基于改进YOLOv5算法和DeepSort算法的多目标检测和跟踪

针对因受水面波纹、反光及目标外观特征相似而导致的游泳池中目标检测跟踪困难的问题,提出一种基于改进YOLOv5算法和DeepSort算法的多目标检测和跟踪方法;通过引入注意力机制改进YOLOv5算法,增强算法对目标特征的提取能力;将检测结果输入到DeepSort算法中,在级联匹配中引入K邻域限制筛选目标检测框,减少因目标外观特征不明显引起的身份切换问题;利用匈牙利算法对检测框和预测框进行匹配,对未匹配成功的检测框采用距离交并比代替交并比进行二次匹配,提高DeepSort算法的跟踪性能;通过对比实验和消融实验验证所提出的多目标检测跟踪算法的性能。结果表明:改进的YOLOv5算法平均精准度提高2%,结合DeepSort算法跟踪检测,身份切换平均减少58次,多目标跟踪精确率为80.26%,比原始YOLOv5算法和Deepsort算法跟踪准确率提升了3.85%。

基于DeepSORT算法的智慧消防系统人员定位研究

近年来火灾相关的消防安全问题成为研究热点之一,而电气消防中的人员定位问题又成为关注的重点问题。将DeepSORT算法与空间坐标转换算法相结合,针对火灾发生时被困人员的位置进行检测和实时定位,该算法中采用改进的卡尔曼滤波器与匈牙利计算器相结合,对人员运动的轨迹进行识别匹配与更新,识别后再通过坐标转换实时显示人员定位,解决了对目标难以进行准确识别以及定位不精确的问题,并在减小了多目标识别时对人员检测所产生的误差问题,达到在复杂建筑中对多目标准确快速识别的效果。

基于YOLO v5+DeepSORT算法的羊群游走同步群体决策行为研究

随着畜牧养殖智能化监控技术的产业化应用,进一步提升畜禽养殖的分类施策精细化管理,成为现代畜牧业精细高效养殖管理的新需求。采用固定机位、多角度视频采集技术,实时记录羊群牧食过程中的游走行为;针对羊群游走视频中易出现遮挡的复杂情况,设计了基于YOLO v5模型的羊群多目标检测模型,羊群游走过程中的多目标实时跟踪识别率可达90.63%;采用羊群游走多目标轨迹跟踪DeepSORT算法,通过提取羊目标的深度表观特征,计算出羊群游走轨迹和变化节拍规律。结果表明,羊的游走过程通常为慢走、快走和疾走3种方式,单只羊的游走过程通常是不固定的随机组合。在中大规模羊群中,由于亲缘关系结构的复杂性,羊群往往分化为多个小群体,这使得从整体上观察和分析羊群行为变得异常困难。为此,聚焦于小规模羊群进行研究,通过羊群散列、聚集和同步3个游走过程分析,初步验证了羊群游走节拍周期上的同步现象。

基于CenterNet搭配优化DeepSORT算法的断奶仔猪目标跟踪方法研究

[目的]断奶仔猪是生猪养殖业中的重点关注对象,群养环境下的仔猪精准跟踪是分析仔猪个体行为、监测仔猪个体健康的基础。本文提出1种基于深度学习的断奶仔猪目标跟踪方法。[方法]利用基于中心点的CenterNet检测算法设计断奶仔猪目标检测模型,对DeepSORT算法的检测部分进行优化;训练优化跟踪过程中提取仔猪目标外观特征的模型,结合卡尔曼滤波和匈牙利匹配算法,改进重识别环节,实现具有深度关联度量的断奶仔猪目标实时检测与跟踪。[结果]算法测试结果表明,断奶仔猪目标检测模型的平均精度均值和召回率分别为99.0%和78.6%,多目标跟踪精度MOTA和MOTP指标分别为96.8%和81.8%。[结论]本文所提方法改善了因断奶仔猪外表高度相似性以及黏连遮挡情况导致跟踪困难的问题,可在群养环境中精准跟踪断奶仔猪个体,算法为后续仔猪个体行为分析研究提供技术支撑。

