基于改进YOLO v3的轴承端面缺陷检测算法

为提高轴承端面缺陷检测的速度以及检测精度,提出一种基于改进YOLO v3的轴承端面缺陷检测算法。首先,对图像数据集进行数据增强处理以防止产生过拟合现象;其次,通过改进K-means聚类算法重新聚类出目标检测的Anchor Boxes,并引入SKNet注意力机制模块对原网络结构以及输出层结构进行改进;最后对改进的YOLO v3算法进行实验验证,并与原YOLO v3算法进行对比分析。结果表明,改进后的YOLO v3算法相比原YOLO v3算法对轴承端面缺陷检测的mAP值提升了7.03%,检测速度提升了34.7帧/s,验证了改进算法的有效性。

基于改进YOLO v3模型的多类交通标识检测

为了提高城市真实交通场景中的交通标志、交通信号灯及停止线检测精度,提出一种基于YOLO v3的多类交通标识检测模型——T-YOLO.该模型在YOLO v3目标检测模型的基础上,采用了四种尺度特征进行检测,设计了更贴合待测交通标识的先验框,提升了模型对多类交通标识等小目标检测性能.采集13000张城市交通场景图像并进行标注,制作成多类交通标志数据集.实验结果表明,该模型在TT100K交通标志数据集、在LaRA交通信号灯数据集均取得较好结果.同时,在自制SUTDB数据集上交通标志、交通信号灯、停止线检测精度分别为0.90、0.99、0.80.文中提出的T-YOLO模型检测实现了多类交通标识,并且检测精度高,具有一定工程实用价值.

基于YOLO v3深度学习算法的道路裂缝识别模型研究

针对道路裂缝检测识别需人工参与、传统算法识别不准确等问题,提出一种基于YOLO v3深度学习算法的道路裂缝识别方法。首先将数据集图片缩放成416×416,然后利用Labelme对数据进行裂缝标注并对边界框位置信息进行转换,最后利用YOLO v3算法框架进行模型训练。结果表明:YOLO v3算法的精确率、召回率、F1分数都大于95%,图片检测速度达到0.1231 s/张。YOLO v3深度学习算法在精度和速度上都满足了道路裂缝实时检测的要求。

基于YOLO v3的卷烟用瓦楞纸箱表面缺陷检测方法

提出了一种基于YOLO v3的检测算法,并建立了卷烟用瓦楞纸箱循环利用性能评价体系。对比了Faster RCNN与YOLO v3深度神经网络目标检测算法对采集的典型卷烟用瓦楞纸箱表面缺陷的识别结果。基于OpenCV库、Canny算法,开发了适用于测量卷烟用瓦楞纸箱表面缺陷尺寸及其分布位置的合理方案。结果表明,该算法的平均准确率达92.23%,可成功实现缺陷位置、尺寸的检测。

基于改进YOLO v5的复杂环境下桑树枝干识别定位方法

为实现复杂自然环境下对桑树嫩叶处枝干的识别检测,改变当前桑叶采摘设备作业过程中依赖人工辅助定位的现状,解决识别目标姿态多样和环境复杂导致的低识别率问题,提出一种基于改进YOLO v5模型的桑树枝干识别模型(YOLO v5-mulberry),并结合深度相机构建定位系统。首先,在YOLO v5的骨干网络中加入CBAM(Convolutional block attention module)注意力机制,提高神经网络对桑树枝干的关注度;并增加小目标层使模型可检测4像素×4像素的目标,提高了模型检测小目标的性能;同时使用GIoU损失函数替换原始网络中的IoU损失函数,有效防止了预测框和真实框尺寸较小时无法正确反映预测框及真实框之间位置关系的情况;随后,完成深度图和彩色图的像素对齐,通过坐标系转换获取桑树枝干三维坐标。试验结果表明:YOLO v5-mulberry检测模型的平均精度均值为94.2%,较原模型提高16.9个百分点,置信度也提高12.1%;模型室外检测时应检测目标数53,实际检测目标数为48,检测率为90.57%;桑树嫩叶处枝干三维坐标识别定位系统的定位误差为(9.4985 mm,11.285 mm,19.11 mm),满足使用要求。该研究可实现桑树嫩叶处枝干的识别与定位,有助于推动桑叶智能化采摘机器人研究。

