基于YOLOv3算法的智能采茶机关键技术研究

在复杂背景下精确识别茶叶嫩芽,是实现高端茶叶智能化采摘的关键技术之一。为实现高端茶叶机械化精准采摘,设计一台基于视觉的采茶样机,根据蛛式机械手采摘茶叶的路径规划,将机械手末端的移动坐标问题转换成静平台3个电机转角问题。针对YOLOv3算法进行改进,采用EfficientNet网络替代DarkNet-53网络进行特征提取,并利用目标函数GIOU优化损失函数。试验结果表明:改进的YOLOv3算法在茶叶嫩芽识别方面,其准确率达到86.53%,单张图像平均识别时间为53 ms,相比传统的YOLOv3算法,性能实现明显的提升,可以达到预期目标,满足机器采摘需求。

基于改进YOLOV3算法的受电弓安全状态检测技术研究

受电弓是连接列车和接触网的重要部件,其运行中的工作状态直接影响列车的运营安全,近年来结合车载视频监控系统从图像上进行受电弓安全状态的检测成为主流方法。针对使用传统图像识别方法对受电弓安全状态进行检测存在的精度低和实时性差的现状,通过自建受电弓安全运行条件数据集,结合深度学习理论对其进行安全运行状态在线检测。采用GAN神经网络提升了数据集的性能,弥补了数据种类失衡的现象;通过对YOLOV3算法进行改造,插入即插即用的注意力模块,优化小目标的检测效果;通过与自研硬件的结合实现多路受电弓监控实时视频流的分析,为车载受电弓视频实时智能分析提供新的思路和有力支撑。

基于YOLOv3算法的变电站保护硬压板检测技术研究

针对目前变电站保护硬压板巡检多由人工进行读取和核对操作,费时费力且易出错,难以满足变电站二次设备智能化的要求的问题,研究了基于YOLOv3算法的变电站保护硬压板检测与状态识别技术。首先,通过对变电站保护硬压板进行数据采集和标注,建立了一个包含大量样本的数据集。然后,使用YOLOv3算法进行目标检测,实现了对变电站保护硬压板的准确定位和识别。针对硬压板的不同状态,设计了相应的特征提取和分类模块,通过对检测到的硬压板进行状态识别,实现了对硬压板状态的准确判别。实验结果表明,该方法在变电站保护硬压板检测和状态识别方面具有较高的准确性,对压板作业操作票确认、压板状态校核等业务实现具有一定参考价值,可为变电站设备的状态监测和故障的智能诊断提供有效的技术支持。

基于YOLOv3算法的变电站作业风险管控可视化远程监控方法

在现阶段的变电站作业风险管控可视化远程监控中,由于可视化图像的处理速度较慢,监控结果时延较高。为此,提出基于YOLOv3算法的变电站作业风险管控可视化远程监控方法。在变电站作业环境中布设传感器节点实现作业信息的动态感知,将感知数据进行融合并进行远程传导,采用传导数据进行图像可视化后,引入YOLOv3算法对图像进行处理,加速图像处理进程,实现远程监控。实验结果表明:所提方法应用后得出的监控结果表现出的时延较低,均值为0.17 s,实时性较高,满足了变电站作业风险管控的现实监控需求。

基于特征提取改进YOLOv3算法的马铃薯畸形识别

马铃薯畸形严重影响其商品价值,畸形剔除成为马铃薯产后售前的核心工作步骤之一。目前,该环节主要依靠人工目测进行,劳动消耗量大、投入成本高,精准、高效的自动检测技术亟待开发。近年来,机器视觉在物体外观及特性识别领域引起广泛关注,而马铃薯畸形属于马铃薯形态特征,故在获取马铃薯外形照片的基础上,采用改进的YOLOv3算法对马铃薯畸形进行识别。使用注意力特征金字塔替换YOLOv3算法中的特征金字塔,克服了特征融合过程中的干扰,增强网络的深层特征提取,并优化了特征表达,进而达到提升畸形检测精度、可靠性的目的。实验结果表明,改进的YOLOv3算法相比改进前精确率提升2.68%,F1精度提升2.31%,mAP提升3.34%,针对深层特征的检测能力明显增强。该算法高效、精准,为马铃薯畸形检测提供了一种更优的智能检测方法。