基于DeepSORT算法的循环水养殖鱼池漂浮死鱼智能捞除技术研究

为解决工厂化循环水水产养殖过程中出现的少量鱼类死亡对养殖水体的污染问题,需要将鱼池中处于漂浮状态的死鱼及时捞除。提出一种基于DeepSORT改进算法的循环水养殖鱼池漂浮死鱼的智能捞除方法。步骤如下:首先,建立循环水养殖鱼池漂浮死鱼捞除系统,完成相机标定和机械臂手眼标定,实现目标死鱼与机械臂间的坐标转换;然后,采用更贴合目标死鱼轮廓的旋转检测算法对目标死鱼进行检测识别,并输出目标死鱼信息作为DeepSORT算法的输入项;再次,通过旋转外观特征和旋转IOU改进DeepSORT算法,获取更具有鲁棒性的目标死鱼信息,实现对目标死鱼的实时检测识别与跟踪;最后,采用ROS的话题通讯机制,将目标位置发送到机械臂控制系统,控制机械臂实现目标死鱼的智能捞除。结果显示:本算法下多目标跟踪准确率为79.6%,比YOLOv5-DeepSORT算法提高了22.6%;多目标跟踪精确度为68.4%,较YOLOv5-DeepSORT算法提高了4.9%;在进水和曝气正常的情况下,一次性捞除成功率达到77.14%。研究表明,该方法可有效实现对鱼池表面漂浮死鱼的智能捞除,并可为其他领域的移动物体智能抓取研究提供技术参考。

基于改进YOLOv5+DeepSort算法模型的交叉路口车辆实时检测

针对传统目标检测跟踪算法检测精度低、鲁棒性差的缺点,以及交叉路口图像视频资源冗余的现象和车辆密集程度高的特点,提出了一种基于改进YOLOv5和DeepSort算法模型的交叉路口实时车流量检测方法,在MS COCO和BDD100k相结合的数据集上,采用改进的YOLOv5算法模型实现视频小目标车辆检测,利用深度学习多目标跟踪算法DeepSort对检测的车辆进行实时跟踪计数,实现了交叉路口监控端对端的实时车流量检测。通过分析比较不同参数的模型,最终选定了YOLOv5m模型。实验结果表明,该方法在复杂环境、车辆遮挡和目标密集程度高等环境下检测速度更加快,对车辆的检测效果更好,平均准确度达到96.6%。该方法完全满足目标实时性检测的要求,能充分满足交叉路口车辆检测的有效性,满足实际需要的使用需求。

基于改进YOLOv5-DeepSORT算法的公路路面病害智能识别

针对目标检测算法在多尺度无人机(UAV)图像中对公路路面病害容易出现漏检误检及同一病害在连续帧图片中被重复检测的问题,提出一种具有病害重识别能力的路面检测方法。通过引入真实宽高损失与纵横比以提升损失函数性能,利用CA(Coordinate attention)注意力机制提升模型在复杂背景下的识别能力,将模型初始特征引入特征融合网络提升模型检测多尺度病害的鲁棒性,构建基于DeepSORT(目标检测的多目标跟踪算法)的二级检测机制实现对病害的重识别与统计。试验结果表明,模型平均检测精度mAP达到89.19%,较基准模型提升了3.11%;F1分数为0.8514,较原模型提升了2.49%;同时也优于主流目标检测算法;在无人机影像下病害计数精度达到91.38%,较改进前提升25.86%,为公路路面检测与养护提供精确实时的病害数据。

基于改进YOLOv5+DeepSort算法的块状磨屑的识别与计数研究

传统块状磨屑的处理方式存在效率低、收集不及时等问题,为了实现块状磨屑的精准定位检测,需研究块状磨屑的识别及数量统计。文章在原始YOLOv5算法的基础上添加注意力机制后,进一步强化了块状磨屑的有效特征;用BiFPN结构代替YOLOv5原有PAN结构,加强了浅层特征的利用。添加大尺度检测层,可更加准确地定位小尺寸块状磨屑;选择EIoU作为目标框回归的损失函数,提高收敛速度。在此基础上,该研究采用DeepSort算法和虚拟检测线法实现块状磨屑的数量统计。利用轨道小车采集的数据进行块状磨屑的检测和计数试验。试验结果表明:较于原始YOLOv5算法,改进YOLOv5算法虽然检测速率有所下降,但是精确率提升了4%、召回率提升了7.5%、均值平均精度提升了9.7%,改善了小尺寸块状磨屑的检测效果。改进YOLOv5+DeepSort算法结合改进检测线在各场景下可较准确地实现对块状磨屑的计数。