基于CRV-YOLO的苹果中心花和边花识别方法

苹果树疏花是果园生产管理中的重要环节。准确高效地识别苹果中心花和边花,是研发智能疏花机器人的前提。针对苹果疏花作业中的实际需求,提出了一种基于CRV-YOLO的苹果中心花和边花识别方法。本文基于YOLO v5s模型进行了如下改进:将C-CoTCSP结构融入Backbone,更好地学习上下文信息并提高了模型特征提取能力,提高了模型对外形相似和位置关系不明显的中心花和边花的检测性能。在Backbone中添加改进RFB结构,扩大特征提取感受野并对分支贡献度进行加权,更好地利用了不同尺度特征。采用VariFocal Loss损失函数,提高了模型对遮挡等场景下难识别样本检测能力。在3个品种1837幅图像数据集上进行了实验,结果表明,CRV-YOLO的精确率、召回率和平均精度均值分别为95.6%、92.9%和96.9%,与原模型相比,分别提高3.7、4.3、3.9个百分点,模型受光照变化和苹果品种影响较小。与Faster R-CNN、SSD、YOLOX、YOLO v7模型相比,CRV-YOLO的精确率、平均精度均值、模型内存占用量和复杂度性能最优,召回率接近最优。研究成果可为苹果智能疏花提供技术支持。

基于YOLO v8n-seg和改进Strongsort的多目标小鼠跟踪方法

多目标小鼠跟踪是小鼠行为分析的基本任务,是研究社交行为的重要方法。针对传统小鼠跟踪方法存在只能跟踪单只小鼠以及对多目标小鼠跟踪需要对小鼠进行标记从而影响小鼠行为等问题,提出了一种基于实例分割网络YOLO v8n-seg和改进Strongsort相结合的多目标小鼠无标记跟踪方法。使用RGB摄像头采集多目标小鼠的日常行为视频,标注小鼠身体部位分割数据集,对数据集进行增强后训练YOLO v8n-seg实例分割网络,经过测试,模型精确率为97.7%,召回率为98.2%,mAP50为99.2%,单幅图像检测时间为3.5 ms,实现了对小鼠身体部位准确且快速地分割,可以满足Strongsort多目标跟踪算法的检测要求。针对Strongsort算法在多目标小鼠跟踪中存在的跟踪错误问题,对Strongsort做了两点改进:对匹配流程进行改进,将未匹配上目标的轨迹和未匹配上轨迹的目标按欧氏距离进行再次匹配;对卡尔曼滤波进行改进,将卡尔曼滤波中表示小鼠位置和运动状态的小鼠身体轮廓外接矩形框替换为以小鼠身体轮廓质心为中心、对角线为小鼠体宽的正方形框。经测试,改进后Strongsort算法的ID跳变数为14,MOTA为97.698%,IDF1为85.435%,MOTP为75.858%,与原Strongsort相比,ID跳变数减少88%,MOTA提升3.266个百分点,IDF1提升27.778个百分点,与Deepsort、ByteTrack和Ocsort相比,在MOTA和IDF1上均有显著提升,且ID跳变数大幅降低,结果表明改进Strongsort算法可以提高多目标无标记小鼠跟踪的稳定性和准确性,为小鼠社交行为分析提供了一种新的技术途径。

