改进YOLO v3算法的航拍小汽车检测

为了解决航拍小汽车检测精度和速度问题,论文在YOLO v3算法的基础上,设计了一种新的网络结构,并提出了一种改进YOLO v3算法.首先用混合深度卷积核代替单一卷积核,设计了一种新的特征提取网络.其次,对YOLO v3的FPN网络进行了改进,将深度特征映射和浅层特征映射融合,减小了卷积核的感受野.最后,在设计损失函数时...     

基于YOLO v3深度学习算法的视觉导航技术研究与实践

针对传统的目标检测算法实时性低的问题,利用深度学习YOLO v3算法进行视觉识别研究,并将基于YOLO v3算法的视觉识别程序应用于视觉导航小车,实现小车对路标的实时识别和自主导航。在深入理解YOLO v3算法原理和框架的基础上,提出基于YOLO v3算法的视觉导航小车自动驾驶程序框架。通过在视觉导航小车的控制系统中嵌入python语言编写的YOLO v3算法,实现小车在沙盘上进行路标识别和自动驾驶。实际运行效果表明,训练阶段,YOLO v3算法视觉识别对路标的平均识别率达到了93.5%,小车在沙盘上运行过程中对路标的平均识别率达到了99.5%。基于YOLO v3算法的视觉识别表现出较高的路标识别率,可以满足小车自主导航的需要。     

基于YOLO v3的钢轨螺栓组件故障检测方法

本文针对火车轨道钢轨接头处螺栓组件目标较小的特点,采用基于YOLO v3的目标检测算法,用于钢轨连接处螺栓、垫圈、螺母等小目标的检测.具体方法是:以YOLO v3网络为基础,首先进行数据采集和人工标记,标记之后进行网络训练,最后再将训练好的模型应用于测试集,从而检测出图像序列中的螺栓组件目标,并通过候选框标注所检测目标...     

基于YOLO v3的输电线路鸟类检测技术研究

输电线路安全是电网安全稳定运行的前提,但是鸟类对输电线路造成的危害直接威胁到输电线路的安全运行.为解决传统驱鸟器启停策略的弊端,提出基于YOLO v3算法的输电线路鸟类检测模型.通过输电线路监控装置获取图像数据,使用残差模块提取图像的深层次特征,采用多尺度目标检测策略来保证鸟类的检测效果.实验结果表明,在输电线路鸟类检测任务中,该模型准确率可以达到86.75%,检测速度达到47 frame/s,可以精确实时地检测出输电线路周围的鸟类数目,并验证了该模型在雨天、雾天、抖动情况下具有较强鲁棒性,可以保障输电线路的安全、稳定运行.     

基于改进YOLO v4的安全帽佩戴检测算法

安全生产管理是建筑、重工业等高危企业发展的重要方针,安全帽在施工生产环境中对人员头部防护起着关键作用,因此加强安全帽佩戴监管十分必要.近年来,基于图像视觉的安全帽佩戴监测方法成为了企业实施管理的主要手段,如何提高安全帽佩戴检测精度和检测速度是应用的关键难题.针对上述问题,文中提出了一种基于改进YOLO v4的安全帽佩戴检测算法.首先,在YOLO v4算法的3个特征图输出的基础上增加了 128×128特征图输出,从而将特征图输出的8倍下采样改为4倍下采样,为后续特征融合提供了更多小目标特征.其次,基于密集连接的思想对特征融合模块进行改进以实现特征重用,使得负责小目标检测的Yolo Head分类器可以结合不同层次特征层的特征,从而得到更好的目标检测分类结果.最后,对比实验的结果表明,所提方法的平均精度高达91.17％,相比原网络检测精度提高了 2.96％,检测速度基本不变,可达52.9 frame/s,从而在满足实时检测需求的同时可以得到更优的检测精度,有效实现了安全帽佩戴的高速高精度检测.     

改进YOLO v4的火焰图像实时检测

为解决火焰图像检测易被周围环境干扰、火焰特征复杂等问题,提出改进型YOLOv4火焰图像实时检测模型。改进模型的激活函数;通过K-Means聚类针对火焰图像的特征调整先验框的维度;通过改进损失函数,减少模型中不必要特征的学习;引入注意力机制(通道注意力(CAB)模块和空间注意力(SAB)模块),增强模型在通道和空间的感知力。实验结果表明,改进的YOLOv4目标检测算法的FPS可达76.7,较原来提升了1.1;检测精度和召回率为82.8%、0.78,分别比原算法提高了36.56%、0.36;损失值为0.7758,比原算法降低了1.2942。     