基于DeepSORT算法的鱼道过鱼种类识别和计数研究

为了解决鱼道过鱼监测中鱼类种类识别和计数问题,基于深度学习技术,以异齿裂腹鱼、拉萨裂腹鱼、拉萨裸裂尻和尖裸鲤为目标鱼类,在Y江某水电站鱼道开展过鱼种类识别和计数实验。首先,将过鱼视频制作成数据集,评估Faster R-CNN、YOLOv4和YOLOv5s 3种目标检测算法的性能。其次对DeepSORT算法中检测部分做出改进:将目标检测算法由Faster R-CNN替换为YOLOv5s,用于检测视频中的鱼类。然后采用卡尔曼滤波算法和匈牙利匹配算法对检测到的鱼类进行跟踪预测和最优匹配,通过对每一条目标鱼类分配唯一的ID,在视频中部划分虚拟“检测线”的形式,对过线的鱼类实现计数。结果表明:(1)Faster R-CNN、YOLOv4和YOLOv5s的鱼类平均检测准确率分别为80.85%、82.85%和86.6%。其中,YOLOv5s的准确率最高,异齿裂腹鱼、拉萨裂腹鱼、拉萨裸裂尻和尖裸鲤的种类识别准确率分别为94.19%、90.22%、84.57%和77.41%。(2)以YOLOv5s为检测器的DeepSORT算法鱼类计数平均准确率为71%,异齿裂腹鱼、拉萨裂腹鱼、拉萨裸裂尻和尖裸鲤计数准确率分别为80.7%、66.2%、64.8%和72.4%。研究结果能够为实现鱼道过鱼监测的自动化、智能化提供新方法,为鱼道的运行管理提供决策参考依据。

基于改进DeepSORT算法的摩托车头盔佩戴检测

为了解决在实际道路场景中对摩托车驾乘者头盔佩戴情况的检测与跟踪问题,提出一种优化的DeepSORT多目标跟踪摩托车头盔检测算法。使用改进的YOLOv3算法作为目标检测器,该方法采用MobileNetv3-Large作为YOLOv3特征提取网络,以轻量化网络结构,借鉴CEM模块的思想,引入SoftPool池化层和SE模块,构建了深浅语义融合增强模块,加强网络对输入特征深浅语义的编码能力。为了实现摩托车头盔佩戴分类和DeepSORT算法中外观特征识别模型的优化,构建多任务学习框架,通过对比损失函数和改进的交叉损失函数对多任务网络进行迭代训练来提升相似度学习能力和实现最终头盔佩戴情况分类。实验结果表明:在目标检测方面,改进网络的摩托车检测精度相较原始算法提升了4.56个百分点,模型大小仅为YOLOv3的13.7%。结合DeepSORT算法,多目标跟踪准确率相较于YOLOv3-DeepSORT算法从51.6%提升到了67.5%,多目标跟踪精度从57.3%提升到75.6%,检测追踪速度由6 FPS提升到了20 FPS,最终的NPH模型检测分类精度为72.42%。实现了对实际道路中摩托车驾乘人员头盔佩戴检测及追踪,具有较强的实用价值。

基于YOLOv4与改进DeepSORT算法的车流量检测

为了提高不同时段车流量的检测率,本文在优良的目标检测模型YOLOv4基础上,将传统的DeepSORT算法进行改进,将原有的IoU变为CIoU,保留追踪信息的同时,提供了更丰富匹配策略,使得目标追踪更加稳定,在一定程度上解决了光线较暗容易丢失目标的问题。最后在车流量检测阶段将本文改进算法与SORT算法、DeepSORT算法进行对比试验。试验结果表明,在白天情况下,本文算法相较于SORT算法提高10.7%,较DeepSORT算法提高1.3%;在夜晚情况下,本文算法相较于SORT算法提高18.1%,较DeepSORT算法提高7.9%。本文改进算法在夜晚车流量检测精准,从而为环境昏暗的条件下物体目标检测与追踪提供了理论参考与方法依据。

