基于yolov3的水果蔬菜检测算法研究

为减轻超市等需人工称重售卖体系在人流高峰期的售卖压力,同时响应当前国家对疫情防控中减少公共场所人员接触防疫政策,实现超市中水果蔬菜的智能化售卖也是当前实现智慧城市建设的一部分.其中智能化售卖中最关键的问题是实现对水果蔬菜的精确识别;文章采用YOLOv3网络算法模型,在自己采集构建的水果蔬菜数据集上进行训练和测试,并与Y...     

计算机视觉在对虾养殖业的应用实践

针对传统水产养殖业中养殖过程中容易受到养殖人员的个人经验从而导致养殖效率低下、能源损耗严重等问题,本文融合计算机视觉、人工智能、图像处理等技术,应用于对虾养殖业中并展开实践.首先在水下投放双目摄像机把拍取的对虾图像和视频上传至PC端,使用YOLOv5深度学习模型对虾体图像进行训练达到精准识别的效果,然后根据一系列的图像...     

密集人群人脸检测方法研究

针对密集人群图像中人脸检测普遍存在的遮挡及中小尺度目标特征少等问题,本文提出了一种改进YOLOv3的方法.该方法在YOLO网络中加入改进的密集卷积网络Res-DenseNet,用于网络特征的加强,结合上下文信息,使模型能学习到更多人脸特征,从而提高遮挡人脸的检测精度;对于中小尺度人脸特征不足问题,采用从浅层网络引出特征...     

改进YOLOv4算法在检测数据分析中的应用

传统检测方法存在检测精度低、检测时间长的问题,提出一种基于YOLOv4网络模型的改进检测方法。首先采用腐蚀、膨胀的形态学运算对原始CT图像进行预处理,将模型中主干网络替换为轻量特征提取网络EfficientNetV2,通过K-Means聚类算法得到数据集的先验框。检测平均精度相对传统网络FasterRCNN提升4.2%,较YOLOv3网络提升6.11%,实验结果表明,改进的网络在训练速度上有较大提升。     

基于改进YOLOv3-tiny的车辆目标检测

交通监控视频的车辆目标检测是智能交通监控系统中至关重要的组成部分,是车辆计数、事故检测等一系列操作的基础.针对YOLOv3 tiny网络存在的漏检、重复检测、误检等问题,通过增加网络中的卷积层个数,并将空间金字塔池化(spatial pyramid pooling,SPP)网络加入YOLOv3-tiny的特征提取网络之...     

一种基于改进YOLO v3的安全帽检测方法

在工地生产与建设中,工人由于未正确规范佩戴安全帽而发生的安全事故时有发生,为了保护工人的安全与降低由于为佩戴安全帽就进入施工现场而引起的意外事件的发生,提出了一种基于改进YOLOv3算法的安全帽佩戴检测方法。通过反卷积模块对网络进行上采样而增加网络在小物体上的表达能力来提高网络的检测准确度。理论分析与实验结果表明,改进的D-YOLOv3网络在检测速率不下降的情况下,mAP(Mean Average Precision)达到了88.8%,其准确率相较于YOLOv3有一定的提高,所提出的算法满足安全帽检测任务的准确性与实时性的要求。     

一种基于Attention-YOLOv3的海面舰船目标检测的方法

近年来，基于深度学习的视觉检测方法在海面舰船目标检测领域中的应用愈加广泛。为了解决传统视觉检测方法检测精度不高，对小目标检测效果不好的问题，提出了一种基于Attention-YOLOv3的海面舰船目标检测方法，有效提高了对舰船目标的检测性能。在对主流的One-stage与Two-stage模型结构及特点的调研分析的基础上，利用YOLOv3的特征提取网络Darknet-53来获取图像特征，通过特征金字塔网络（FPN）网络结构融合特征提取网络中深浅层的语义信息，并添加注意力机制模块来进一步优化网络性能。将改进后的Attention-YOLOv3模型应用到海面舰船检测场景中进行验证，基于搜集到的舰船目标制作成COCO格式的数据集进行训练，使用包含海面舰船目标的图片作为测试集进行测试。实验结果表明，改进后的Attention-YOLOv3网络对比原检测网络模型，解决了小目标检测不敏感的问题，达到了更高的检测效果。     