基于YOLO v3算法改进的交通标志识别算法

针对目前交通标志识别任务在使用深度学习算法时存在模型参数量大、实时性较差和准确率较低的问题,提出了基于YOLO v3改进的交通标志识别算法。该算法首先将深度可分离卷积引入YOLO v3算法的特征提取层,将卷积过程分解为深度卷积、逐点卷积两部分,实现通道内卷积与通道间卷积之间的分离,从而保证了在较高识别准确率的基础上极大地减少了算法模型参数数量以及计算量。其次,在损失函数设计上使用广义交并比（GIoU）损失替换均方误差（MSE）损失,将评测标准量化为损失,解决了MSE损失存在的优化不一致和尺度敏感的问题,同时将Focal损失加入到损失函数以解决正负样本严重不均衡的问题,通过降低大量简单背景类的权重使得算法更专注于检测前景类。将该算法应用于交通标志任务中的结果表明,在TT100K数据集上,该算法的平均精度均值（mAP）指标达到了89%,相较于YOLO v3算法提升了6.6个百分点,且其参数量仅为原始YOLO v3算法的1/5左右,每秒帧数（FPS）亦比YOLO v3算法提升了60%。该算法在极大地减少模型参数量和计算量的同时,提高了检测速度和检测精度。     

融合YOLO v3与改进ReXNet的手势识别方法研究

工程应用中的手势识别需要较高的实时性和准确性,而现场环境通常无法提供足够的计算能力,采用轻量化神经网络在解决了上述问题的同时,还能达到与深度神经网络相当的识别效果。为此,提出一种基于改进轻量化神经网络的手势识别方法。该方法改进用于手部关键点检测的ReXNet网络结构,以改善骨骼点的局部关注;同时将关键点检测损失函数MSE替换为Huber loss,以提升离群点的抗干扰性。实验环境搭建基于普通单目镜头捕获图像后,经YOLO v3手部识别模型和改进的ReXNet关键点检测模型,并根据约束手部骨骼关键点的向量角而定义的不同手势,最后达到实时检测的效果。改进模型在RWTH公开数据集上的测试结果表明,改进后的手势识别方法的检测准确度较改进前整体提升2.62%,达到了96.18%,且收敛速度更快。     

基于YOLO v4的车辆目标检测算法

针对车辆目标检测中存在遮挡目标导致检测精度低、小目标检测效果差等问题,提出一种基于YOLO v4改进的目标检测算法YOLO v4-ASC。通过在主干提取网络尾部加入卷积块注意力模块,提升网络模型的特征表达能力;改进损失函数提升网络模型的收敛速度,利用Adam+SGDM优化方法替代原始模型优化方法SGDM,进一步提升模型检测性能。此外,利用K-Means聚类算法优化先验框尺寸大小,并合并交通场景数据集中的car、truck、bus类别为vehicle,将本文问题简化为二分类问题。实验结果表明,本文提出的YOLO v4-ASC目标检测算法在保持原算法检测速度的基础上,AP达到了70.05%,F1-score达到了71%,与原YOLO v4算法相比,AP提升了9.92个百分点,F1-score提升了9个百分点。     

基于DE-YOLO的室内人员检测方法

目标检测的一个重要应用场景是对室内流动人员的检测与定位,为了降低模型的冗余度和提高检测的精确度,因此本文提出一种基于DE-YOLO的室内人员检测方法.通过使用K-means算法对数据集进行聚类,并设计出这种DE-YOLO深度卷积神经网络结构.通过DE-YOLO网络结构中的密集型连接,实现模型大小的压缩和特征信息的复用,最后对提取到的特征进行目标检测.在VOC2012数据集上进行实验表明,新改进的深度卷积网络应用性能有较大的提升.     

基于YOLO v3的交通标志牌检测识别

在无人驾驶和辅助驾驶领域,交通标志牌检测识别是重要的。针对目前基于YOLO的检测方法能够达到实时的检测效果,但在准确率方面有所降低的问题,提出了基于感兴趣区域(ROI)的交通标志牌检测方法。首先根据交通标志牌的颜色特性得到候选区域;再利用交通场景图像规则确定交通标志牌的ROI;最后在交通标志牌的ROI,基于YOLO v3实现对交通标志牌的检测识别。实验结果表明:由于本文提出的方法去除了图像中部分干扰因素,使得算法在检测精度上得到了提升,也能满足实时性的需求,并在无人驾驶车辆上进行了验证。     

基于混沌YOLO v4的共享图像选择性加密方法

针对社交平台共享图像的信息安全问题,提出了基于混沌YOLO v4和用户选择感兴趣区域(ROI)的图像加密方案。首先,利用YOLO v4自动检测图像中的目标,提供要加密的候选包围框;然后,利用cosine和polynomial映射的线性组合加密算法对用户选定的图像区域进行加密,使得只有合法授权用户才能访问共享图像的敏感信息。通过密钥发放和授权机制,实现对第三方转发图像中敏感信息的保护。实验统计和安全分析结果证明,所提方案能够抵御各种攻击,提供高度安全性,且处理速度能够满足在线用户的实时需求。     

基于改进YOLO的建筑预埋件检测算法

针对面积较大或者楼层较高的建筑工程进行人工预埋件位置检查耗时费力的问题,提出基于深度学习的预埋件快速检测方法,配合无人机航拍对施工现场预埋件进行实时检测.利用SE-Net模块改进轻量化网络MobileNet,利用改进之后的SEMobileNet网络代替YOLO v3的特征提取网络,减少网络参数,在保证检测的准确性的同时显著提高了检测速度,实现了预埋件的高效检测.在预埋件数据集检测的实验中,改进之后的SEMo-bileNet-YOLO模型相比YOLO v3在准确率上提升了16.77百分点,在速度上提升了97.3％.结果表明,SEMo-bileNet-YOLO算法更加快速、准确,可以满足建筑工程中预埋件实时检测的要求.     