基于DeepSORT算法的前方道路车辆跟踪研究

针对部分遮挡、目标漏检等导致的车辆ID频繁切换以及跟踪精度低的问题,本文提出了一种优化DeepSORT跟踪器的方法。一方面设计了S2Net36重识别网络:首先加深重识别网络构建ResNet36网络,提取更深层次的车辆外观特征;其次构建SER模块提取目标关键特征以及构建SE-Res2Net模块提取目标区域特征;最后基于ResNet36网络分别融合SER模块与SE-Res2Net模块得到S2Net36重识别网络。另一方面,引入三元组损失函数拉近相同目标不同样本之间的特征距离,通过提取更具有辨别力的车辆外观特征用于数据关联,进而提升对前方道路车辆的跟踪能力。实验结果表明,相比于DeepSORT原始算法,改进的算法的MOTA提高了1.18%,IDF1提升了0.80%,提高了对前方道路车辆的跟踪精度与稳定性,有望为自动驾驶车辆提供技术支持。

基于Transformer改进的YOLOv5+DeepSORT的车辆跟踪算法

针对传统目标检测跟踪算法检测精度低、全局感知能力差、对遮挡和小目标物体的识别能力差等问题,提出了一种基于轻量化Transformer改进的YOLOv5和DeepSORT算法的车辆跟踪方法。首先,利用EfficientFormerV2模型改进YOLOv5算法模型,增强车辆的目标检测能力;然后,利用移位窗口(Swin)模型的优点改进DeepSORT多目标跟踪算法中的重识别(Re-Identification)模块,提高车辆的跟踪能力和精度;最后,通过数据集KITTI和VeRi开展对比试验和消融实验。结果表明,在复杂工况下,该方法的性能在车辆遮挡和小目标识别方面显著提高,平均准确度达到96.7%,目标跟踪准确度提高了9.547%,编号(ID)切换总次数减少了26.4%。

基于YOLOv8和DeepSort的多区域行人追踪算法研究

针对多摄像头重叠场景中行人追踪容易发生身份丢失、切换的问题,本文提出了一种基于YOLOv8和DeepSort的多摄像头跟踪算法.在检测阶段,利用无参注意力机制增强网络对行人特征的提取能力,提高了检测器的性能.在追踪阶段,通过提取两个摄像头的视角关键点,并计算出两个视角的单应性矩阵,实现了不同视角图像的拼接.通过利用目标间的单应性关系,在DeepSort算法中完成目标匹配.并在MOT15数据集中,对所改进的算法进行了测试.实验结果表明,本文提出的基于YOLOv8和DeepSort的改进算法的平均跟踪精确度为63.5%,比原始算法提升了3.4%.改进算法在行人身份切换次数方面减少了52次,比原始算法减少了6.5%.

基于改进YOLOv5s和DeepSORT的行人跟踪算法

为提高DeepSORT目标检测器YOLOv5s算法的检测精度,本文将注意力机制CBAM融入到YOLOv5s网络结构中,改进双向特征融合网络BiFPN,使用EIoU作为边界框损失函数。基于VOC 2007行人数据集的测试结果表明本文算法的精确率、召回率和平均精度相比于原算法分别提高0.3、1.0和0.3个百分点;在MOT17数据集上的测试结果表明本文算法的MOTA、IDF1、MT、IDR分别提升1.8个百分点、2.9个百分点和1、2.7,FN与ML分别降低了4373和11。测试结果验证了改进YOLOv5s作为检测器能够有效提升算法的跟踪精度。

