基于图像增强的水下视频鱼类识别方法

受水下强光衰减或散射的影响,水下图像存在颜色失真、模糊和细节丢失等问题,严重影响水下目标识别的精度.针对上述问题,提出一种面向浑浊水域的图像增强方法和YOLOv4算法相结合的方案.首先使用改进的带颜色恢复的多尺度Retinex算法增强水下图像,然后采用全卷积生成式对抗网络实现图像颜色校正和细节恢复,最后通过YOLOv4算法对增强后的图像进行鱼目标识别.结果 表明,所提出的图像增强方法与YOLOv4算法相结合方案的平均准确率(mAP)可达到89.59％,与原始图像经训练得到的平均准确率相比提高了7.46％,检测速度达到了90 frame/s.     

改进Vibe前景提取的YOLOv3烟雾目标检测方法

在使用计算机视觉方法对烟雾目标进行检测时需要考虑环境因素的影响，直接进行检测易出现漏检、误检问题。因此提出一种基于改进Vibe前景提取的YOLOv3烟雾目标检测方法。首先使用CLAHE增强图像对比度，通过改进的Vibe前景提取方法检测并提取疑似的烟雾目标区域，最后整合样本并使用目标检测算法YOLOv3对烟雾目标进行识别与定位。实验结果表明所提出的方法对复杂环境的烟雾目标检测具有更高的性能，更适用于烟雾目标检测任务。     

基于改进的YOLOv8算法的二维码和条形码检测方法

基于改进的YOLOv8算法的二维码和条形码检测方法是一种高效的图像处理技术,旨在快速准确地识别和定位图像中的二维码和条形码。改进的YOLOv8是一种实时目标检测系统,有着快速、准确和高效的特点。首先,通过预处理图像来提高二维码和条形码的可识别性,例如调整对比度和亮度。接着,对处理过的图像进行分析,以便快速定位图像中的二维码和条形码。改进的YOLOv8算法的一个关键特点是其使用了深度学习技术,这使得算法能够在各种条件下有效地识别和检测目标,不仅能处理标准形状和尺寸的二维码和条形码,还能识别被部分遮挡或处于不利角度的码。此外,算法的实时处理能力使其非常适合需要快速响应的应用场景,如零售业的快速结账和物流行业的包裹跟踪。总的来说,基于改进的YOLOv8算法的二维码和条形码检测方法提供了一种高效、灵活且可靠的解决方案,适用于多种商业和工业应用。     

舰船识别在UUV电子侦察作战中应用

水下无人航行器（UUV）在电子侦察作战中对舰船目标的快速识别有助于掌握战场态势、获取战场主动权,智能化UUV将在海战中扮演更加重要的角色。为了提高UUV的目标识别侦察能力,充分利用其无人、无声、无形等作战优势,发挥非对称作战能力。将具有实时检测、目标识别准确率高并对UUV计算性能要求不高的YOLOv3算法搭载于UUV中,并将YOLOv3算法网络结构进行微调,针对舰船目标特点进一步优化网络模型提高识别能力,并应用于UUV对舰船目标识别侦察,将会大大提高UUV电子侦察作战能力。将模型经过训练优化并在公开舰船数据集上测试,得到有效的舰船目标识别模型,针对多种复杂环境下的目标识别准确率为92.76%。实验数据表明,该模型应用于UUV电子侦察作战检测与识别舰船目标具有显著优势。     

织物疵点在线检测的神经网络方法研究

<正>本文提出一种基于机器视觉的在线检测方法,用于圆形纬编机针织面料疵点的自动检测。在归纳总结针织面料疵点图像学特征的基础上,设计一种可检测织物疵点的深度学习神经网络。基于单阶段目标检测模型YOLOv3,修改网络结构中的两条支路后该网络可参照图像中的背景织物用以识别其上的疵点。并使用深度可分离卷积层降低模型参数、加快检测速度。实验表明,基于YOLOv3改进的纬编针织面料疵点检测算法的m AP(各类别平均准确率的平均值)为81.44%,相较于YOLOv3明显提升。     

基于五帧差分和模板匹配的运动目标检测识别

针对帧差法和背景差分法检测运动目标准确率低,自适应能力弱等缺陷,提出了一种改进五帧差分法与背景差分法和模板匹配相结合的运动目标检测和识别算法;通过改进的五帧差分和背景差分法融合的算法从视频图像序列中检测出运动目标;利用形态学方法去除噪声,改善运动目标提取效果;在Harris算法提取图像匹配特征值的基础上角点配准,提高图像识别的准确率,通过提取目标特征与自适应模板图像进行特征匹配的方法实现了目标检测识别和跟踪。仿真结果和实验表明该方法有噪声和部分遮挡的运动目标有良好的检测识别效果,识别率达到了95%。     

