基于YOLOv4模型的工件快速识别方法改进研究

为强化智能制造场景中机器人对工件的快速识别性能,从改进YOLOv4模型入手作了方法优化研究。首先,利用Ghost模块优化主干提取网络,以减少网络参数,提高网络检测速度;其次,引入DRConv卷积优化特征提取网络,以弥补对主干网络进行优化所造成的精度损失;最后,引入GAM注意力模块,以强化在光线不足条件下的适应性。通过对YOLOv4模型的改进,在保证较高识别精度和检测速度的同时,使模型规模得以简化,使工件快速识别网络趋于轻量化。

基于YOLOv4模型的交通路标识别

一种基于YOLOv4(you only look once version 4)模型的交通路标识别方案,可用于解决交通管理领域中的交通路标识别问题。其主要是采用YOLOv4模型作为基础架构,利用深度学习和图像处理技术,结合深度卷积神经网络和目标检测算法,高效、快速地进行交通路标的准确识别。经过多个公开的交通路标检测数据集进行了严格的测试和性能进行比较、验证,在不同类型的交通路标上取得了优异的检测和识别性能,具有高的准确率和召回率。

基于改进YOLOv4模型的番茄成熟度检测方法

目的:解决现有番茄成熟度检测方法存在的检测精度低和模型参数量多等问题。方法:基于番茄图像采集系统,提出了一种改进的YOLOv4模型用于番茄成熟度自动检测。将轻量级网络MobileNetv3网络引入模型替换CSPDarkNet53网络,降低模型复杂度。在SPP模块中采用平均池化替代最大池化,提高算法对小目标的检测精度。在上采样过程中引入注意力机制CBAM增强深浅层特征融合能力,并通过试验验证所提模型的可行性。结果:与常规方法相比,试验方法在番茄成熟度检测中具有较高的检测mAP值和运行效率,且模型参数量较少,mAP值为92.50%,检测速度为37.1 FPS,模型参数量为48 M。结论:该番茄成熟度检测方法能有效降低模型参数和检测时间,具有较高的检测mAP值。

基于改进YOLOv4模型的群养生猪姿态检测

为了提升猪舍环境下生猪姿态检测的速度和性能,在YOLOv4模型的基础上提出一种改进的Mini_YOLOv4模型。首先,该模型将YOLOv4的特征提取网络改为轻量级的MobileNetV3网络结构,以降低模型参数量;其次,在检测网络的CBL_block1、CBL_block2模块中使用深度可分离卷积代替传统卷积,避免了复杂模型导致的内存不足和高延迟问题;最后,将原YOLOv4网络每个尺度的最后一层3×3卷积改为Inception网络结构,以提高模型在生猪姿态检测上的准确率。应用上述模型,对生猪的站立、坐立、腹卧、趴卧和侧卧5类姿态进行识别。结果显示,Mini_YOLOv4模型较YOLOv4模型在检测精度上提升了4.01百分点,在检测速度上提升近1倍,在保证识别精度的同时提升了实时性,可为生猪行为识别提供技术参考。

基于改进YOLOv4模型的茶叶病害识别

【目的】提出了一种改进的YOLOv4模型,为自然环境下3种常见茶叶病害(茶白星病、茶云纹叶枯病和茶轮斑病)的快速精准识别提供支持。【方法】使用MobileNetv2和深度可分离卷积来降低YOLOv4模型的参数量,并引入卷积注意力模块对YOLOv4模型进行识别精度改进。采用平均精度、平均精度均值、图像检测速度和模型大小作为模型性能评价指标,在相同的茶叶病害数据集和试验平台中,对改进YOLOv4模型与原始YOLOv4模型、其他目标检测模型(YOLOv3、SSD和Faster R-CNN)的病害识别效果进行对比试验。【结果】与原始YOLOv4模型相比,改进YOLOv4模型的大小减少了83.2%,对茶白星病、茶云纹叶枯病和茶轮斑病识别的平均精度分别提高了6.2%,1.7%和1.6%,平均精度均值达到93.85%,图像检测速度为26.6帧/s。与YOLOv3、SSD和Faster R-CNN模型相比,改进YOLOv4模型的平均精度均值分别提高了6.0%,13.7%和3.4%,图像检测速度分别提高了5.5,7.3和11.7帧/s。【结论】对YOLOv4模型所使用的改进方法具备有效性,所提出的改进YOLOv4模型可以实现对自然环境下3种常见茶叶病害的快速精准识别。