改进YOLOv5与DeepSort的车辆目标检测跟踪算法

针对当前目标车辆因遮挡、天气等因素造成的漏检,以及跟踪过程中车辆身份丢失和变换等现象,本文提出了一种改进的YOLOv5与DeepSort车辆检测跟踪算法。在车辆目标检测部分,本文在YOLOv5网络中添加了注意力模块CBAM,以更有效地提取目标特征;同时,引入了SIoU作为边界框损失函数,不仅提升了边界框定位的准确性,也加快了边界框的回归速度。在车辆跟踪部分,改进了DeepSort算法,使用扩展卡尔曼滤波器预测非线性环境下的车辆位置,并且使用匈牙利算法将预测轨迹和检测轨迹进行最优匹配,从而在复杂环境下优化由车辆相互覆盖引起的漏检问题。最终,通过改进后的YOLOv5与DeepSort算法进行检测和跟踪,并使用UA-DETRAC数据集进行验证。实验结果表明:改进后的YOLOv5用于目标追踪算法后,平均精确度较原算法提高了4%;结合改进后的DeepSort追踪算法,平均精确度提高至63.6%,比原算法提高了3.6%;车辆目标身份转换的次数比原算法减少了53次,降低了6.6%。改进后的算法模型在追踪精确度和实时性上均表现良好。

DAO媒介:驱动未来社会算法化与自组织的元媒介

DAO媒介是以区块链算法等技术为基础,支持数字社群协同自治的媒介,具有区块链、智能合约与投票等功能特性和要素确权、技术信任、规则构架以及场景聚合等价值禀赋。对于数字生态显露的各种问题,“算法化”是重构数字生态、降解社会系统复杂性的关键机制,DAO媒介是支撑“自组织式”算法化的元媒介。DAO媒介与数字文明时代喷发的微粒个体、微资源、微价值、微需求、微场景等相匹配,能够深度匹配人的个性与自我,形成有效的趣缘连接,进而极大地释放数字文明的生产力。DAO媒介将深刻影响社会系统的构造,将微粒个体与相关社会要素“包裹”为闭环子系统,支持其准开放的系统边界、有效的异质性整合、可持续的规则重构、子系统与父级系统的持续分化和快速进化,等等。在数字文明时代,DAO媒介将使“重新部落化”的“地球村”变为现实,其驱动构筑的DAO社会将更加多元、更加富有创造力,不断拓展人类群体实践的自由度,使人类在高度异质性聚合基础上更加和谐有序地整合协同。

改进YOLOX Tiny与DeepSort相结合的多目标跟踪算法

针对多目标跟踪时有发生误检、漏检等情况,提出了CSD YOLOX Tiny的多目标跟踪算法。在骨干网络中搭建结合三卷积的跨阶段局部Swin Transformer Block结构,提升网络模型对全局和上下文信息的捕获能力。在网络中引入组归一化,加快网络模型收敛速度并提升跟踪精度;采用坐标注意力机制对不同通道特征之间的相关信息进行有效整合,提升网络模型对感兴趣区域特征的获取能力。实验结果表明:提出的多目标跟踪算法跟踪精度提升了2.36%,达到56.38%。在保证网络模型参数量较少、计算量较小的情况下,提出的跟踪算法较好地改善误检和漏检问题,相比于YOLOX Tiny DeepSort算法误检、漏检数量分别减少了811、1574个,能满足常规设备实时高效的多目标跟踪任务需求。

基于自适应变异粒子群算法的风光储微网调度

为克服传统粒子群算法在求解时容易形成局部最优,求解精度低的不足,提出了一种基于自适应变异粒子群优化的微电网调度求解方法。惯性权重采用自适应正态分布递减,随着迭代次数的增加更新粒子位置的移动策略,并且在算法后期引入变异环节。为验证算法的有效性,文章与其他算法进行收敛性能对比,并对两种典型天气情况下的微网运行成本模型仿真求解,得到最优调度。算例结果表明,改进算法能够对粒子全局最优搜索优化,效果优于其他算法,可合理调配分布式电源出力时段,具有良好的可行性。

短定子磁浮列车基于悬浮间隙实现测速和定位的算法仿真及应用

短定子磁浮列车测速和定位技术实现方式与传统轮轨不同,目前有多种技术实现方式,但都需要在磁浮列车上设置测速和定位设备或系统,且与悬浮控制系统相互独立,但悬浮控制系统对速度信号和位置信号又有一定的依赖性。因此,设计了一种基于悬浮间隙实现测速和定位的算法,并通过仿真达到算法设计预期目的,最后通过编程将算法嵌入磁浮列车的悬浮控制系统硬件平台,实现测速和定位的算法应用,测速和定位信号完全集成于悬浮控制系统中,摆脱悬浮控制系统对外置测速定位系统的依赖,提升磁浮列车在轨道交通市场的竞争力。