基于YOLO v5的直播油菜激光间苗系统设计与试验

间苗是保证直播油菜增产的一项关键技术措施,为解决人工间苗劳动强度大、机械间苗不精确的问题,采用机器视觉的方式,基于深度学习算法YOLO v5平台,设计并搭建自动间苗装置。机器视觉系统评估幼苗种群的合理密植情况,间苗算法以间距和幼苗叶展为评估标准,实现控制幼苗间距和筛选优质苗的功能。选用遗传算法对间苗行进路径进行规划,相较于未规划路径可缩短最低为50%的行进距离,最终采用激光器高温烧除的方式完成间苗作业。选取油菜苗作为试验材料,间苗阈值α是划定幼苗最小间距的参数,设置不同的间苗阈值α进行试验。结果表明,间除苗的数量随着间苗阈值α的增加而增加,幼苗平均密度下降的同时种群分布趋于均匀,对间除苗的叶展长度分类统计,α为0~75 mm时,间除苗叶展长度全部在0~20 mm范围;α为75~200 mm时,间除苗叶展长度为0~40 mm,其中叶展长度为20~40 mm的最高占比约为76%;α为200~350 mm时,间除苗叶展长度在40 mm以上的幼苗开始增加,最高占比约为14%,间除苗叶展长度梯次分布证明了间苗算法具备筛选优质苗的性能。间苗执行阶段耗时占据间苗作业总耗时的90%以上,以激光走线参数L、激光器功率P、间苗距离阈值为试验因素,三因素三水平正交试验结果表明:选择合适的激光走线参数L能有效提高间苗死亡率、降低间苗误伤率和减少间苗耗时,在参数L为30 mm、P为7.5 W、α为250 mm下开展土槽台架性能验证试验,激光间苗平均死亡率为93.29%,平均误伤率为5.19%,平均总耗时为15.19 min,为开发基于机器视觉的激光自动间苗机提供了理论基础和技术支撑。

基于改进YOLO v5n的舍养绵羊行为识别方法

日常行为是家畜健康状况的重要体现,在传统的行为识别方法中,通常需要人工或者依赖工具对家畜进行观察。为解决以上问题,基于YOLO v5n模型,提出了一种高效的绵羊行为识别方法,利用目标识别算法从羊圈斜上方的视频序列中识别舍养绵羊的进食、躺卧以及站立行为。首先用摄像头采集养殖场中羊群的日常行为图像,构建绵羊行为数据集;其次在YOLO v5n的主干特征提取网络中引入SE注意力机制,增强全局信息交互能力和表达能力,提高检测性能;采用GIoU损失函数,减少训练模型时的计算开销并提升模型收敛速度;最后,在Backbone主干网络中引入GhostConv卷积,有效地减少了模型计算量和参数量。实验结果表明,本研究提出的GS-YOLO v5n目标检测方法参数量仅为1.52×10^(6),相较于原始模型YOLO v5n减少15%;浮点运算量为3.3×10^(9),相较于原始模型减少30%;且平均精度均值达到95.8%,相比于原始模型提高4.6个百分点。改进后模型与当前主流的YOLO系列目标检测模型相比,在大幅减少模型计算量和参数量的同时,检测精度均有较高提升。在边缘设备上进行部署,达到了实时检测要求,可准确快速地对绵羊进行定位并检测。

基于YOLO v5的农田杂草识别轻量化方法研究

针对已有杂草识别模型对复杂农田环境下多种目标杂草的识别率低、模型内存占用量大、参数多、识别速度慢等问题,提出了基于YOLO v5的轻量化杂草识别方法。利用带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration, MSRCR)增强算法对部分图像数据进行预处理,提高边缘细节模糊的图像清晰度,降低图像中的阴影干扰。使用轻量级网络PP-LCNet重置了识别模型中的特征提取网络,减少模型参数量。采用Ghost卷积模块轻量化特征融合网络,进一步降低计算量。为了弥补轻量化造成的模型性能损耗,在特征融合网络末端添加基于标准化的注意力模块(Normalization-based attention module, NAM),增强模型对杂草和玉米幼苗的特征提取能力。此外,通过优化主干网络注意力机制的激活函数来提高模型的非线性拟合能力。在自建数据集上进行实验,实验结果显示,与当前主流目标检测算法YOLO v5s以及成熟的轻量化目标检测算法MobileNet v3-YOLO v5s、ShuffleNet v2-YOLO v5s比较,轻量化后杂草识别模型内存占用量为6.23 MB,分别缩小54.5%、12%和18%;平均精度均值(Mean average precision, mAP)为97.8%,分别提高1.3、5.1、4.4个百分点。单幅图像检测时间为118.1 ms,达到了轻量化要求。在保持较高模型识别精度的同时大幅降低了模型复杂度,可为采用资源有限的移动端设备进行农田杂草识别提供技术支持。