基于无人机平台的多目标跟踪算法

针对目前无人机平台多目标跟踪技术的跟踪精确度低、占用内存大的问题，提出了一种基于不同检测器算法和DeepSort算法结合而成的多目标跟踪算法，提高在无人机上对地面行人在跟踪数据集中的效果。使用深度学习的多目标跟踪技术通过构建卷积神经网络(Convolutional Neural Network, CNN),用卡尔曼滤波算法实现了对目标轨迹的预测，匈牙利算法则使卡尔曼滤波的预测结果得以分配，使DeepSort算法在保证跟踪效果的同时，也保证了跟踪时的速度。实验结果显示，DeepSort在与YOLOv5x检测器配合后，多目标跟踪精度可提高20%。     

基于红外热成像与YOLOv3的夜间目标识别方法

红外热成像图像反应物体温度信息,受环境条件影响较少,对于特定条件下的夜间安防监控、行车辅助、航运、军事侦查等方面具有很强应用价值。近年来使用人工智能对图像中目标检测与识别技术发展突飞猛进,广泛应用于各个领域。本文提出了一种结合红外热成像图像处理技术与人工智能目标识别技术的夜间目标识别方法。实时采集热成像视频进行预处理,增强其对比度与细节,使用基于深度学习技术的最新目标检测框架YOLOv3对采集处理后的热成像图像中特定目标进行检测,输出检测结果。测试结果表明,该方法对于夜间目标识别率高、实时性强,结合了红外热成像夜间监测和人工智能目标检测的优势,对于夜间的目标识别、跟踪技术具有重大应用价值。     

基于YOLOv5的UAV夜间目标检测技术研究

针对无人机(UAV)夜间目标检测技术准确率较低的问题,对现有夜间目标检测方法和YOLOv5算法进行简要介绍,提出了基于YOLOv5算法的夜间目标检测技术。通过在原YOLOv5网络中加入改进的Retinex算法对原网络进行动态增强,在模型训练过程中,将Focus层替换成CBS层,改善模型训练效果,并利用改进算法对UAV夜间目标检测性能进行仿真。结果表明,改进的YOLOv5算法在查准率和查全率方面分别比原YOLOv5算法提高了11.22%和5.32%,有效提升了UAV夜间目标检测能力。     

基于YOLOv5网络模型的人员口罩佩戴实时检测

近年来,随着硬件算力的提升和人工智能算法的创新发展,使得深度学习算法在目标检测方面有着广泛的应用。针对现有人工方式查看人员口罩佩戴情况的不足,提出了一种基于深度学习YOLOv5算法实现对口罩佩戴情况的实时检测。算法首先将数据集进行归一化处理,再将数据接入YOLOv5网络进行迭代训练,并将最优权重数据保存用作测试集测试,算法通过tensorboard可视化显示训练和测试结果。实验结果表明,所提算法检测的准确性高,实时性强,满足实际使用需求。     

基于SIOU函数的改进YOLOv5遥感目标检测方法

为提升YOLOv5算法对遥感图像密集目标的检测精度并改善漏检问题,提出了一种改进的YOLOv5遥感目标检测算法。改进方法首先采用7*7卷积模块替换骨干网络中Focus模块以增大模型感受野;其次,在保证与原模块效果相同的情况下使用SPPF以提升检测速度;最后,引入SIOU损失函数,利用边界框回归之间的向量角度来重新定义损失函数,有效提高了检测的准确性。实验结果表明,针对公开的NWPU VHR-10遥感数据集,所提改进算法在保持与原算法相同检测速度的情况下,检测精度提高了3.5%。     

