基于改进 YOLOv4 的工业棒料识别算法

针对工业棒料存在遮挡干扰时难以快速有效识别的问题,提出了一种基于改进 YOLOv4 的棒料识别算法。首先对 YOLOv4 进行轻量化改进,将改进的 Mobilenetv3 作为 YOLOv4 的主干网络,以减少模型参数量,提高算法的检测速度。然后提出在 YOLOv4 原损失函数基础上串联 Repulsion 损失函数,此新增损失函数包含 2 部分: RepGT 损失和 RepBox 损失,RepGT 损失函数计算目标预测框与相邻真实框所产生的损失值,用来减少棒料误检;RepBox 损失函数计算目标预测框与相邻的其他目标预测框所产生的损失值,用来减少棒料漏检。实验结果表明,改进算法的检测速度为 63 帧/ s ,比原 YOLOv4 算法提升了20 帧/ s ;识别准确率达到 97.85% ,比原 YOLOv4 算法提升了 1.62% 。     

Tiny YOLOV3目标检测改进

针对Tiny YOLOV3目标检测算法在实时检测中对行人等小目标漏检率高的问题,对该算法的特征提取网络、预测网络、损失函数等进行研究改进。首先,在特征提取网络中增加2步长的卷积层,代替原网络中的最大池化层进行下采样;接着,使用深度可分离卷积构造反残差块替换传统卷积,降低模型尺寸和参数量,增加高维特征提取;然后,在原网络两尺度预测的基础上增加一尺度,形成三尺度预测;最后,对损失函数中的边界框位置误差项进行优化。实验结果表明,改进后的Tiny YOLOV3算法的目标检测准确率比原算法提高了9.8%,满足实时性要求,具有一定鲁棒性。本文方法能够更好地提取目标特征,多尺度预测和边界框位置误差的改进能更准确地对目标进行检测。     

改进多尺度特征融合的工业现场目标检测算法

为了提高工业现场等复杂场景下的小目标检测的准确率,降低工业现场的安全事故发生率,基于 YOLOv3 提出了一种改进多尺度特征融合方法。该方法增加了Inception _ shortcut 模块,优化网络的输出宽度,使用工业现场的监控视频作为数据集以及利用 k-means 算法对检测目标重新聚类,引入了 PANet 多尺度特征融合结构,精简了 YOLOv3 的网络检测输出层。在创建工业现场安全帽、安全绳数据集 FHPD 、FSRPD 以及 PASCAL VOC2007 数据集上的实验结果表明,改进算法的 mAP 比原始 YOLOv3 提高了许多。改进的多尺度特征网络融合增加了参数,但检测速度仍满足算法的实时性要求。     

基于改进YOLOv5算法的密集遮挡零件检测

针对零件在密集遮挡等复杂场景下存在视觉识别难度大、检测精度低和实时性差的问题，提出YOLOv5零件目标检测的改进算法。在YOLOv5的主干网络中添加卷积注意力机制模块，进而增强算法对零件的特征提取能力；将抑制准则改为考虑真实框与预测框重叠区域且同时计算两个框之间中心点距离的DIoU-NMS,并以此作为后处理方法，进而提高零件检测精度。试验结果表明，相比原始YOLOv5算法，本改进算法将mAP@0.5提升1.6%,识别速度达58.8帧/s,可以更好地完成检测密集遮挡零件的任务，同时保证了实时性。     

基于改进SSD的多目标零件识别系统研究

在零件的装配、分拣、焊接等工业生产过程中,使用图像处理的方法对零件进行识别能够大大减少夹具的使用。在零件的图像识别领域中,提出一种基于多尺度融合的MDSSD零件识别系统,MDSSD网络以SSD网络为基础,通过针对特定的零件识别场景,特别是小目标零件,使用融合模块实现深层网络和浅层网络的跨层连接,并且实现类别的预测以及坐标的回归。在特定环境的螺钉、螺母、垫圈的测试数据集上,分别使用SSD网络和MDSSD网络对单张图片的单类零件和单张图片的多类零件进行检测操作。实验表明,使用MDSSD算法平均检测精度达到97.11%,检测速度达到32.00fps,MDSSD算法对比原来的SSD算法,平均检测精度提高了6.21%,能实时高精度地检测出零件,满足零件识别需求,可解决工业实际问题。     