基于改进YOLO v7轻量化模型的自然果园环境下苹果识别方法

针对自然果园环境下苹果果实识别中,传统的目标检测算法往往很难在检测模型的检测精度、速度和轻量化方面实现平衡,提出了一种基于改进YOLO v7的轻量化苹果检测模型。首先,引入部分卷积(Partial convolution, PConv)替换多分支堆叠模块中的部分常规卷积进行轻量化改进,以降低模型的参数量和计算量;其次,添加轻量化的高效通道注意力(Efficient channel attention, ECA)模块以提高网络的特征提取能力,改善复杂环境下遮挡目标的错检漏检问题;在模型训练过程中采用基于麻雀搜索算法(Sparrow search algorithm, SSA)的学习率优化策略来进一步提高模型的检测精度。试验结果显示:相比于YOLO v7原始模型,改进后模型的精确率、召回率和平均精度分别提高4.15、0.38、1.39个百分点,其参数量和计算量分别降低22.93%和27.41%,在GPU和CPU上检测单幅图像的平均用时分别减少0.003 s和0.014 s。结果表明,改进后的模型可以实时准确地识别复杂果园环境中的苹果,模型参数量和计算量较小,适合部署于苹果采摘机器人的嵌入式设备上,为实现苹果的无人化智能采摘奠定了基础。

基于改进YOLO v5的复杂环境下花椒簇识别与定位方法

花椒树产果量大,枝干纵横交错,树叶茂密,给花椒的自动化采摘带来了困难。因此,本文设计一种基于改进YOLO v5的复杂环境下花椒簇的快速识别与定位方法。通过在主干提取网络CSPDarknet的CSPLayer层和Neck的上采样之后增加高效通道注意力ECA(Efficient channel attention)来简化CSPLayer层的计算量,提升了特征提取能力。同时在下采样层增加协同注意力机制CA(Coordinate attention),减少下采样过程中信息的损失,强化特征空间信息,配合热力图(Grad-CAM)和点云深度图,来完成花椒簇的空间定位。测试结果表明,与原YOLO v5相比较,改进的网络将残差计算减少至1次,保证了模型轻量化,提升了效率。同帧数区间下,改进后的网络精度为96.27%,对比3个同类特征提取网络YOLO v5、YOLO v5-tiny、Faster R-CNN,改进后网络精确度P分别提升5.37、3.35、15.37个百分点,连株花椒簇的分离识别能力也有较大提升。实验结果表明,自然环境下系统平均识别率为81.60%、漏检率为18.39%,能够满足花椒簇识别要求,为移动端部署创造了条件。

基于YOLO v5的水稻害虫分类

针对水稻害虫识别过程中存在的检测难度大、模型精度低、计算量大等问题,以稻纵卷叶螟等14类水稻害虫为研究对象,改进了YOLO v5检测算法,引入高效通道注意力机制(efficient channel attention, ECA)与EIoU(efficient-IoU)损失函数,并结合Ghost卷积,提出了一种基于改进的YOLO v5水稻害虫识别方法:(1)通过引入ECA注意力机制实现对水稻害虫识别过程中重要信息的处理,采用跨通道信息交互,保证模型性能和降低复杂度;(2)引入EIoU损失函数代替CIoU(complete-IoU)损失函数,从而降低原有CIoU损失函数存在的回归精度问题;(3)利用Ghost卷积替换CBS模块及C3模块中的标准卷积,实现模型轻量化处理。结果表明,改进后的模型较原始YOLO v5模型精度略微提升,参数量减少,模型体积降低至7.38 MB,较原模型减少了46%,与YOLO v7、Faster-RCNN模型相比,mAP比YOLO v7高1.49百分点,比Faster-RCNN高12.89百分点,且本研究模型体积最小,检测速度满足实时性要求,使水稻害虫检测识别能够更加高效地完成,为水稻害虫检测提供了一种更优的方法,对于防治水稻害虫有重要意义。

