算法虽然实时性较高,却存在精度较低的问题,在识别行车目标方面不能得到精确的结果。对此,本文首先改变输入图片的大小,目的是获取图片更多的横向信息,使得网络更容易学习行车的信息,其次改进算法的网络结构提高算法的精度,最终得出改进的YOLOv3-Tiny算法。实验结果表明,改进之后的算法在保证实时性的情况下,提高了精确性。

基于YOLOv3-tiny的火焰目标检测算法

基于YOLOv3-tiny网络提出一种满足实时性需求的火焰目标检测算法,解决现有一般算法在自制火焰数据集上检测效果不佳的问题。通过构建CSP-MobileNetV2结构并引入到骨干网络池化层替换原始卷积层,提升网络的特征提取能力;引入选核注意力网络(SKNet),使卷积核对不同尺寸的火焰目标实现自适应调整,增强了对火焰特征的提取能力;引入金字塔池化模块(PPM),将具有不同感受野的特征图进行融合,实现多级特征信息融合互补,提高特征表达能力。实验结果表明,改进算法在自制火焰数据集上的平均检测精度均值达到84.3%,比原网络提高4.1%。

改进的YOLOv3-Tiny网络在风机叶片损伤检测中的应用

为了解决YOLOv3-Tiny对无人机采集的风机叶片图像损伤检测精度不高的问题,提出一种基于深度学习的风机叶片图像损伤检测方法。首先提出一种跨越式特征联合网络结构,由卷积层和拼接层构成,将不同深度的特征信息进行融合再学习,提取目标多层级特征信息;其次引入Inception模块结构,其中4个平行通道的多个卷积核对输入的特征图进行组合和压缩,在减少网络的学习参数的同时更好地表征图像特征信息,提高小目标的检测精度。实验表明,改进后算法的检测精度提高了2.69%,在自制的数据集中mAP可以达到88.58%,并且模型的参数缩小了4倍。因此,改进的方法比传统的YOLOv3-Tiny网络具有更好的检测效果。研究结果可为基于图像的损伤检测和风机叶片损伤智能识别提供参考。