基于改进YOLOv3算法的变电站设备运行实时监测方法

常规的变电站设备运行监测方法以设备运行状态量采集为主,并未考虑到设备运行的时变性,无法满足变电站设备运行监测的实时性需求。因此,设计了基于改进YOLOv3算法的变电站设备运行实时监测方法。构建变电站设备运行实时监测架构,配置变电站设备运行的监测任务,并识别与跟踪设备监测目标,实现变电站设备运行的有效监测。利用TWUHF-G14传感器采集变电站设备运行状态数据,并对其进行数据预处理。基于此,利用改进YOLOv3算法优化变电设备运行监测网络,分析变电站设备的形状、运行状态等特点,并根据改进YOLOv3算法调整监测网络结构,满足设备监测的实时性需求。采用对比实验,验证了该方法的实时监测性能更佳,能够应用于实际生活中。

基于改进YOLOv3算法的堆叠工件检测

针对传统物体检测算法识别堆叠工件存在准确率低以及漏检的问题,提出一种基于改进YOLOv3算法的堆叠工件检测方法。首先,引入Inception结构增强特征检测网络的特征提取能力,提高堆叠工件检测的准确率;其次,引用增强型特征金字塔结构(enhanced feature pyramid network,EFPN),提高模型多尺度特征融合能力,改善算法漏检率高的问题;最后,利用K-means聚类融合交并比损失函数(intersection over union,IOU)重新确定工件锚框,解决YOLOv3网络预设锚框尺寸不适合现有工件的问题。实验结果表明,改进算法均值平均精确度(mean average precision,mAP)达到92.89%,相较于原始YOLOv3算法提高了5.32%,F1值为0.95,召回率为93.33%,精确率为97.65%,满足堆叠工件检测的指标要求。

改进YOLOv3算法下通航机场场面运动目标检测

为获得更好的检测精度和更快的检测速度,保障通航机场场面运行安全,提出一种改进的YOLOv3算法,分别从网络结构和损失函数2方面进行改进。首先,在主干网络中使用深度可分离卷积代替原卷积,构建基于距离交并比(DIoU)的目标框回归损失函数;然后,以某通航机场为研究对象,搭建通航机场场面目标检测场景,采用迁移学习和冻结训练相结合的训练方法,以提升场面目标检测的速度;最后,比较分析所提算法与传统的YOLOv3、YOLOv4算法的识别效果。结果表明:飞机目标的检测效果明显优于车辆和人员目标,改进的YOLOv3算法对目标的检测精度、召回率、全类平均精度(mAP)分别达到92.96%、80.51%、91.96%,图形处理器处理速度高达74帧/s,较传统的YOLOv3、YOLOv4算法性能均有明显提升,可实现通航机场场面运动目标的有效检测。

基于Yolov3算法的铁轨弹条检测识别

针对现有技术方案在铁轨弹条检测中存在检测率低或无法满足实时性要求等问题,提出了一种基于Yolov3算法的铁轨弹条检测方案。构建以卷积神经网络为主的网络结构,在每一层卷积层后加入残差块结构,加强了网络的特征学习能力;引入特征金字塔结构,加强网络层特征复用,实现对小目标检测精度的提升。相较于其他深度残差网络,所构建的网络结构检测率为95.10%,平均检测速度大于70 FPS,在检测精度未明显下降的情况下,实现了检测速度的大幅提升。在各种试验环境条件下,算法的鲁棒性良好,因此所提方案可满足实际的工程运用需求,实现对铁轨弹条的全天候检测。

基于YOLOv3算法的机械零件智能识别方法

为提高零件识别准确率,缩短识别耗时,提出一种基于YOLOv3算法的机械零件智能识别方法。该方法先对采集图像进行预处理,然后通过增强固定特征、提取图像缺陷特征点等方式识别机械零件特征,然后基于YOLOv3算法建立智能识别模型,实现机械零件智能识别功能。实验结果表明,该方法的检测准确率高于94.3%,检测耗时不超过2.1 ms,优于对比方法,应用效果较好。

