基于模型压缩算法改进YOLOv4-tiny模型的车辆检测技术研究

基于卷积神经网络参数冗余较大的问题，提出一种基于模型压缩算法改进YOLOv4-tiny的车辆检测方法，以提高检测速度。首先，通过特征图矩阵的秩判断通道对网络模型的重要程度，对模型的通道剪枝，减少模型的参数数量；其次，对局部样本点进行采样提取，使用知识蒸馏算法，使模型的精度得到回升。实验结果表明，改进后的YOLOv4-tiny网络模型检测精度仅损失2.9%的情况下，模型参数减少了51.1%;部署在Jeston Nano设备上运行，每秒帧率FPS提升了93.7%。     

基于改进YOLOv4-tiny算法的车距预警方法

针对现有网络难以实时精确识别道路检测目标及车距的问题,提出了一种基于改进YOLOv4-tiny算法的车距预警方法。首先,总结了YOLOv4-tiny算法的特征提取结构,分析了原网络结构的不足之处。其次,在原网络中增加了空间金字塔池化层SPPF进一步提取目标特征,增强深层次语义信息表达能力,并将特征金字塔网络(FPN）结构添加下采样通道和CSPnet层,充分融合多尺度图像特征,避免浅层信息丢失。最后,使用Mosaic数据增强方法丰富数据集训练样本,并将改进YOLOv4-tiny算法与单目测距原理相结合,依据车距大小设置3种级别的信息提示进行车距预警实验。结果表明：本文算法在PASCAL VOC数据集上的检测速度为43帧/s,平均精度达到81.25%,较YOLOv4-tiny算法提高了3.59%。可见,改进YOLOv4-tiny算法在满足检测实时性要求的同时,具备良好的目标检测精度,对提升车距预警方法的使用效果具有指导意义。     

基于改进的YOLOV4的手势识别算法及其应用

针对基于特征提取的手势识别算法准确率低和速度慢的问题,提出了一种基于改进YOLOV4的手势交互算法.利用数据增强的方法解决了手势数据较少的问题,同时优化YOLOV4的网络模型,改变原特征图分辨率使其能够检测到更完整的手势特征,通过K-means算法重新计算先验框的尺寸以提高对不同大小手势的识别率.将该方法与原始的YOL...     

海量网络数据传输能耗优化方法

针对传统方法对海量网络数据传输能耗进行优化时存在传输能耗估计不准确、不适合大范围使用的缺陷,提出一种新的海量网络数据传输能耗控制优化方法.通过建立网络数据传输模型,对网络数据节点能耗进行计算.选取合适节点对网络数据进行参数设计,利用分段曲线压缩算法对采集的数据进行压缩传输,结合剩余能量实现海量网络数据传输能耗的优化.结果表明,在不同数据传输距离和数据量条件下,与传统方法相比采用改进算法可以很大程度降低海量数据的传输能耗,改进算法具有的能耗优化效果具有一定的实用性.     

基于EfficientNet-YOLOv5s的绝缘子缺陷检测

针对目前复杂背景下绝缘子缺陷小目标检测准确率低的问题,提出一种深度学习框架下的EfficientNet-YOLOv5s神经网络检测算法,首先通过无人机航拍输电线路中含有各类绝缘子的图像,并通过图像增强技术丰富图像数据集,然后用EfficientNet网络替换YOLOv5s主干网络,用改进的网络对标注的绝缘子数据集进行训练和测试,最后对模型的损失函数和非极大值抑制算法加以改进,进一步解决绝缘子目标重叠导致的漏检问题。实验结果表明,改进的网络平均精度达到98.5%,满足输电线路中绝缘子缺陷检测要求。     

基于改进YOLOV3的蝴蝶生长阶段检测

搜集标注蝴蝶生长过程图片,通过改进YOLOV3网络结构,调整先验框的维度,修改特征图分辨率,增强对小目标检测,反复训练得出最佳目标检测模型.实验表明,在5000张测试集图片样本中能得到95％ 以上的准确率,可以快速及时地识别出蝴蝶的各个生长发育过程.     

一种轻量级目标检测算法

通过增加特征提取网络M o bilenet的网络层数得到深层不同维度的特征图,并利用特征金字塔结构对特征图进行特征融合处理,进而增强算法的检测精确度.实验结果表明,所得模型在VOC数据集上的检测效果达到了78.8％ 的mAP,检测精确度对比原有网络检测精确度提高了2.9％,改进后的网络模型在达到实时检测的前提下,有效提高了对道路场景下主要目标的检测精确度.     