基于改进的Faster R-CNN算法的机械零件图像识别

在传统的Faster R-CNN网络结构中减少原有的卷积层数,同时加入Inception结构层,提出一种基于Faster RCNN的零件识别的改进算法。该算法在保证不增加网络参数和计算量的前提下,增加深度和网络结构复杂度,进一步有效地提取图像的特征。结果表明:通过自制机械零件图像数据集,将传统Faster R-CNN与改进后的Faster R-CNN算法均成功应用于机械零件图像识别。与传统Faster R-CNN相比,基于改进后的Faster R-CNN深度学习算法识别机械零件的识别精度和准确度均更高。     

本期导读

正2021年第50卷第6期关键词手势检测 P01手势检测作为手势识别、手势估计的基础任务,在人机交互等领域中有着诸多应用。手势检测的目标是检测出图像中手势所在的位置,并用矩形框、椭圆框等加以标示,为了将其应用在实际场景中,手势检测相对其他目标检测任务要求更高的检测精度以及检测准确率。《基于YOLOv3改进的手势检测算法》一文针对传统手势检测算法在第一视角多手势场景下检测精度和准确率不高的问题,提出了一种基于YOLOv3网络框架改进的手势检测算法,从3个方面进行了改进。经实验验证,所提出的改进算法相较于原算法,在检测率以及mAP上都取得了较大的提升。     

改进的SSD生活垃圾检测算法

针对目前垃圾资源化利用的问题,为提升垃圾分拣工作的速率,并减少人工成本,通过对目标检测算法SSD(Single Shot Multibox Detector)的研究与分析,提出了基于改进的SSD垃圾分类算法,对基础特征提取网络VGG16参数量大、检测性能低等问题,使用DenseNet的网络结构,加深网络层数,并使用通道叠加的方式加强信息传递,从特征复用的角度上加强网络性能;对原网络对于小目标检测能力弱的问题,利用FPN结构加强特征图中包含的语义信息,提高对小目标的检测能力;对原损失函数在模型评估时的不等价情况,引入GIoU损失提高定位精度。这里的算法在PASCAL VOC数据集与自己制作的生活垃圾检测数据集上测试,其中在PASCAL VOC数据集上的检测结果显示,这里的算法相比于SSD300和SSD512分别有1.7%和1.9%的提升;在生活垃圾检测数据集上,分别有2.1%和3%的提升。     

融合知识蒸馏和注意力机制的光伏热斑检测

针对复杂环境下光伏电池板热斑故障的多尺度目标导致检测困难的问题,提出一种融合知识蒸馏和注意力机制的检测算法。为实现故障特征信息高效提取与保留,设计一种融合高阶空间交互和通道注意力的模块以提升网络对于故障特征信息的表达能力;为增强复杂背景下目标信息表达能力,构建一种结合通道和位置信息的注意力模块来提高网络对于故障位置信息的识别准确率;采用知识蒸馏思想将教师网络的参数迁移至学生网络,在不增加任何复杂度的前提下提升学生网络的检测精度。为进一步精确定位热斑目标,引入Focal-CIoU损失函数加速网络收敛,从而提升检测性能。为验证算法有效性,与8种经典算法进行比较,实验结果表明,本文算法的检测精度最高,精度达84.8%,对于分辨率为640×512的图像检测速度可达142 FPS。     

基于YOLOv3改进的手势检测算法

针对传统手势检测算法在第一视角多手势场景下检测精度和准确率不高的问题,提出了一种基于YOLOv3网络框架改进的手势检测算法.利用Kmeans++聚类算法代替Kmeans对训练集的尺度进行重新聚类,得到更符合手势分布的先验点;针对检测过程中正负样本极不均衡的问题改进YOLOv3的损失函数,引入Focal Loss损失函数使得网络更加关注难训练的样本;改进非极大值抑制算法(NMS),通过对候选框进行加权得到更接近Ground Truth的结果,并通过判断候选框之间的位置关系去除冗余候选框.在Egohands数据集中实验表明,提出的算法相对于原本的YOLOv3算法在准确率和mAP上有较大的提升.     