基于改进DeepLabv3+的轻量化作物杂草识别方法

为在存储资源与计算能力有限的设备上实现田间作物和杂草的识别,本文提出一种基于改进DeepLabv3+的轻量化语义分割网络。首先,以MobileNet v2作为DeepLabv3+的特征提取骨干网络,提出双分支残差模块替换倒残差模块,并删除后两层卷积以降低模型参数量。其次,在空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模块中引入分组逐点卷积,使用深度扩张卷积替换标准卷积,并将卷积后的特征图进行多尺度特征融合增强对作物和杂草深层特征的提取能力。最后,将原有的非线性激活函数替换为Leaky ReLU激活函数来提升分割精度。实验结果表明:改进后网络的mIOU达到86.75%,参数量仅为0.69M,FPS达到了98,与原始DeepLabv3+以及3个典型轻量化语义分割网络的相比,参数量最小,在对比的轻量化网络中具有最高的分割精度。

改进DeepLab v3+模型下的梯田遥感提取研究

[目的与意义]梯田作为农业生产的关键要素之一,其面积估算对于农业政策制定、土地规划和资源管理至关重要。为解决复杂的地形条件、种植环境导致传统遥感数据和监测方法难以开展梯田自动化提取问题,探索一种利用深度学习技术在高分辨率遥感影像中精准提取梯田面积的方法。[方法]以休耕期梯田高分六号影像构建语义分割数据集,同时提出一种改进的DeepLab v3+模型。该模型使用轻量级网络MobileNet v2作为骨干网络,为了同时兼顾局部细节和全局语境,使用多尺度特征融合(Multi-scale Feature Fusion module,MSFF)模块代替空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模块,利用扩张率依次增大的空洞卷积级联模式改善信息丢失的问题。此外,对浅层特征和深层特征使用坐标注意力机制以加强网络对于目标的学习。[结果与讨论]利用红、绿和近红外波段组合方式在梯田提取的精度和效果上表现最佳。相比于原始DeepLab v3+网络,精确率、召回率、F_(1)评分和交并比指标分别提升4.62%、2.61%、3.81%和2.81%。此外,与UNet和原始DeepLab v3+相比,改进的DeepLab v3+在参数量上和浮点运算数有着更为优越的性能,其参数量仅为UNet的28.6%和原始DeepLab v3+的19.5%,同时浮点运算数仅为UNet和DeepLab v3+的1/5。这不仅提高了计算效率,也使得改进后的模型更适用于资源有限或计算能力较低的环境中。[结论]深度学习在高分辨率遥感影像梯田识别中具有较高的精度,有利于为梯田精细化监测和管理提供参考依据。

基于改进YOLO v7和DeepSORT的罐笼人员跟踪计数方法

煤矿副井罐笼载人时,超载现象时有发生,给副井运输安全带来了隐患。针对该问题,提出了基于改进YOLO v7和DeepSORT的罐笼人员跟踪计数方法。首先利用煤矿副井罐笼区域的监控摄像头采集的视频制作罐笼行人数据集,再利用改进的YOLO v7对罐笼人员进行识别:基于GhostNet网络改进YOLO v7以提升模型的实时性;通过引入ACmix注意力机制提升模型对副井复杂背景人员的感知能力,并基于SIoU损失函数进一步增强模型的鲁棒性;最后利用优化后的DeepSORT算法对罐笼人员进行跟踪计数:基于CIOU优化DeepSORT算法的匹配准确度,使目标追踪更加稳定。试验结果表明:在构建的CP dataset数据集上,改进后的YOLO v7网络的均值平均精度mAP达到了97.4%,算法的跟踪准确性MOTA和跟踪精度MOTP分别达到了95.74%和94.26%。

基于改进YOLO v3算法的空中红外目标检测

为进一步提升空中作战条件下目标检测的性能,本文通过优化YOLO v3,提出了一种基于空中红外目标的检测算法EN-YOLO v3。该算法使用轻量的EfficientNet骨干网络作为YOLO v3的主干特征提取网络,使模型参数大幅减少,降低模型的训练时间;同时选用CIoU作为模型的损失函数,优化模型损失计算方法,提升模型的检测精度。结果表明,优化后的EN-YOLO v3目标检测算法与原YOLO v3相比模型尺寸减少了50.03%,精准度提升了1.17%,能够有效提升红外场景下空中目标的检测效果。

