基于改进YOLO v3-tiny的奶牛乳房炎自动检测方法

针对利用热红外技术检测奶牛乳房炎精度低的问题,提出了一种改进YOLO v3-tiny的奶牛乳房炎自动检测方法,构建了自动检测奶牛关键部位模型。改进YOLO v3-tiny算法以YOLO v3-tiny为基础,首先在卷积层与池化层之间加入残差网络,增加网络深度,进行深层次地特征提取、高精度地检测分类;其次在网络的关键位置加入了压缩激励(Squeeze and excitation,SE)注意力模块,强化有效特征,增强特征图的表现能力;最后比较了激活函数ReLU、Leaky ReLU与Swish的性能,发现激活函数Swish优于激活函数ReLU和Leaky ReLU,故将网络模型主干部分卷积层中的激活函数更改为Swish激活函数。改进后的奶牛关键部位检测模型检测结果准确率为94.8%,召回率为97.5%,平均检测精度为97.9%,F1值为96.1%,与传统模型相比,准确率提高了9.9个百分点,召回率提高了1.7个百分点,平均检测精度提高了2.2个百分点,F1值提高了6.2个百分点,性能指标均优于YOLO v3-tiny模型,满足实时检测的要求。使用该目标检测算法进行奶牛乳房炎检测试验,将获得的温差与温度阈值比较,判定奶牛乳房炎的发病情况,并以体细胞计数法进行验证。结果表明,奶牛乳房炎检测精度可达77.3%。证明该方法能够实现奶牛关键部位的精准定位并应用于奶牛乳房炎检测。

基于改进YOLO v3-tiny的全景图像农田障碍物检测

为实现自动导航农机的避障,解决搭载在农机顶部的全景相机获取其周围360°的图像信息并精确实时快速检测出障碍物的问题,提出了一种改进YOLO v3-tiny目标检测模型,实现了田间行人和其他农机的检测与识别。为了提高全景图像中小目标的检测效果,以检测速度快、轻量级的网络模型YOLO v3-tiny为基础框架,通过融合浅层特征与第二YOLO预测层之前的拼接层作为第三预测层,增加小目标的检测效果;为了进一步增加网络模型对目标特征的提取能力,借鉴残差网络的思想,在YOLO v3-tiny主干网络上引入残差模块,增加网络深度和学习能力,从而能够较好地提高网络的检测能力。为了验证模型的性能,建立了农田环境下1100幅行人与农机两类障碍物图像原始数据集,经数据扩增后得到2200幅图像数据集,按8∶1∶1将数据集划分为训练集、验证集和测试集,在Pytorch 1.8深度学习框架下进行模型训练,模型训练完后用220幅测试集图像对不同模型进行测试。试验结果表明,基于改进YOLO v3-tiny的农田障碍物检测模型,平均准确率和召回率分别为95.5%和93.7%,相比于原网络模型,分别提高了5.6、5.2个百分点;单幅全景图像检测耗时为6.3 ms,视频流检测平均帧率为84.2 f/s,模型内存为64 MB。改进后的模型,在保证检测精度较高的同时,能够满足农机在运动状态下实时障碍物检测需求。

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。

基于视频图像的弓网接触位置动态监测方法

针对列车人工检测受电弓状态效率低下的问题,提出基于视频图像的弓网接触位置动态监测方法。首先,将运用帧间差抓取受电弓视频中得到的包含弓网的图像作为原始训练数据集;然后,对复杂的受电弓图像背景进行分割处理,采用超像素分割获得最大特征区域,结合特征图像的HOG(方向梯度直方图)获得最大特征ROI(感兴趣区域),形成训练数据集,并设计标签;最后,运用改进的YOLO v3-tiny-strong网络结构检测分类器,用训练的权重对视频目标进行监测。结果表明:该动态监测方法能够在每1帧图像中精确标记出受电弓与接触网的接触点位置,并且能够持续对受电弓的运动状态进行捕捉,有效获取接触点与受电弓的相对坐标位置,从而达到对受电弓的监测目的,其对弓网视频的检测精度可达98%。

基于机器视觉的可视化航标灯监测系统

基于机器视觉的可视化航标灯监测系统是航标灯灯质监测的一项创新型项目,填补了此前航标灯质检测技术空白,同时也降低了维护航标灯的成本,有较高的应用价值。从航标灯识别、亮灭判断、灯质计算、检测结果等角度来展现该套系统的具体应用,并对未来航标灯灯质检测技术的进一步发展提供一些小小的实验成果。