基于深度学习的多尺寸汽车轮辋焊缝检测与定位系统研究

为了实现汽车轮辋生产装备自动化与智能化,提升汽车轮辋的生产效率,降低人工成本,本文提出了一种基于YOLOv5s算法的多尺寸汽车轮辋焊缝检测与定位系统。首先,由图像采集装置拍摄实际生产中的多尺寸轮辋焊缝图像,构建轮辋焊缝数据集,使用K-means算法重新生成数据集锚定框,提升网络的收敛速度和特征提取能力;其次,引入CBAM(Convolutional Block Attention Module)混合域注意力机制,提高模型对于轮辋焊缝关注度,减少背景干扰;然后,采用EIOU(Efficient Intersection Over Union Loss)边框位置回归损失函数,提高轮辋焊缝识别框的准确率;最后,增加了ASFF(Adaptively Spatial Feature Fusion)自适应特征融合网络,使目标检测模型对多个级别的特征进行空间滤波。实验结果表明,改进后的算法准确率和mAP0.5分别达到了98.4%和99.2%,相比于原YOLOv5s算法分别提高了4.5%和3.7%。训练好的模型采用推理加速框架TensorRT进行加速部署在工控机上,搭配视觉检测软件与工业触摸屏形成交互...     

基于改进的Faster R-CNN车厢编号识别方法

为了识别装煤列车车厢编号图像,提出一种基于改进的Faster R-CNN车厢编号识别方法.首先,引入Retinex图像增强算法对暗光条件下采集的低照度车厢编号图像进行增强,提高低照度车厢编号图像质量;通过分层多尺度区域推荐网络增强对多尺度、小目标车厢编号检测能力;使用基于GIoU的边框回归损失函数,提高车厢编号识别回归框准确率.在环境复杂的装车现场进行实验,车厢编号识别模型在平均精度和Fl值分别为92.93％和95.73％,在开发套件上的推理速度为1帧/s.提出的车厢编号识别方法具有准确率高、识别速度快、漏检率低的优点,为车厢编号识别智能化提出新思路.     

基于YOLOv3的装配零件多目标实时检测

为实现装配零件图像的多目标检测任务,提出基于深度学习的目标检测算法,将目标检测模型YOLOv3应用于零件的识别检测。将基于迁移学习思想的预训练权重引入网络模型的训练过程,加速网络训练过程,损失函数快速收敛,加速模型建立过程。将训练模型应用于零件检测,实验结果表明,所提出的多目标检测方法识别10类零件的mAP为99.8%,识别周期小于1s,检测结果准确。研究结果对生产线的自动化分拣、零件的装配定位有参考价值。     

基于改进SSD的钢材表面缺陷检测

工业生产过程中,钢材表面缺陷的检测对于钢材的质量控制发挥着十分重要的作用,针对钢材表面缺陷检测中存在的检测精度低、检测速度慢等问题,提出了一种钢材表面缺陷检测的改进SSD算法。在所提算法中,采用Transformer多头注意力机制模块代替原SSD结构中的Conv5＿1层,以提高小目标检测的能力;原SSD结构中的Conv7操作替换为Involution算子操作,以减少运算的参数量;对网络结构进行特征融合处理,以更全面地检测特征图中所包含的信息。利用NEU-DET数据集进行实验,实验结果表明改进后的SSD算法是有效的,可以高效检测到钢材表面的小目标缺陷,相比改进前平均检测精度提高了4.5%,检测速度提高了13.6%。     

基于改进YOLOv5的无人机小目标检测方法研究

针对无人机航拍图像检测存在小目标检测准确率低以及检测模型计算量过大的问题，提出了一种基于改进YOLOv5的无人机小目标检测方法。首先，针对小目标存在漏检的问题，在YOLOv5的特征提取网络中引入了高效通道注意力机制（ECA）模块，提高对小目标的特征提取能力，进而提高小目标检测精度；其次，针对模型计算量大的问题，将模型中的CBL模块进行改进，把其中的普通卷积替换为Ghost卷积，减少模型参数和计算量，以便于在小型嵌入式设备部署；最后为了进一步优化和改进YOLOv5算法，采用加权损失函数，以充分学习图像特征。在DOTA数据集上进行测试，实验结果表明，改进的模型提升了小目标检测效果，其mAp为73.1%，比原算法提高了1.9%，速度达到了92 ms，可以准确地完成无人机航拍小目标检测任务，同时也满足实时性要求。     