基于改进YOLOv4模型的无人机巡检图像杆塔缺陷检测方法研究

针对现有输电线路无人机巡检图像缺陷检测方法存在的精度低、耗时长等问题,为了实现输电线路杆塔鸟巢的快速和准确识别,基于无人机巡检图像采集与处理系统,提出了一种改进的YOLO4模型用于输电线路杆塔图像的鸟巢检测。采用轻型MobileNetV2网络替换CSPDarkNet53网络,提高特征提取速度,在SPP模块中采用平均池化替换最大池化,提高算法对小目标的检测精度,引入注意力机制CBAM增强特征表达。通过试验验证了所提方法的可行性和优越性。结果表明,所提方法与常规检测方法相比,在输电线路杆塔图像缺陷检测中具有更优的检测精度和速度,检测精度达到94.40%,检测速度为60 FPS。所提研究为输电线杆塔缺陷检测方法的发展提供了一定的参考。

基于Yolov4模型的玉米幼苗与杂草识别检测

作物生长过程中杂草与作物争夺水分、养分和光照,阻碍作物正常生长。除草是农业生产中的一个重要环节,对提高作物产量和质量起着决定性作用。本文以玉米幼苗及其常见的6种伴生杂草为研究对象,将Yolov4模型引入到作物与杂草识别检测中。检测模型先采用CSPDarknet53前置基础网络进行图像特征提取,然后在颈部网络中利用空间金字塔模块和FPN+PAN结构实现多尺度层级特征融合,最后通过检测头网络输出预测目标类别和位置信息。结果表明,本文模型对作物与杂草平均识别精度达到94.59%,检测一幅图像的平均时间为30.42 ms,相比于Faster-RCNN和SSD模型,具有识别速度快与检测精度高等优点,可以为自动化除草所涉及的苗草识别问题提供有效技术参考。

基于YOLOv4网络模型的金属表面划痕检测

金属表面划痕检测旨在实现金属划痕的分类识别和尺度精确定位。由于划痕本身形态各异且其与背景的低对比度特性,当前基于传统图像处理方法难以精确实现划痕的定位与识别。为此提出一种基于小尺度卷积核的浅层神经网络模型,模型借鉴小目标检测相关理论,在数据层面对划痕进行增强,训练网络模型,实现表面划痕的精确检测。结果表明,相对于原始的YOLOv4网络模型而言,该网络模型且能够更好地避免不明显划痕的漏检测和误检测现象的出现,也能够更精确且完整地提取出贯穿式或较长的划痕。该模型完全能够满足生产线精确检验要求。

基于改进YOLOv4的葡萄叶片病害检测

针对葡萄叶片病害检测漏检率高,检测效果不佳的问题,提出了一种基于YOLOv4模型改进的葡萄叶片病害识别算法YOLOv4-PSA-CA.改进算法引入PSA(Pyramid Split Attention)模块取代YOLO4网络中原有的3×3的卷积,实现多尺度特征提取;将CA(Coordinate Attention)模块嵌入颈部网络中,获取更丰富的跨通道信息和位置信息.为了验证改进算法的有效性,选取葡萄叶片常见的4种病害作为检测对象制作数据集,改进的YOLOv4算法在此数据集上平均准确率均值(mAP)达到84.07%,比原YOLOv4算法mAP提升了4.04%.实验结果表明,改进算法能够在实验环境和自然环境下对葡萄叶片病害进行有效检测,为葡萄病害及时精准防控提供了依据.

基于YOLOv4⁃tiny模型的细胞图像识别技术研究

根据细胞的形态特征进行病理分析是现代医疗健康领域常用的技术手段,传统的细胞识别及分类存在易疲劳、效率低、医师水平及主观因素带来的不确定性等问题。为此,提出基于YOLOv4⁃tiny模型的细胞图像识别技术。在Jetson Nano人工智能平台上设计开发了面向细胞的智能检测系统,通过加入Dropout改进了YOLOv4⁃tiny轻量化网络模型,有效防止了训练数据过度拟合的问题,实现了基于细胞形状特征的精准识别。实验结果表明,该系统的细胞检测准确率可高达99%,能够大幅提高细胞在显微镜下的检测精度及检测效率,促进了人工智能技术在医学检测领域的应用。

