基于YOLO神经网络的雷达目标成像识别评估研究

针对复杂地面背景环境下的武器装备精确探测识别需求,采用Lee增强滤波、对比度自适应直方图均衡化和能量归一化等图像预处理方法,提高SAR图像质量;通过引入两个可学习的参数和采用基于非极大值抑制(NMS)方法构建了优化的YOLO神经网络目标识别方法,对基于轮廓、纹理等特征的地面目标SAR图像自动识别进行了实验.实验结果表明,与形变卷积神经网络(DPM)和区域卷积神经网络(RCNN)相比,优化YOLO网络的目标识别率提升了10%以上,为基于目标成像识别的隐身性能评估提供了一种途径.

基于改进YOLO深度卷积神经网络的缝纫手势检测

在人机协作领域,针对动作手势相似度大,环境复杂背景下手势识别率低的问题,提出一种基于YOLO深度卷积神经网络检测识别缝纫手势的方法。以4种复杂缝纫手势作为检测对象并构建缝纫手势数据集,通过在YOLOv3低分辨率的深层网络处增加密集连接层,加强图像特征传递与重用提高网络性能,实现端到端的缝纫手势检测。实验结果表明,在缝纫手势测试集中,训练后的模型平均精度均值为94.45%,交并比为0.87,调和平均值为0.885。通过对比区域卷积神经网络、YOLOv2以及原始YOLOv3算法,提出的改进方法检测精度有显著提升;同时在GPU加速情况下,平均检测速度为43.0帧/s,可完全满足缝纫手势的实时检测。

基于卷积神经网络的输电线路金具缺陷检测方法

针对架空输电线路长期处于恶劣、复杂的自然环境中,线路上的金具受气候、地形、外力作用等影响出现的不同类型缺陷,提出一种基于YOLO V3卷积神经网络的输电线路金具缺陷检测方法。通过YOLO V3卷积神经网络提取不同类型缺陷的特征,并对其进行适应性改进,识别与定位这些缺陷在输电线路上的位置,可提高检测的准确性和实时性,及时发现线路故障,确保输电线路安全稳定运行,提高输电线路巡检的效率和电网的智能化程度。

胎体钢丝帘线缺陷的CD-YOLO分割算法应用

针对目前国内大环境下子午线轮胎胎体钢丝帘线缺陷检测的识别困难、效率低下的问题,提出以下几点的设计方案,引入YOLOv5神经网络降低检测成本,并且在YOLOv5中引入交叉注意力机制(CBAM)和深度可分离卷积机制,增强特征图像的表达能力,降低网络整体参数量。搭建由Python语言编写的软件平台,控制下位机的各项参数,同时将网络作为接口写入软件,完成可自动化连续目标检测的功能,可用于投入子午线轮胎的实际检测。实验对比数据显示,检测方法的精准度达到了96.17%,传输速度达到了52.93 fps。

基于YOLO优化的轻量级目标检测网络

目标检测是计算机视觉领域中一个相当活跃的研究领域,通过设计大型的深度卷积神经网络来提高目标检测的精度是一种十分有效的方法,然而目前在内存受限的应用场景中并不支持部署大型目标检测网。针对以上问题,文中提出了一种基于You Only Look Once(YOLO)系列单镜头目标检测网络设计原则的轻量级目标检测网,融合了GhostNet中的Ghost Module模块,并参考了MobileNet-v3中的通道注意力模块SE(Squeeze-and-Excitation),在卷积块中加入更优的ECA(Efficient Channel Attention)模块可以更好地利用可用的网络容量,使得网络在减少体系结构和计算的复杂度以及提升模型性能之间实现强的平衡;并且采用了Distance-IoU loss来解决检测框定位不准的问题,有效地提升了网络的收敛速度。最终模型的参数数量被压缩到了1.54 MB,小于YOLO Nano(即4.0MB),并且在VOC2007测试集上的mAP达到了72.1%,高于现有的YOLO Nano(即69.1%)。