基于深度学习的道路表面裂缝检测研究

针对目前道路表面裂缝缺陷检测方法普遍存在识别率低、实时性差以及多尺度特征下检测效果不好等问题，提出一种改进的YOLOv5s算法模型。该算法引入Sim AM三维带权注意力机制且不引入额外参数，在模型中融入加权双向特征金字塔进行多尺度特征融合；同时改进预测框损失函数，使得损失函数收敛更快。经过对比实验，改进后模型的裂缝检测均值平均精度提高了2.2%，准确率为90.5%，表明了模型的有效性。     

基于机器视觉的多种类标签识别方法研究

针对目前印刷标签复杂多样难以识别和分类，以及各种缺陷造成识别准确率低的问题，提出了一种基于机器视觉的多种类标签检测方法。首先搭建由相机、镜头和光源组成的采样平台，将各种类标签采集后用作模型训练的数据集，然后利用最小外接矩形并稳健回归的方式对图像进行畸变矫正，通过Laplacian算子、高斯滤波算法、Otsu算法消除噪声产生的影响，最后建立了一个改进的CRNN+CTC网络结构模型，其中加入BN算法和Adam算法提高模型的泛化能力和收敛速度，使用双向BLSTM网络减小梯度消失或爆炸，再加入CTC损失函数实现输入数据与给定标签的对齐问题。实验结果表明，改进后的方法相较于传统分割字符算法，识别准确率提升至98.2%；相较于原CRNN+CTC算法，识别速度提升至37 ms/张，达到了工业使用需求。     

卷积神经网络SSD的道路目标检测

针对在传统的道路目标识别中,需要进行手工提取特征,模型的泛化能力差。使用深度学习的技术,提出了使用深度卷积神经网络(SSD)解决道路目标问题。该方法首先对图像特征进行自动提取,在基础网络后添加不同尺寸的特征图,然后对多尺寸的特征图做卷积滤波,得到目标坐标值和目标的类别。实验中,在SSD模型中增加了特征图的检测层数,增大原图像尺寸,调试相应的参数,经过多次迭代,最终得到目标模型。实验采用行车记录仪采集的图像,在图像中标定出车辆、行人和骑行的人三类,实验表明,检测目标尺寸越小,检测难度越大,检测效果越差,SSD模型对目标检测的平均准确率均值提高了0.082。提出的道路目标检测方法与传统目标识别算法相比,省去了手工特征提取,减少了工作量,提高了模型的泛化能力。     

改进全卷积网络优化绝缘子缺陷检测

绝缘子各种缺陷的准确检测与定位是保障电网安全正常运行的关键,针对传统学度学习全卷积网络在进行航拍绝缘子图像缺陷识别时准确率不高问题,提出基于改进全卷积网络优化的航拍电网绝缘子缺陷自动检测算法,算法通过优化模型结构、剔除全连接层Dropout、增加多尺度池化与孔洞卷积以及采用双目标优化函数,实现FCN模型的有效改进,实验结果表明,改进全总卷只网络模型,有效提高了对绝缘子缺陷检测的性能和对背影的鲁棒性,取得了比已有算法更有优的检测结果。     

基于Tiny-YOLOv3改进算法的工件识别

针对Tiny-YOLOv3算法在工件识别实时检测中存在漏检率高的问题,提出了在Tiny-YOLOv3基础上加以改进实现了对工件更加快速、准确地识别。主要改进的方式是在Tiny-YOLOv3的特征提取网络中增加3个网络模块,即SPP结构、SE模块和Ghost模块,并用卷积层代替池化层,改进后的网络结构平均精度均值、准确率和网络模型大小都有着显著的改善。试验结果表明,改进后的算法能够更好的提升工件识别的效率,并同时满足在嵌入式设备中进行实时检测的要求。