基于YOLOv4的空间红外弱目标检测

在空间红外弱目标检测问题中,相关模板法和帧间差分法等传统算法判别率较低,且对数据质量要求较高。针对这一问题,本文提出了一种基于改进YOLOV4的空间红外弱目标检测方法,该算法首先针对空间不同红外目标建立了相应的数据集;以YOLOv4为基础建立了空间目标检测任务专用的神经网络框架,利用k-means聚类算法重新构造先验框;针对红外弱目标的特性设计了多尺度融合算法来提高弱目标的检测精度;最后应用COCO数据集和实验室采集到的红外图像数据集对本算法进行了训练和测试。试验结果表明,本文改进算法较YOLOv4算法在检测的准确性上有明显提升,其平均准确率(AP)可达93.25%以上,检测速度达到了38.99 ms/frame,验证了算法对于空间红外弱目标检测的有效性,很好地满足了空间红外弱目标检测任务的需求。

一种基于YOLOv4⁃TIA的林业害虫实时检测方法

针对现有基于深度学习的林业昆虫图像检测方法存在检测精度低和检测速度慢的问题,提出一种结合改进PANet结构与三分支注意力机制的目标检测方法YOLOv4-TIA。通过对样本数量较少的昆虫类别进行数据增强,实现样本均衡分布。利用三分支注意力机制改进YOLOv4中的CSPDarkNet53骨干网络,同时通过旋转操作和残差变换建立维度间的依存关系,以提高有效的特征通道权重,在PANet结构上增加将跳跃连接与跨尺度连接相结合的特征融合方式,从而获取更丰富的语义信息和位置信息。在此基础上,采用Focal loss函数优化分类损失,解决正负样本不均衡的问题。实验结果表明,该方法的精确率和召回率分别达到85.9%和91.2%,相比SSD、Faster R-CNN、YOLOv4方法,其在保证检测速度的同时,能够有效提高检测精度,且实现对林业害虫的实时精确监测。

轻量化YOLOv4的车辆目标检测研究

针对YOLOv4模型在目标检测过程中参数量和计算量较大而导致实时性不佳的问题,提出了一种轻量化模型L-YOLOv4(Light YOLOv4)。该模型以YOLOv4特征金字塔结构和多尺度检测为基础,对模型结构进行了整体的优化和改进,采用MobileNetV2网络代替主干特征提取网络,同时用深度可分离卷积替换加强特征提取网络的普通卷积,从而达到减少网络参数量的目的。实验时对UA-DETRAC车辆数据集进行了基于旋转不变性下的数据增强,以缩小图像预测框与真实框之间的误差。多模型对比实验结果表明,L-YOLOv4模型相较于其他常用的轻量级检测模型有着更小的参数量和更快的FPS,与YOLOv4模型相比,参数量减少了83.21%,FPS增加了11帧,并减少了车辆漏检情况。

基于YOLOv4及金字塔LK光流法的变压器振动检测方法

近年来大规模可再生能源接入变电站带来过载、谐波、短路等问题,导致变压器等重要电力设备故障率增加,寿命缩短。作为电力系统的关键设备之一,变压器的运行状况对电网的安全稳定运行具有重要影响。为了实现变压器的实时状态评估,提出一种基于视频的变压器振动信号实时检测方法。首先利用YOLOv4模型进行变压器目标检测,进一步利用金字塔LK(Lucas Kanade)稀疏光流法以及大津算法(OTSU法)计算得到变压器振动矢量。实验结果表明,在人工合成的变压器振动视频中,该算法可以实时准确计算得到变压器振动矢量,从而实现对变压器状态的实时可靠分析。

基于Yolov4-Tiny与RANSAC算法的管纱识别抓取系统

针对络筒机依赖人工上纱的非自动化问题,课题组提出一种基于Yolov4-Tiny目标检测模型的识别抓取系统,实现了管纱的检测、定位及抓取任务。首先利用深度相机获取RGB-D图像,通过训练深度学习网络Yolov4-Tiny,生成预测结果;然后利用预测框信息将原始点云进行裁剪,采用快速点特征直方图与RANSAC算法进行配准;最后利用手眼标定的方法将深度图像坐标信息转换到机械臂坐标系下完成抓取。实验结果表明:系统管纱平均抓取成功率达到65%,在非结构化的环境中具有良好的抓取结果,满足管纱抓取的实际生产需求。