基于街景影像和深度学习技术的城市流动商贩空间分布制图

流动商贩是城市社会生态系统中不可或缺的组成部分,高效治理流动商贩问题需要全面调查他们的经营规模和空间聚集信息。然而,传统方法在大规模流动商贩信息(尤其是他们的空间分布)的自动调查存在不足。文章提出一种基于街景影像和深度学习目标识别模型的流动商贩空间分布自动调查方法。按城市路网的固定间隔距离采集街景影像,通过人机交互的方式选取1957张包含一个或以上商贩的图像建立流动商贩标签数据。构建基于YOLO v4深度神经网络的图像目标检测模型识别街景影像库中的流动商贩,模型的平均F1值为0.77、mAP为0.67。精度能满足覆盖城市主要道路的流动商贩数量和位置调查的需要,进而应用核密度分布模型评估流动商贩的空间分布格局。以广州市的街头流动商贩为案例,通过所建立的自动调查模型在3339062幅街景影像中识别出26119名街头商贩,结果表明,流动商贩在中心城区以多中心聚集模式分布,主要集中在地铁站、城中村附近等人流量大的区域,随着道路等级的下降其数量上升,而且流动商贩偏好分布于租金中等的地区。文章提出的方法有助于实现高效、低成本和城市尺度的街头摊贩分布制图,所得结果有助于制定和实施非正规经济的空间治理政策,并进一步为街景图像丰富且开放的城市的空间治理政策的改进和实施提供建议。识别结果可用于对从业者的区位偏好分析、“邻避效应”探究以及疏导区的划定提供决策参考依据。

一种应用于滩涂地区清理的自动机器人(下)

针对我国滩涂垃圾污染的问题,设计一种可以完成目标垃圾检测、自主巡航、自动拾捡垃圾任务,适用于滩涂环境的清理车。清理车根据不同功能分为不同模块,分别是普通垃圾清理模块、网状垃圾清理模块、防陷入式履带行进系统、信号传输系统、基于神经网络算法的垃圾识别模块、导航定位模块、能量供应模块。

一种应用于滩涂地区清理的自动机器人(上)

针对我国滩涂垃圾污染的问题,设计一种可以完成目标垃圾检测、自主巡航、自动拾捡垃圾任务,适用于滩涂环境的清理车。清理车根据不同功能分为不同模块,分别是普通垃圾清理模块、网状垃圾清理模块、防陷入式履带行进系统、信号传输系统、基于神经网络算法的垃圾识别模块、导航定位模块、能量供应模块。

基于双目视觉的泊车机器人障碍物检测系统

针对泊车机器人和智能停车库研究领域中对视觉系统的需求,设计了一种基于双目视觉的泊车机器人障碍物检测系统.借鉴物理学中的控制变量法完成双目相机标定,采用Bouguet算法进行立体校正,引入YOLO卷积神经网络对障碍物进行快速检测,利用改进立体匹配算法完成对弱光照下光滑边缘障碍物的检测,搭建双目视觉系统并进行实验验证.实验结果表明,该系统检测平均耗时为0.463 s,在1400 mm至2100 mm范围内检测误差在50 mm内,具有良好的实时性和较高精度,为经济型泊车机器人的研制奠定基础.

泊车机器人障碍物视觉识别系统研究

针对智能停车库中的泊车机器人视觉系统研究需求,提出一种基于双目视觉的泊车机器人障碍物识别系统。通过双目摄像头进行图像采集,利用张正友棋盘标定法进行双目相机标定;采用Bouguet进行立体校正,将高斯滤波与拉普拉斯算子相结合进行图像预处理;采用YOLO卷积神经网络对目标障碍物进行快速识别;利用区域匹配算法进行立体匹配并生成目标障碍物视差图;通过成像点和目标障碍物的立体几何关系计算得到目标障碍物的深度信息。实验结果表明,该系统具有良好的实时性和较高精度,障碍物识别时间平均为0.0901s,在2600mm具有最佳测距精度,可为泊车机器人自动泊车提供保障。

基于深度学习的自校准雷达测速系统的研究

雷达测速仪作为主要的测速设备,在车速测量方面扮演着至关重要的角色。然而,雷达测速仪在实际应用中仍存在一定局限性,特别是长时间保持测速数值的准确性是一大挑战。研究一种基于卷积神经网络的自校准雷达测速系统,保证雷达测速仪的数据准确可靠。提出了一种低成本的神经网络测速系统,使用数字图像处理技术、YOLO v7目标检测神经网络,实现目标车辆的提取;另外,设计了一种速度计算卷积神经网络,制作数据集训练该神经网络,并通过数据消融实验确定了神经网络的参数。进行实验验证,结果表明该系统能够准确可靠地测量车速,并且具有较高的精度和稳定性。该速度计算卷积神经网络可以有效地识别出雷达是否存在误差,以及过滤掉雷达收集到的异常数值。并且,借助该功能可以实现雷达的自动校准功能,从而保持测速设备的长期准确,提高测速工作的可靠性和可持续性。

基于人脸识别技术的“智慧宿舍”管理平台设计

采用B/S架构设计、开发了一套基于人脸识别技术的“智慧宿舍”管理平台.该平台由Open CV函数收集经过闸机通道的人员头像信息,通过HOG进行特征图像提取,利用改进的“YOLO”神经网络算法采集人脸信息,将得到的人员头像信息与数据库中的数据进行比对而实现人脸识别.