基于改进YOLOv5m的电动车骑行者头盔与车牌检测方法

电动车上路必须佩戴安全头盔已成为交管部门的强制性规定.为了能自动检测出电动车骑行者的头盔佩戴情况,提出一种基于改进的YOLOv5m模型的头盔与车牌检测方法,在检测出骑行者未佩戴头盔的同时还能检测出电动车车牌.模型使用自建电动车骑行者头盔与车牌检测数据集进行训练,用DIOU损失函数代替GIOU损失函数,DIOU_NMS代替加权NMS,增强模型对密集骑行场景的识别能力.在Backone部位与预测中小目标的Neck部位加入ECA注意力机制,使得模型对中小目标的识别率有所提高;用K-means算法对锚框尺寸重新进行聚类.最后,改进Mosaic数据增强方式.实验结果表明:改进的 YOLOv5m 电动车骑行者头盔与车牌检测模型的 mAP 为 92.7％,较原 YOLOv5m 模型提高 2.15个百分点,较 YOLOv4-tiny、Faster RCNN 模型分别提高 5.7个百分点与 6.9个百分点.改进后的 YOLOv5m 模型能有效提高对头盔与车牌的识别率.     

基于改进YOLO V3的接触网绝缘子检测方法

为代替人工对4C巡检车拍摄铁路接触网图像进行分析,使检测的速度和准确率达到实用的要求,本文提出一种基于改进YOLO V3的接触网绝缘子检测方法。该方法在YOLO V3的网络结构Darknet-53的第二个残差块和第三个残差块中间再增加一个新的对小目标友好的4倍降采样的残差块,提高对小目标的检测准确率。并根据相似图像中绝缘子的位置大体相同的特点,通过感知哈希算法分类图像,对同类图像采用候选区域扫描策略加快检测速度。实验结果表明改进后的方法对绝缘子检测的准确率从93.6%提升至99.2%,同类图像的检测速度提升了46%。     

基于YOLOv5s和Android部署的电气设备识别

针对变电站多种电气设备实时检测的需求,提出了一种基于改进YOLOv5s的电气设备识别方法,并设计基于Android部署的电气设备识别APP,以便对电气设备进行识别与学习。以电力变压器、绝缘子串等6种常见变电站电气设备为例构建图像数据集。数据集进行图像预处理后对YOLOv5s算法进行改进。通过引入C2f模块提高小目标检测精度,采用Soft-NMS提高检测框筛选能力,减少漏检和误检的情况,使用改进后的算法对数据集进行模型训练。将训练好的识别网络模型通过TensorFlow Lite框架进行模型部署,设计电气设备识别APP。经验证,改进后的变电站电气设备识别网络模型mAP稳定在91.6%,与原模型相比提高了3.3百分点。部署后的APP具有设备识别和设备介绍等界面,使用移动端进行识别时每张图片识别时间都小于1 s,具有较快的识别速度和较高的识别精度,可以高效地实现变电站电气设备的实时检测与设备学习。     

电力工作人员面部疲劳状态识别系统研究

疲劳状态检测对于保护电力工作人员的安全具有重要作用。深度学习虽然已经成为面部疲劳状态检测方面的重要方法,但是其检测结果的准确性还需要提高。针对这一问题,提出了一种新的电力工作人员疲劳状态识别系统。该系统通过对采集到的视频图像使用人脸检测算法确定电力场景中工作人员的面部位置,利用YOLOv4-tiny目标检测算法提取眼睛部位的视觉特征,建立检测模型,以提升视觉特征的辨别能力;采用PERCLOSE准则分析眨眼频率并结合打哈欠的频率和瞌睡点头频率来判断电力场景中工作人员是否疲劳。实验结果证明了所提的基于深度学习的疲劳状态识别方法的有效性。     

基于改进Mask R-CNN的交通监控视频车辆检测算法

针对交通监控视频车辆检测常易受到遮挡导致目标车辆出现漏检或误检的问题,提出一种基于改进Mask R-CNN的交通监控视频车辆检测算法. 采用基于bottleneck结构的主干网络,提高主干网络提取特征的能力; 通过基于预测mask分数的掩码分支,融合目标的类别分数和掩码质量分数,提高车辆的掩码质量; 通过基于Arcface Loss的目标检测损失函数设计,提高不同特征之间的可判别性,提高目标的检测精度. 实验结果表明,改进的Mask R-CNN模型可更好地检测到被遮挡的车辆,目标车辆的检测精度超过Faster R-CNN、YOLO v3和Mask R-CNN模型,可解决目标车辆漏检或误检问题.     

基于实例分割的复杂环境车道线检测方法

针对基于语义分割的车道线检测方法存在的特征表述模糊、语义信息利用率较低的问题,采用实例分割算法,提出基于改进混合任务级联（HTC）网络的车道线检测方法. 基于HTC网络模型,在主干网络中引入可变形卷积,提升主干网络对复杂环境中车道线特征的提取能力. 改进特征金字塔网络结构,在特征金字塔网络的基础上添加自底向上的低层特征传递路径,引入空洞卷积,在不损失车道线特征信息的情况下增加特征图感受野,利用低层特征中所包含的车道线的精确定位信息,提高车道线的检测精度. 实验结果表明,改进HTC网络模型可以实现车道线特征的鲁棒提取,在复杂道路环境中可以获得较好的检测性能,有效提高了车道线检测精度.     