改进YOLOv3的输电线路异物检测方法

输电线路因所处环境复杂,极易附着异物,若不及时发现和清理将会对输电线路安全运行造成严重影响。针对输电线路图像巡检中的异物检测精度不高的问题,提出改进YOLOv3的输电线路异物检测方法(YOLOv3-RepVGG)。该方法基于YOLOv3目标检测网络并对其改进,首先采用RepVGG模块替换骨干网络Darknet-53的残差单元,同时加倍模块数量来提高网络对图像特征的提取能力;其次通过增加网络的多尺度检测框提升检测精度,采用CIOU损失函数来一步优化网络模型。实验结果表明,提出的YOLOv3-RepVGG方法与YOLOv3相比,输电线路异物检测m AP提高了9.8%,其中精确率提高19.5%,召回率提高1.2%;与目标检测SSD,Faster R-CNN网络相比,YOLOv3-RepVGG在性能上也具有一定优越性。     

基于改进YOLOv3网络的非机动车检测

中国目前的交通主体主要由机动车、非机动车和行人构成.非机动车在日常的交通参与中占据了相当大的比例,同.时随着无人车自动驾驶技术和机动车驾驶辅助技术的不断突破与升级,非机动车检测成为了路况信息获取中的重要一环.由于非机动车数量大,在视频中的所占面积小,极易互相遮挡等原因,容易出现检测不准确和漏检等问题.针对该问题,基于YOLOv3算法,本文提出了一种改进模型,通过采用双重特征提取网络,同时在辅助网络和骨干网络的特征信息融合采用注意机制提高检测精度.实验结果表明,所提出的改进模型在公开数据集中取得了优于YOLOv3的检测结果,将平均检测准确率由79.33％提高至83.26％.     

YRNet:一种基于混合神经网络的多目标车辆检测方法

随着汽车保有量屡创新高，为提高道路交通安全水平，以目标车辆检测为核心，设计了一种用于多目标车辆检测的融合神经网络。为解决多尺度车辆难以检测、计算量大的问题，在Yolov5基础上将Backbone部分采用的CSP-DarkNet替换成了CSP-ResNext,搭建了新的融合网络YRNet;针对训练与推理过程中Batch Norm方法随batchsize变化效果极其不稳定的问题，改进了Group Norm方法；针对更好的性能，在计算量未显著增加的前提下将LeakyReLU激活函数换成了Mish激活函数。最后在自己制作的数据集上进行实验，并且通过TensorRT模型加速部署到实际应用中，平均检测精度达到了95.8%,速度达到了66FPS,能很好地满足实际应用需要。     

基于改进YOLOv4-tiny算法的手势识别

随着人机交互的发展,手势识别越来越重要。同时,移动端应用发展迅速,将人机交互技术在移动端实现是一个发展趋势。该文提出一种改进YOLOv4-tiny的手势识别算法。首先,在YOLOv4-tiny网络基础上,添加空间金字塔池化(SPP)模块,融合了图像的局部和全局特征,增强网络的准确定位能力。其次,在YOLOv4-tiny原网络的3个最大池化层和新增SPP模块后各添加一个1×1的卷积模块,减少了网络的参数,提高网络的预测速度。在此基础上,利用K-means++算法生成适合检测手势的先验框,加快网络检测手势。在手势数据集NUS-II上,与YOLOv3-tiny算法和YOLOv4-tiny算法进行对比,改进算法平均精度均值(mAP)为100%,每秒传输帧数(fps)为377,可以快速准确地检测识别手势。将该文改进算法部署在安卓(Android)移动端,实现了移动端实时的手势检测与识别,对人机交互的发展有很大的研究意义。     

复杂场景下的安全帽佩戴检测算法

针对工地场景错综复杂,监控画面噪声多且模糊等问题,提出了在复杂场景下的改进版YOLOv5的安全帽检测算法。通过网络爬虫、实地采集等方法收集了9 256张工地的复杂场景下的照片,并使用labelImg进行标注;设计了ECA＿H通道注意力,添加到BackBone的C3模块和SPPF模块之间,获取图像的通道细节信息。通过对比实验显示,改进后的模型在复杂场景下识别检测安全帽的准确率(Precision)提升了1.2%,召回率(Recall)提升了2.9%,mAP0.5提升了1.8%,mAP0.5-0.95提升了5.2%。可见,改进后的模型在复杂场景下检测是否佩戴安全帽的性能有所提升。