基于Focal-EIOU函数的被动式太赫兹图像违禁物品识别

针对被动式太赫兹安检系统因环境影响导致图像质量波动,从而影响识别算法,导致准确率大幅降低的问题,提出了基于Focal-EIOU损失函数的改进YOLOv4算法,并用被动式太赫兹人体安检图像对刀、枪违禁物品进行模型训练获得模型。建立不同环境、不同位置角度携带刀枪嫌疑物人员的太赫兹图像数据库,采用图像增广的方法构建丰富数据集;将YOLOv4的CIOU loss改进为Focal-EIOU loss,提高算法对太赫兹图像识别的鲁棒性,进而经过训练获得较优的模型。在本文的测试集中,使用改进后的算法训练的模型平均检测精确度(mAP)达到96.4%,检测速度在28 ms左右,交并比(IOU)平均值为0.95,在同等条件下高于常规算法,改善了检测识别的效果。实验结果表明,本文方法能够有效提高被动式太赫兹人体安检系统的嫌疑物识别准确率,有利于该项技术在人体安检领域的推广应用。     

基于目标检测与模糊匹配的非标船牌识别研究

基于卷积神经网络的YOLOv3(You Only Look Once v3)目标检测算法设计了一种基于目标检测及模糊匹配机制的非标船牌识别软件系统,并通过在船舶视频监控系统中的实际应用,验证了该船牌识别系统的可行性,提高了船舶铭牌识别的可靠性。YOLOv3目标检测算法将检测简化为一个回归问题,通过仅仅一个网络,就能从图像中得到物体的类别与概率,确保了识别的准确性与实时性。针对船舶非标铭牌锈蚀、遮挡等问题,创新点是在基于YOLOv3的非标船牌识别系统的实现框架之上,设计船名有限中文库与模糊匹配机制,有效解决了船牌识别准确率过低的问题,取得了较好的识别效果。     

基于人工智能的变电站在线巡视算法研究

本文针对变电站在线智能巡视中海量图像及视频对识别、分析、决策要求高的难题,提出了一种改进的巡视系统的算法,包括使用二阶段级联目标检测网络Cascade rcnn,对变电站设备存在的缺陷采用可变形卷积,有针对性的进行网络修改;以及一阶段目标检测网络YOLOv5中一些小目标检测问题,为其添加了注意力机制;两种改进后的算法均可以更好地对变电站缺陷进行识别。经过实际测试,证明了文中算法的有效性。     

基于改进YOLOv3的避雷器红外图像故障检测方法

针对现有的金属氧化物避雷器（Metal Oxide Arrester,MOA）红外图像故障检测方法存在识别精度低、检测速度较慢的问题,提出一种基于改进YOLOv3的MOA红外图像故障检测方法。首先,以Darknet19网络代替YOLOv3原始的Darknet53网络,并在特征学习时针对样本中不同MOA长宽比例,通过K-means聚类算法对MOA图像中的目标帧进行分析,重新聚类样本中心锚点框,得到合适的锚框数目和大小。最后,利用改进YOLOv3模型完成MOA红外图像故障检测。实验结果表明,改进的YOLOv3模型识别精度达到96.3%,识别速度为6.75 ms。     

基于改进YOLOv3的避雷器红外图像故障检测方法

针对现有的金属氧化物避雷器（Metal Oxide Arrester,MOA）红外图像故障检测方法存在识别精度低、检测速度较慢的问题，提出一种基于改进YOLOv3的MOA红外图像故障检测方法。首先，以Darknet19网络代替YOLOv3原始的Darknet53网络，并在特征学习时针对样本中不同MOA长宽比例，通过K-means聚类算法对MOA图像中的目标帧进行分析，重新聚类样本中心锚点框，得到合适的锚框数目和大小。最后，利用改进YOLOv3模型完成MOA红外图像故障检测。实验结果表明，改进的YOLOv3模型识别精度达到96.3%，识别速度为6.75 ms。     

基于YOLOv3的红外行人小目标检测技术研究

针对红外图像中行人小目标检测识别率低、虚警率高的问题,研究了当下效果最好的YOLOv3目标检测算法,在其基础上进行优化,提出了一种满足实时性要求的行人小目标检测算法。基于YOLOv3中分类准确率仍有不足的情况,借鉴SENet中对特征进行权重重标定的思路,将SE block引入YOLOv3中,提升了网络的特征描述能力。通过对自行收集实际复杂场景下的红外图像进行目标检测,试验验证了算法的可行性,实验结果表明本文提出的改进网络拥有更高的准确率和更低的虚警率,同时保持了原有算法的实时性。     

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。     

基于改进YOLOv3的瞳孔屈光度检测方法

针对瞳孔区域屈光度识别准确率低、检测效率低等问题,本文提出一种基于改进YOLOv3深度神经网络的瞳孔图像检测算法。首先构建用于提取瞳孔主特征的二分类检测网络YOLOv3-base,强化对瞳孔特征的学习能力。然后通过迁移学习,将训练模型参数迁移至YOLOv3-DPDC（Deep Pupil Diopter Classify）,降低样本数据分布不均衡造成的模型训练困难以及检测性能差的难题,最后采用Fine-tuning调参快速训练YOLOv3多分类网络,实现了对瞳孔屈光度快速检测。通过采集的1200张红外瞳孔图像进行实验测试,结果表明本文算法屈光度检测准确率达91.6%,检测速度可达45 fps,优于使用Faster R-CNN进行屈光度检测的方法。     