融合YOLO检测的多目标跟踪算法

针对目前视频多目标跟踪过程中的遮挡问题,提出了一种融合YOLO v3的多目标检测和跟踪算法,选定基于检测跟踪的框架作为跟踪的整体框架,使用YOLO v3来实现对目标信息的检测工作,在选定某一检测类别的基础上,使用本文提出的跟踪算法,通过数据关联完成对此类别的多目标跟踪,并针对跟踪过程中的目标遮挡问题以及因目标遮挡而引起的轨迹跟踪异常的问题,提出了修正算法。测试视频中被遮挡的大部分目标都能准确地跟踪,但在背景移动时也会发生一部分目标身份互换的情况。所提出的算法在解决多目标跟踪中的遮挡问题时具有一定的准确性和实时性。     

改进YOLO v4-tiny的火焰实时检测

为解决火焰实时检测参数量大、对硬件计算能力要求高等问题,提出了改进型YOLO v4-tiny的轻量级火焰实时检测模型。首先,对模型的参数进行了修剪;其次,通过在模型的浅层加入改进型的CSP-RFBs,扩大网络浅层的感受野;然后,对CSP-ResNet的框架进行改进,提出了速度更快、准确率更高的沙漏型CSP-ResNet;最后,在网络深层采用改进型CSP-SPPs,对多重感受野进行进一步融合。实验结果表明,改进型YOLO v4-tiny模型的准确率可达48.5%,较原模型提升了15.5%;模型的参数量和权重文件大小分别为2.45 BFLOPs和16.3 Mb,分别比原模型减少了63.9%和30.6%。在移动开发板NVIDIA Jeston Xavier上FPS可达49.6,比原模型提升了21.9%。     

一种改进的tiny YOLO v3煤矸石快速识别模型

传统的煤矸石分选方法效率低下、安全隐患较大、应用范围受限,现有的基于机器视觉的煤矸石图像识别方法在模型识别速度与精度上难以平衡,未综合考虑输入图像尺寸不一、重要通道权重较低及卷积参数量大对模型精度的影响。针对上述问题,在tiny YOLO v3模型的基础上,提出了一种改进的tiny YOLO v3煤矸石快速识别模型。首先,在tiny YOLO v3模型引入多卷积核组合池化的特征金字塔池化（SPP）网络,确保输入特征图可被处理为固定尺寸再输出;其次,引入RGB通道权重可调节的压缩激励（SE）模块,用于增强前几层特征图各通道之间的联系,强调感兴趣通道的特征值和不同目标特征之间的差异性,确保关键信息的捕捉和网络灵敏度;最后,引入包含0权值点的空洞卷积替代tiny YOLO v3模型中部分卷积层,在不增加模型参数的前提下,可捕获多尺度上下文信息进而扩大感受野,提高模型计算速度。将该模型分别与tiny YOLO v3模型、Faster RCNN模型、YOLO v5系列模型进行对比,结果表明：(1)与tiny YOLO v3相比,改进的tiny YOLO v3煤矸石快速识别模型的识别准确性和快速性...     

改进YOLO v2的装甲车辆目标识别

军事目标识别技术是军事信息处理的一个重要内容,对于实现军事装备信息化、智能化起着不可忽视的作用。近年来随着深度卷积神经网络在图像识别领域的广泛应用,各种基于图像目标识别任务的网络结构层出不穷,因此将这项新技术应用于军事目标的识别具有极强的现实意义和军事应用价值。本文以目前具有最佳识别效果的YOLO v2网络为基础,通过维度聚类重新确定最优的anchor个数及其宽高维度,并制作以明显特征为目标区域的装甲车辆数据集,使得该网络对装甲目标的识别更为精确。通过实验验证,该方法能有效地对特定装甲目标进行实时精确识别。     

基于YOLOv8的工业环境平面积尘识别与清洁度评定

针对高清洁度要求的工业场景的平面清洁缺乏积尘识别的问题,利用高效的YOLOv8算法对平面上的灰堆、灰斑、反光进行类别和数量的识别,并分配不同的权重系数加权得到清洁度指数,然后对检测区域洁净度进行等级评定。系统根据清洁度等级来指挥平面清洁机器人进行清洁任务,使其高效完成清洁作业。实验结果表明：该模型在在测试集上的mAP@0.5达到80.6%,摄像头实时检测帧率可达到50～143 fps,可准确进行平面积尘识别并对检测平面进行清洁度评定。