基于MobileNetV2的圆形指针式仪表识别系统

针对目前指针式仪表识别任务在使用深度学习算法时存在模型参数量大、计算量大、准确率较低的问题,提出一种基于改进预训练MobileNetV2网络模型与圆形Hough变换相结合的圆形指针式仪表智能检测和识别系统。首先,采用Hough变换解决复杂场景内非圆形区域的干扰问题;然后,提取圆形区域以构建数据集;最后,使用基于改进预训练MobileNetV2网络模型对圆形指针式仪表进行识别。为客观反映所提模型的性能优劣,采用平均混淆矩阵来衡量模型性能。实验结果表明,该系统在圆形指针式仪表识别任务中的识别率达到99.76%。同时,将所提模型与其他5种不同的网络模型进行对比的结果表明,该模型与ResNet50的准确率最高,但在模型参数量和模型计算量方面,所提网络模型相较于ResNet50分别降低了90.51%和92.40%,可见该模型有助于进一步在移动端或嵌入式设备中部署和实现工业级的实时圆形指针式仪表检测和识别。     

基于Freeman链码改进图像处理算法的指针式仪表识别

指针式仪表识别的优点很多,但也有不足之处,例如:受各种不确定因素的影响,极易导致图像处理与模式识别出现偏差,影响仪表的自动识别任务的可靠性,造成仪表在处理数据时的劳动强度增大、效率变低。基于上述问题,对基于Freeman链码改进图像处理算法的指针式仪表识别技术进行了研究。对Freeman链码图像处理算法进行了阐述。创新性地应用了边缘算法对Freeman链码图像处理算法进行优化改进,并对改进方案进行了二次校正。对提出的优化算法进行斜率校正验证及性能检测。研究结果表明,基于Freeman链码改进图像处理算法能有效地提升指针式仪表的自动识别能力,有效地避免了单一的图像水平倾斜所造成的指针式仪表识别缺陷;优化算法在自指针式仪表的示数识别中耗时较多,最大相对误差为0.04%,明显优于霍夫变换算法。该研究能够为相关工业领域的指针式仪表的自动化识别的发展提供一定的参考。     

改进YOLOv3遥感小目标检测算法

针对目前在遥感目标检测领域广泛使用的YOLOv3算法存在对小目标物体的特征表达能力不足,检测效果不好的问题,本文提出一种改进的YOLOv3小目标检测算法.首先,引入全局信息注意力机制并改进特征提取网络和特征金字塔结构,提高模型小目标特征提取能力和检测能力;其次,对数据集进行单尺度Retinex融合特征增强,提高模型对小目标特征的学习效果;最后,使用自适应锚框优化算法对anchors进行优化,提高anchors和目标的匹配程度.选用遥感数据集RSOD进行实验,本文算法的全类平均精度为92.5%,相比经典YOLOv3算法,提高10.1%,对遥感小目标的检测效果得到明显提升.     

基于轻量化深度学习的指针式仪表读数方法

为了降低神经网络模型对工业现场边缘计算设备计算资源的过度依赖,提出了一种轻量级MobileNetV3-YOLOv5s模型的指针式仪表读数方法。以YOLOv5s网络模型为基础,使用MobileNetV3作为主干特征提取网络,完成模型的轻量化改进。随后,利用该网络模型进行仪表区域检测、分类和分割,在使用Sift算法定位仪表区域和仪表指针后,利用得到的仪表倾斜角度信息与仪表指针旋转角度信息实现仪表的倾斜矫正和数据读取。在树莓派上进行测试,实验结果表明,提出的轻量化仪表检测算法虽然准确率较YOLOv5s和SSD模型略有降低,但是其推理耗时和模型占用内存具有显著优势。且测试表明提出算法读数相对误差控制在1%以内。因此,该方法一定程度上可以为在低成本边缘计算设备上运行复杂大型神经网络模型进行工业现场指针式仪表数据读取提供技术支持。     

改进YOLOv3-SPP水下目标检测研究

针对水下目标检测任务中图像模糊、背景复杂以及目标小而导致误检和漏检问题,提出一种改进YOLOv3-SPP的水下目标检测算法。利用UWGAN网络对水下原始图像进行恢复,采用Mixup方法增强数据,减少错误标签记忆;以YOLOv3-SPP网络结构为基础,增加网络预测尺度,提高小目标检测性能;引入CIoU边框回归损失,提高定位精度;利用K-Means++聚类算法,筛选最佳Anchor box。将改进YOLOv3-SPP算法在处理后的URPC数据集上进行实验,平均检测精度由79.58%提升到88.71%,速度为28.9 FPS。结果表明,改进算法综合检测能力优于其他算法。     