一种优化YOLO模型的交通警察目标检测方法

针对复杂交通场景中交通警察目标检测与定位准确率低的问题,提出一种优化YOLOv4模型的交通警察目标检测方法。首先,采用4种随机转换方式对自建的交通警察数据集进行扩充,解决了模型过拟合问题并提高模型的泛化能力;其次,将YOLOv4主干网络替换为MobileNet并引入Inception-Resnet-v1结构,有效地减少了参数总量并加深了网络层数;然后,使用K-means++聚类算法对自建数据集进行聚类分析以重新定义网络的初始候选框,提高了交通警察目标深度特征的学习效率;最后,引入焦点损失函数以优化分类损失函数,解决了训练中正负样本数量不平衡问题。研究结果表明,优化后的YOLOv4模型大小仅50 M,AP值达98.01%,与FasterR-CNN,YOLOv3和原始YOLOv4模型相比均有提升。有效解决了目前复杂交通场景中交通警察目标的漏检、误检及检测精度低等问题。

基于深度学习的近地面草原鼠洞识别计数关键问题研究与应用

鼠洞密度可用于评估草原鼠害发生程度。在近地面鼠洞图片采集与识别中,图像分辨率和拍摄倾角是影响时效性和识别性能的关键因素。为此,设计了带有倾角传感器的图像采集装置,在锡林郭勒草原采集2325张鼠洞图片并进行手工标注,对比分析了3种图片输入尺寸(416 pixel×416 pixel、608 pixel×608 pixel、1024 pixel×1024 pixel)、4类拍摄倾角(21°、32°、41°、51°)、2种目标识别模型(YOLOv3和YOLOv4)对识别性能的影响。结果表明:YOLOv4模型在输入图片尺寸为416 pixel×416 pixel时能取得最优的性能。当拍摄倾角为41°时,识别性能最优;当拍摄倾角为32°时,识别性能最差。与近3年发表的鼠洞识别方法进行对比分析,验证了本文方法的性能先进性。研究结果可为草原鼠害的智能化监测提供技术支撑。

安全帽佩戴检测网络模型的轻量化设计

现有的安全帽佩戴检测网络模型存在准确率低、推理速度慢、部署到边缘计算设备时精度和实时性均达不到应用要求等问题。提出一种轻量化设计的DT-YOLO模型,对YOLOv4-Tiny目标检测模型进行改进,通过增加一个检测层提高模型在密集场景下对小目标的检测能力,并引入空间金字塔池化模块,提高模型对不同尺寸目标的检测能力。使用局部稀疏因子衰减算法进行稀疏化训练,从而使经过稀疏化训练后模型的平均精度均值(mAP)得到提高。根据缩放系数判断通道的重要性,并进行模型的通道剪枝,压缩模型的大小和计算量。使用TensorRT推理加速引擎进行网络层水平和垂直融合,消除拼接层操作,并将参数压缩成16位浮点型,提高模型的推理速度,最后在Jeston Nano边缘计算设备上实现模型部署。实验结果表明,与YOLOv4-Tiny模型相比,DT-YOLO模型的mAP提高了3.6个百分点,模型大小减少了83.5%,帧率提高137.7%,能够满足安全帽佩戴检测的要求。

基于无人机图像检测的林业虫害监控预防

为解决现有基于无人机图像的虫害监控方法效率低效果差,且需要耗费大量人力物力的问题,研究基于深度学习构建了基于无人机的林业虫害检测框架,将浅层网络提取的特征信息传递到深层网络,并通过剪枝和批量归一化折叠对模型进行了轻量化改进。结果表明,训练过程中各模型趋于稳定时,改进后的YOLOv4模型平均准确率达97.38%,计算成本和存储需求较原始的YOLOv4已分别降低17.81个百分点和23.38%;平均检测正确率比改进前高12.75个百分点。

基于改进YOLOv4的航空发动机小目标损伤检测研究

智能化的航空发动机损伤检测是飞机故障诊断重要的研究方向,针对现有目标检测模型对航空发动机的小目标损伤检测效果差的问题,提出了一种改进的基于You Only Look Once version 4(YOLOv4)的多尺度目标检测方法。在路径聚合网络(PANet)中构建低层次的特征融合层,将更浅层的特征与深层特征融合,提高网络对小目标损伤的检测性能。为减少网络中的冗余参数,在颈部结构中引入了深度可分离卷积,将标准卷积重构为深度可分离卷积的形式。实验表明:改进后的YOLOv4对小目标损伤的检测精度提升了3.43%,模型大小降低了54.06 MB,同时检测速度提高了31.03%。研究结果表明改进的YOLOv4模型对小目标损伤具有更好的检测性能。