基于增强Tiny YOLOV3算法的车辆实时检测与跟踪

针对深度学习方法在视觉车辆检测过程中对小目标车辆漏检率高和难以实现嵌入式实时检测的问题,该文基于Tiny YOLOV3算法提出了增强Tiny YOLOV3模型,并通过匈牙利匹配和卡尔曼滤波算法实现目标车辆的跟踪。在车载Jetson TX2嵌入式平台上,分别在白天和夜间驾驶环境下进行了对比试验。试验结果表明:与Tiny YOLOV3模型相比,增强Tiny YOLOV3模型的车辆检测平均准确率提高4.6%,平均误检率减少0.5%,平均漏检率降低7.4%,算法平均耗时增加43.8 ms/帧;加入跟踪算法后,本文算法模型的车辆检测平均准确率提高10.6%,平均误检率减少1.2%,平均漏检率降低23.6%,平均运算速度提高5倍左右,可达30帧/s。结果表明,所提出的算法能够实时准确检测出目标车辆,为卷积神经网络模型的嵌入式工程应用提供了参考。

基于改进YOLOv3算法的水面漂浮物检测方法

针对人工湖中的水面漂浮物检测问题,提出了一种基于改进YOLOv3的水面漂浮物目标检测算法,目标检测包括目标识别与目标定位。首先通过改进的k-means聚类算法获取先验框,以提高定位框与数据集标注框的匹配度,其次在YOLOv3算法框架的3个预测支路中添加类别激活映射(CAM),将原基于边界框的定位方式替换成基于像素点进行定位。实验结果表明:改进的YOLOv3算法提高了识别精度,降低了定位误差。识别精度为97.49%,比YOLOv3算法提高5.14%,平均定位误差为2.60个像素点,比YOLOv3算法减小了1.36。

基于改进YOLOv3算法的车辆目标检测

为有效解决车辆目标检测算法参数量大、计算成本高等问题,提出一种改进YOLOv3算法。利用深度可分离卷积和注意力机制重新设计主干特征提取网络结构,通过增大神经网络深度、拓宽特征提取层数实现更高层语义信息的提取,可获得更精细特征,减少模型参数量和计算量;引入CIOU回归优化损失函数,量化预测框与真实框中心点距离、重叠面积、尺度以及长宽比等评测指标,解决均方误差(MSE)损失优化方向不一致的问题,使目标框回归更加稳定。实验结果表明,该算法参数量为19.56 M,比YOLOv3算法降低了近67%,同时平均精度均值(mAP)提高了3.68%,每秒帧数(FPS)提高了8帧,为车辆目标检测提供了容易部署在移动端的轻量级网络。

金属表面缺陷检测的改进YOLOv3算法研究

针对现有的金属表面缺陷检测方法存在着检测效率低、适用范围受限、处理步骤繁琐等缺陷,提出了基于改进型YOLOv3算法的实时缺陷检测方法。该方法将采集到的图片分为N×N个格子,每个格子用来检测缺陷的中心点是否在格子中,利用特征金字塔与残差层融合特征的方式对图片中的缺陷进行定位,得到多个缺陷的边界框,使用非极大抑制的方法筛选出得分最高的边界框。为了提高检测效果,在输入端对图像进行直方图均衡化,并基于缺陷权重优化了算法中的损失函数以提高缺陷分类的准确性。最后,利用改进型YOLOv3算法对钢板表面的压痕与划痕进行了实验检测,结果显示该方法可以快速、准确检测出钢材表面的压痕与划痕,精度分别为92%和90%。

基于深度学习优化YOLOV3算法的芳纶带检测算法研究

矿用芳纶带传送设备在长期运输过程中会产生划伤、砸伤等损伤。芳纶带表面缺陷需要及时的检测,而传统机器视觉检测精度低、受背景干扰比较大、漏检率和误检率较高,因此,本文提出运用深度学习神经网络检测,查看一次统一的实时对象检测(you only look once unified real-time object detection,YOLO)。在现场的测试中,YOLOV3算法对小目标的识别精度比较低,敏感度不够,本文优化了YOLOV3算法,网络信息的传输过程,由ResNet(残差网络)替换为特征表述更为完整的DenseNet(密集连接网络),同时运用了卷积降维进行优化,减少检测时间。在现场经过比对,优化后的YOLOV3算法相较于通过频域变换和Otsu算法,检测精度提高了26%,对比没有优化的YOLOV3算法,检测精度提高了15%,通过在现场的实验,该方法有效地改善了对于芳纶带小目标的瑕疵检测。