融合改进密集连接和分布排序损失的遥感图像检测

针对遥感图像中小目标尺寸较小、样本分布不均匀、特征不明显等问题,提出一种改进的YOLOv3目标检测算法.在使用Stitcher数据增强解决小目标样本分布不均匀的问题后,提出VOVDarkNet-53基础网络,将DarkNet-53基础网络中第4次下采样后的8个残差模块减少为4个残差模块.然后采用VOVNet的密集连接方式,使网络利用更多的浅层小目标特征信息,增加网络感受野.最后,采用分布排序损失改进YOLOv3中的分类损失,解决单阶段目标检测器正负样本不平衡的问题.实验使用YOLOv3目标检测算法和改进后的YOLOv3算法在HRRSD遥感数据集上进行对比.结果表明,改进后的YOLOv3算法对小目标和中目标的检测精确度分别提升了7.2％和2.1％,尽管对大目标的检测精度下降了1％,但在平均单张图片处理时间几乎不变的情况下,平均检测精度均值(mAP)提升了4.1％,召回率和准确率也有所提升.     

基于卷积神经网络的指针式仪表识别

目前大部分研究指针式仪表识别的方法中提取指针是完全基于传统的图像处理技术,提取过程较为复杂且步骤繁多.为了有效解决指针式仪表读数识别中指针中轴线所在直线提取困难及识别精度不高等问题,本文提出了一种基于深度学习的指针式仪表的识别方法.首先用Faster R-CNN算法检测仪表圆盘,再采用基于深度学习的方法Faster R-CNN算法检测指针,根据得到的指针目标框的位置信息裁剪得到指针图像,在指针图像的基础上进行二值化、细化、霍夫变换检测直线、最小二乘法拟合直线等步骤识别仪表最终读数.和直接在仪表表盘目标框图像或原始图像上进行传统图像处理相比很大程度上减少了定位指针中轴线所在直线过程中的干扰.实验结果表明本文所提出的基于深度学习的指针检测的平均准确率高达96.55％.对于复杂背景下指针式仪表的指针区域的检测具有良好的准确性与稳定性.     

基于改进YOLO V3的PID目标检测

为提高工程设计行业人员对PID(process&instrumentation drawing)仪表的统计效率，该文提出一种识别PID的目标检测方法。在YOLO V3网络结构的基础上，进一步融合浅层与深层网络，增加一个针对小目标检测尺度；采用切片原理与随机生成技术进行数据增强，形成自建数据集PID-data；通过增加一个阈值，对软化的非极大值抑制Soft-NMS(soft non-maximum suppression)算法进行改进。实验结果显示，类别平均精准度等性能指标有明显提升，表明改进后的算法优化了YOLO V3网络结构模型，达到了短时间内识别大量PID中仪表的目的。     

基于弱特征增强的轻量化小目标检测方法

针对复杂背景下小目标特征经多次卷积被背景噪声淹没导致的检测精度低的问题,提出一种增强弱特征表达的一阶段轻量级小目标检测算法SA-YOLO.首先,用改进的ShuffleNetv2网络构建骨干网络,通过嵌入SE注意力模块和Inception结构,提升网络在复杂背景下的特征提取能力,有效地抑制背景噪声,充分提取弱特征;其次,在颈部网络,采用新的特征融合模块,以含有弱特征较多的低层级特征块的空间位置信息对高层级特征进行权重调整,提高不同层级的特征融合利用率,减少小目标的特征损失;最后,在头部网络,用解耦的检测头替换原YOLO耦合的检测头,解耦分类任务和回归任务,提高弱特征的解码能力,增强小目标检测的性能.在公开数据集COCO2017上进行实验,结果表明,SA-YOLO参数量仅有1.14M,小目标平均检测召回率$\rm AR_S$达到31.6%.同时,将所提出算法与近几年主流算法进行对比,结果表明,所提出算法在小目标检测方面具有较强的竞争力.     

改进YOLOv4的安全帽佩戴检测方法

由于安全帽目标较小、环境复杂等因素的影响,易造成卷积神经网络的漏检与误检。为提高复杂环境中对安全帽的检测能力,提出一种基于YOLOv4的安全帽检测网络SR＿YOLO。采用多尺度池化操作改进空间金字塔池化层,由分层卷积与scSE注意力模块组成特征增强模块,改进网络结构,分别提高对网络感受野信息的获取能力和对Neck网络的特征提取能力。利用Kmeans++算法对安全帽数据进行anchor尺寸优化,提高算法的检测准确率。实验结果表明,SR＿YOLO的mAP为84.05%,较YOLOv4提高1.45%,每秒检测帧率为30 fps,能够实现安全帽佩戴情况的快速准确检测。