基于改进YOLOv4的水稻病害快速检测方法

针对水稻图像中复杂背景带来的病斑难以识别、检测速度慢等问题,以水稻稻瘟病、白叶枯病和胡麻斑病图像为研究对象,提出一种基于改进YOLOv4的水稻病害检测方法,该方法以YOLOv4模型为主体框架,采用轻量级网络MobileNet V3代替原始主干网络CSPDarkNet-53,并通过在颈部网络添加坐标注意力模块(coordinate attention module,CAM)来提高模型的性能。结果表明,改进后的模型对水稻稻瘟病、白叶枯病、胡麻斑病的识别准确率均有所提升,平均精度均值(mean average precision,mAP)为85.34%,与原始YOLOv4模型相比,mAP提高了1.32%,每秒钟检测图像的帧数(frames per second,FPS)为53.43帧/s,检测速度提高了49.62%,说明研究得出的方法具有较高的平均准确率及较快的检测速度,能够用于田间复杂环境下的水稻病害快速识别。

轻量化的YOLOv4目标检测算法

YOLOv4目标检测算法主干网络庞大且参数量和计算量过多,难以部署在算力和存储资源有限的移动端嵌入式设备上。提出一种改进的YOLOv4目标检测算法,使用轻量化的ShuffleNet V2网络作为主干特征提取网络,更换模型激活函数及扩大卷积核,同时将YOLOv4网络中的普通卷积替换为深度可分离卷积,降低算法参数量、计算量和模型占用空间。在ShuffleNet V2网络结构的改进过程中分析并剪裁其基本组件,利用2个3×3卷积核级联的方式增强网络感受野,并使用Mish激活函数进一步提升网络检测精度和模型推理速度。在GPU平台和VisDrone 2020数据集上的实验结果表明,与YOLOv4算法相比,改进的YOLOv4算法在牺牲1.8个百分点的检测精度情况下,提高了27%的检测速度,压缩了23.7%的模型容量,并且能够充分发挥ZYNQ平台并行高速数据处理及低功耗的优势。

基于改进的YOLOv3算法在目标识别与抓取中的应用

针对目标识别与抓取领域中CNN、Faster-RCNN等传统神经网络系列算法的识别准确率不高,实时性较差的问题,提出一种基于YOLOv3的改进神经网络算法。改进的YOLOv3算法主要是引用Inception网络思想,通过不同尺度的卷积核对目标进行多尺度特征提取,在增加网络宽度的同时减少YOLOv3网络的循环次数。同时,YOLOv3算法对于anchor box的选取方式使用Meanshift(均值漂移)聚类算法与K-means聚类算法相结合的方式进行改进,解决了K值需要人为测定的问题。改进的YOLOv3算法在自制数据集进行对比实验,实验结果表明:改进YOLOv3算法的mAP(Mean Average Precision)值要高于YOLOv3算法10%,在识别速度上提高了9%,在充分满足实时识别的同时提高了对中小目标识别的准确率。

基于改进轻量级SE-Yolov4的热轧钢表面缺陷检测方法

针对传统热轧钢表面缺陷检测存在的检测精度较低、检测速度较慢,传统机器学习检测存在检测速度慢、鲁棒性差等问题,提出一种基于改进轻量级SE-Yolov4热轧钢表面缺陷检测方法.Yolov4主干特征提取网络CSPDarknet53的每一层残差网络中嵌入SENet结构,构成SE-Yolov4网络,有选择地聚集有效信息;同时在主干特征网络输出不同特征信息后和空间池化金字塔前后增加卷积层数,网络结构复杂化;SE-Yolov4算法中嵌入轻量化MobileNet v3结构,减少模型参数量,提高检测速度.实验结果表明:该改进算法在测试集中的mAP值达到93.02%,较Yolov4算法检测精度提升7.2%,检测速度提升近3倍.