基于ZYNQ的Yolo v3-SPP实时目标检测系统

基于卷积神经网络的目标检测算法发展迅速,随着计算复杂度增加,对设备的性能及功耗要求越来越高。为了使目标检测算法能够部署在嵌入式设备上,本文采用软硬件协同设计方法,使用FPGA对算法进行硬件加速,提出了ZYNQ平台下的Yolo v3-SPP目标检测系统。本文将该系统部署在XCZU15EG芯片上,并对系统所需的功耗、硬件资源及性能进行了分析。首先对要部署的网络模型进行优化,并在Pascal VOC 2007数据集上进行训练,最后使用Vitis AI工具对训练后的模型进行量化、编译,使其适用于ZYNQ端的部署。为了选取最佳的配置方案,探究了各配置对硬件资源及系统性能的影响,从系统功耗(W)、检测速度(FPS)、各类别平均精度的平均值(mAP)、输出误差等方面对系统进行了分析。结果表明:在300 M时钟频率下,输入图片大小为(416,416)时,针对Yolo V3-SPP和Yolo V3-Tiny网络结构,检测速度分别为38.44 FPS和177FPS,mAP分别为80.35%和68.55%,片上芯片功耗为21.583 W,整板功耗23.02 W。满足嵌入式设备部署神经网络模型的低功耗、实时性、高检测精度等要求。

一种改进的tiny YOLO v3煤矸石快速识别模型

传统的煤矸石分选方法效率低下、安全隐患较大、应用范围受限,现有的基于机器视觉的煤矸石图像识别方法在模型识别速度与精度上难以平衡,未综合考虑输入图像尺寸不一、重要通道权重较低及卷积参数量大对模型精度的影响。针对上述问题,在tiny YOLO v3模型的基础上,提出了一种改进的tiny YOLO v3煤矸石快速识别模型。首先,在tiny YOLO v3模型引入多卷积核组合池化的特征金字塔池化(SPP)网络,确保输入特征图可被处理为固定尺寸再输出;其次,引入RGB通道权重可调节的压缩激励(SE)模块,用于增强前几层特征图各通道之间的联系,强调感兴趣通道的特征值和不同目标特征之间的差异性,确保关键信息的捕捉和网络灵敏度;最后,引入包含0权值点的空洞卷积替代tiny YOLO v3模型中部分卷积层,在不增加模型参数的前提下,可捕获多尺度上下文信息进而扩大感受野,提高模型计算速度。将该模型分别与tiny YOLO v3模型、Faster RCNN模型、YOLO v5系列模型进行对比,结果表明:(1)与tiny YOLO v3相比,改进的tiny YOLO v3煤矸石快速识别模型的识别准确性和快速性都有显著提升。(2)与Faster RCNN相比,改进的tiny YOLO v3煤矸石快速识别模型训练时间减少了65.72%,识别精度增幅为11.83%,识别召回率增幅为0.5%,模型平均精度均值(m AP)增幅为3.02%。(3)与YOLO系列模型相比,改进的tiny YOLO v3煤矸石快速识别模型在保持识别精度优势的情况下识别速度有大幅增长。消融实验结果表明:改进的tiny YOLO v3煤矸石快速识别模型的识别准确率为99.4%,较加入SPP网络的tiny YOLO v3模型的识别准确率提高了4.9%;测试每张图片耗时12.5 ms,较加入SPP网络的tiny YOLO v3模型耗时减少了1 ms。

基于改进的ViBe和YOLO v3算法的行人检测方法

针对传统视觉背景提取(visual background extractor,ViBe)算法在进行行人检测时会产生鬼影的缺点,本文提出了一种基于改进的ViBe和YOLO v3算法的行人检测方法。利用改进的YOLO v3算法YOLO v3-SPP(spatial pyramid pooling)对ViBe算法的初始化策略进行改进以消除鬼影。运用YOLO v3-SPP算法对首帧图像进行行人检测,使用本文提出的行人消除方法将检测出的行人进行消除,并将输出图像代替ViBe算法的首帧,从而达到消除鬼影的目的。经过分析和实验验证,结果表明该算法能够有效解决鬼影问题。