基于多层前向神经网络入侵检测系统的研究

针对目前入侵检测系统不能有效检测未知入侵行为的问题,根据神经网络的自学习和自适应性强的特点,采取了将多层前向神经网络与入侵检测系统相结合的方法,提出了一种入侵检测模型,给出了此模型中神经网络模块的改进训练算法,实验证明,此算法入侵检测率可达86％,最大误报率为3％,加大训练样本可进一步提高检测率,从而更有效地检测出未知的入侵行为;此算法实时性强,可有效提高神经网络的学习效率。     

基于改进Mobilenet-YOLOv3的轻量级水下生物检测算法

在水下生物检测中,经典目标检测模型由于体积大、参数量多,不适用于微小型水下硬件设备,而现有轻量化模型又难以平衡检测精度和实时性. 针对这一问题,本研究提出了基于改进Mobilenet-YOLOv3的轻量级检测算法CPM-YOLOv3,该算法利用规整通道剪枝算法对Mobilenet-YOLOv3进行剪枝,并将特征提取网络中的SE (squeeze-and-excitation)模块替换成CBAM (convolutional block attention module),实现对网络模型的压缩. 同时,在不同尺寸的检测层中分别加入2个CBAM,在几乎不增加模型大小的情况下提升模型关注目标特征信息的能力. 实验结果表明,CPM-YOLOv3模型大小仅有4.86 MB,与原模型相比大小降低了94.7%,平均检测精度为87.0%,速度为5.1 ms/帧. 相较于其他网络模型,CPM-YOLOv3更适合在微小型水下设备中应用.     

基于深度学习的核桃外壳缺陷检测

实现了对核桃外壳缺陷的快速识别,提高基于机器视觉的核桃分选效率,提出了一种基于改进的 YOLOv5s核桃外壳缺陷检测方法。YOLOv5s网络中大量采用卷积核为3的卷积进行特征提取,为降低网络的计算量,本文提出利用深度可分离卷积代替残差网络中所采用的卷积核为3的卷积,提高对核桃外壳检测的速度。此外,为了保证精度能够满足要求,采用了改进的均值聚类对检测框进行初始化,提高生成的检测框的质量,进而提高核桃外壳缺陷检测精度。由于聚类方法相对整个网络结构计算量较小,因此对核桃外壳检测的速度影响较小。通过实验对比分析,改进后的YOLOv5s能够快速识别出核桃外壳缺陷,而且识别精度基本保持不变。     

基于改进AlexNet卷积神经网络的手写体数字识别

为了提高手写体数字的识别率,在AlexNet网络模型的基础上进行改进,引入Inception-resnet模块替换模型中的Conv3和Conv4来提升模型的特征提取能力;使用批归一化处理（BN）方法加快网络的收敛速度,防止过拟合;减少卷积核的数量,提升网络的训练速度。在MNIST数据集上进行训练与测试,实验结果表明改进的网络模型具有较高的检测精度,达到了0.9966,证明了本算法的有效性。     

Phased smoke detection algorithm using dual network fusion

Existing video smoke detection methods have a low detection accuracy in complex scenes and cannot detect smoke areas in video frames accurately. In this paper, a phased smoke detection algorithm that combines the smoke movement process and the target detection algorithm is proposed. First, an improved ViBe algorithm based on smoke color features is used to extract the continuously moving smoke in video. Then, the YOLO v3 model is used as the target detection network. The channel attention mechanism is added to the residual structure of its backbone network. Focal-loss and GIoU are utilized to improve the loss function. According to the test of the smoke image data set, the detection time of the improved network on a single picture is 38.4ms and the mAP reaches 92.13%, which is 2.19% higher than that by the original model. While extracting smoke motion, the same frame is sent to the improved YOLO v3 for smoke detection. Finally, comprehensive discrimination is made based on the smoke detection results in stages. Public smoke video test results show that the algorithm has an average detection rate of 98.88%, which proves that the algorithm has a strong adaptability, a high detection efficiency in complex scenes and a high practical application value.     

基于密集YOLOv3的印刷电路板缺陷识别

对印刷电路板加工过程中微小缺陷的精准检测是保证电子产品质量的前提。 由于电路板缺陷的特征尺寸极小,电路复杂,现有的目标检测方法存在很多不足。 针对这一问题,在 YOLOv3 算法的基础,提出了一种用于印刷电路板缺陷检测的密集 YOLOv3 目标检测算法。 首先,用密集连接卷积网络模块代替 YOLOv3 算法特征提取网络中的部分残差网络单元,增强网络的特征重用;其次,对损失函数加以改进,用预测框和真实值之间的广义交并比来解决交并比为零时无法继续优化的问题。 所提出的密集 YOLOv3 算法在扩充后的印刷电路板缺陷数据集上得到了有效地验证。 实验结果表明,与其他识别算法相比,所提算法在识别精度提高的同时,算法尺寸也有所减小。