基于YOLOv3算法的交通事故检测

针对深度学习算法虽然能够很好地对车辆进行检测,但网络结构复杂,存在大量冗余,导致检测速度非常缓慢的问题,提出基于缩放因子对网络结构进行剪枝。首先,训练网络通道的稀疏性,以便更容易筛选出重要的通道。在训练网络权值时,将L;范数应用于缩放因子和网络偏置,具有较小参数值的结构受到惩罚;其次,对网络结构中的缩放因子进行排序,并根据比例对缩放因子较小的结构进行修剪;最后,将修剪结构的偏置转移到后续层,以保持精度。对于车辆数据,经过训练和测试,修剪后的模型在精度几乎保持不变的情况下,每秒千兆浮点运算(GFLOPS)从33.2下降到8.1,参数量从62M下降到6.8M。

基于Darknet网络和YOLOv3算法的船舶跟踪识别

针对我国沿海与内陆水域区域视频监控处理存在实际利用率低、误差率大、无识别能力、需人工参与等问题,提出基于Darknet网络模型结合YOLOv3算法的船舶跟踪识别方法实现船舶的跟踪并实时检测识别船舶类型,解决了重要监测水域船舶跟踪与识别问题。该方法提出的Darknet网络引入了残差网络的思想,采用跨层跳跃连接方式以增加网络深度,构建船舶深度特征矩阵提取高级船舶特征进行组合学习,得到船舶特征图。在此基础上,引入YOLOv3算法实现基于图像的全局信息进行目标预测,将目标区域预测和目标类别预测整合于单个神经网络模型中。加入惩罚机制来提高帧序列间的船舶特征差异。通过逻辑回归层作二分类预测,实现在准确率较高的情况下快速进行目标跟踪与识别。实验结果表明,提出的算法在30 frame/s的情况下,平均识别精度达到89.5%,与传统以及深度学习算法相比,不仅具有更好的实时性、准确性,对各种环境变化具有较好的鲁棒性,而且可以识别多种船舶的类型及其重要部位。

基于YOLOv3算法的绝缘子红外图像故障检测方法

绝缘子作为输电线路中不可或缺的设备,对于维护电力系统的安全稳定起着重要的作用。以红外成像检测下的绝缘子图像数据为研究对象,探究基于YOLOv3算法的绝缘子红外图像故障检测方法。通过随机旋转角度、饱和度、曝光度、色调等预处理数据,构建绝缘子红外图像故障检测训练图谱库。通过K-means聚类训练集标注框,确定YOLOv3的网络节点输出尺寸,以Darknet-53网络为基本框架,通过训练和参数调整确立模型。经过测试分析,采用0.01训练速率构建的红外故障检测模型识别置信度为0.8127,误检率为0.0448,漏检率为0.1768,可以较为准确地判断出红外图像中绝缘子的故障发热点,具有一定的工程应用意义。

改进YOLOv3算法的车辆信息检测

车辆信息检测是车型识别在智慧交通领域中的首要任务。针对现有的车辆信息检测技术在检测速度、精度以及稳定性方面存在的问题,提出了基于YOLOv3的深度学习目标检测算法——YOLOv3-fass。该算法以DarkNet-53网络结构为基础,删减了部分残差结构,降低了卷积层的通道数,添加了1条下采样支路和3个尺度跳连结构,增加了一个检测尺度,并通过K-均值聚类与手动调节相结合的方法计算出12组锚框值。最后通过迁移学习机制对YOLOv3-fass算法进行微调。在自研的车辆数据集上,YOLOv3-fass算法与YOLOv3、YOLOv3-tiny、YOLOv3-spp算法以及具有ResNet50和DenseNet201经典网络结构的算法做了对比实验,结果表明YOLOv3-fass算法能够更精准、高效、稳定地检测到车辆信息。

改进YOLOv3算法在集装箱箱号定位中的应用

针对传统集装箱箱号定位精度差,效率低等问题,提出一种基于YOLOv3算法改进的深度神经网络,实现对集装箱箱号的快速定位。在对采集到的集装箱图片进行预处理后,通过聚类得到网络训练所需要的初始先验框尺寸,并针对集装箱号码定位的特点,简化了网络模型的输出和网络训练的损失函数,实现更加高效、精确的集装箱箱号定位。实验结果表明:基于改进YOLOv3算法的集装箱箱号的定位方法,具有高准确率与强实时性,定位的准确率高达98. 5%,同时可达26. 23 fps的定位速率,整体的实时性和准确率均可满足实际应用的需求。