基于改进YOLOv5针对舰船识别的算法研究

由于舰船在海面上距离岸边较远时,合成孔径雷达(synthetic aperture radar,SAR)所进行的图像会比较小,对船舰测量也较为困难,会产生漏检的情形。为了进一步提高测量准确度,提供了一个可以改进YOLOv5识别SAR舰船图像的新测量方法。方案介绍了注意力机制模型和改进非极大值抑制模式,并使用了自己的目标数据集中进行了训练试验,在对船舰标记时,使原正矩形框变成了平行四边形,对标记的精度更加准确。在进行了海面目标的集中训练后进行了测试,结论 :与原YOLOv5模型比较,改进的YOLOv5模型的准确率、召回成功率、平均准确率分别增加了2.3%、4.8%、2.5%,提升了船舶检测和识别的整体效果,证实了改进YOLOv5算法检测的可行性。     

改进YOLOv5的红外船舶目标检测算法

针对传统算法依赖于对红外船舶目标与环境背景的精确分离和信息提取,难以满足复杂背景和噪声等干扰环境下的船舶目标检测需求,提出一种基于改进YOLOv5的红外船舶目标检测算法。在YOLOv5网络中添加Reasoning层,以一种新的提取图像区域间语义关系来预测边界框和类概率的体系结构,提高模型的检测精度,同时对YOLOv5目标检测网络的损失函数进行改进,从而达到进一步提高模型准确率的目的。验证结果表明,改进后的YOLOv5算法训练出来的模型,检测精确率和速度与实验列出的几种目标检测算法相比均有明显提升,其中平均精度均值(mAP)可达94.65%。该模型经过验证,既能满足检测的实时性要求,又能保证高精度。     

改进YOLOv5的航拍图像识别算法

航拍图像识别广泛应用于各类军用、民用领域,因其距离远、成像模糊、目标相互遮挡等特点使得目标检测准确度一直不高,针对这一问题,提出了一种基于YOLOv5模型的改进方法。通过引入数据增强和标签平滑方法、改进损失函数为DIoU和增加针对小目标的网络处理层来提高目标检测效果。实验结果表明,在相同训练条件下,改进后的YOLOv5算法对大多数种类的目标检测准确率都有所提升,平均精确率提高了17%,平均召回率提高了2%,mAP@0.5达到了70.4%,比原始模型提升了6.1%。     

基于改进YOLOv5的复杂场景下SAR图像船舶检测方法

针对复杂场景下合成孔径雷达图像船舶检测中易产生漏检的问题,本文提出了一种基于改进YOLOv5的复杂场景下SAR图像船舶检测算法。该算法首先将由通道注意力和空间注意力共同组成的自适应注意力模块引入YOLOv5的特征提取网络中,通过将特征向量筛选加权后,使重要的目标特征占有更大的网络处理比重,以此增强网络对目标区域的特征学习能力。然后根据SAR图像特性优化了检测模型的损失函数,提升了预测框的置信度,最终降低了复杂场景区域的目标漏检率。实验表明,相比传统YOLOv5算法,本文算法显著提升了召回率。对于复杂场景下的SAR图像船舶目标检测,平均准确率达到了79.8％,相比于传统YOLOv5算法和Faster R-CNN算法分别提高了26.1%和17.3%。      

基于深度学习的遥感建筑物识别方法研究

针对遥感影像建筑物识别中遇到的小目标漏检、背景复杂度高、虚警干扰因素多等问题,提出了一种基于深度学习的改进YOLOv3算法。以一阶段代表算法YOLOv3为基础,通过改进网络结构,修改特征图尺度,嵌入空洞卷积模块,加强算法检测能力和精度。实验数据表明,改进YOLOv3算法在满足了实时性的基础上,平均检测精度和召回率都较之原算法分别提高了4.47%和2.59%,因此提出的方法有效提高了对遥感建筑物的检测效果。     

基于YOLO算法的红外图像目标检测的改进方法

传统红外图像行人检测方法利用人工进行比例模板设计和行人轮廓特征提取,由于预设模板比例相对固定,当行人因衣着增减、随身携带物品及姿态改变等原因使其轮廓比例发生较大变化时,往往会导致算法失灵而出现漏检现象。而基于深度学习的目标检测则通过对大量样本的本质特征进行抽象、提取、加工和整合,进而实现对更多样特征的学习。因此利用深度学习目标检测算法进行红外图像行人检测应用的研究可以弥补传统检测方法的不足。YOLOv3是目前性能较为均衡的识别算法,本文在分析YOLOv3系列算法的原理和特点的基础上提出了一个新的改进算法模型——Darknet-19-yolo-3,在几乎不损失检测精度的条件下提升检测速度,一定程度上实现检测准确率和速度的相对平衡。