基于YOLOv7-Tiny的交通标识检测算法研究

目标检测是智能驾驶系统中的重要组成部分,其中交通标识属于小目标检测,在图像中所占的像素比极少,识别难度大,且种类众多,数据样本不均衡,因此本文提出一种基于YOLOv7-tiny的交通标识检测方法。在YOLOv7-tiny算法中增加目标检测层,使网络更加关注小目标,改善目标检测的效果。引入TAM (Triplet Attention Module)三重注意力机制,通过使用一个三分支结构计算注意力权重,提高小目标检测能力。在TT100K交通标识数据集上,mAP达到84.23%,相较于YOLOv7-tiny提高了4.21%。试验结果表明,该方法对于复杂环境下的交通标识具有更好的检测性能,更能满足实际需求。

基于YOLOv8的可回收垃圾识别方法研究

随着经济和社会的快速发展,如何更好地分类、清运和回收垃圾已变得日益重要和广受重视。为了让垃圾的分选更加智能化,减少对人工的依赖,可以采用基于深度学习的目标识别算法,对垃圾图像进行有效地识别和检测。本文分析了于2023年1月新提出的YOLOv8 (You Only Look Once)算法的改进之处,并将YOLOv8算法应用于可回收垃圾的识别。实验结果表明,与基于YOLOv5算法的识别结果相比,基于YOLOv8算法的可回收垃圾的识别精度显著提高,mAP (平均精度值)达到了96%,已能满足分拣的需要。

基于改进SSD算法的输电线异物附着故障检测识别技术研究

近年来,我国电力系统紧跟科技前进步伐,得到了空前发展。因而为保证输电系统的稳定运行,对输电线异物附着故障的检测识别方法成为电力行业相关人员的研究热点。为了对输电线异物附着故障进行有效地识别检测,从而提高电力巡检效率,本文结合输电线异物附着故障图像特点,对常见SSD算法(Single Shot MultiBox Detector)进行有效改进,将VGG16特征提取网络替换为ResNet50,并针对原模型在小目标检测中的不足,设计并应用了特征融合模块,且对1241张输电线异物附着故障图像进行数据扩充并制作成包含5000余张图像的数据集,由此训练出目标检测网络模型,最后训练数据集的均值精度mAP (mean Average Precision)在97%左右,达到了故障检测准确性的要求。