基于改进YOLOv5算法和边缘设备的电动车违规载人检测

严禁电动车违规载人是新交通法规中的重要内容，针对目前缺乏有效的检测电动车违规载人算法的现状，设计了一种基于改进的YOLOv5目标检测算法与边缘设备相结合的电动车违规载人检测系统。首先构建电动车行驶数据集；其次以YOLOv5网络模型为基础，引入轻量化网络Mobilenetv3、ECA-Net注意力机制、Slim-Neck结构和SPPFCSPC空间金字塔池化结构，提升针对电动车违规载人的检测精度，并且与原算法做消融实验；最后将改进后的算法部署在边缘设备Jetson Nano上进行实时推理。通过分析实验数据，改进后算法的参数量下降为原YOLOv5n的18%，在Jetson Nano上其推理速度提升了62%，最快推理速度可以达到17 FPS。改进后的算法在Jetson Nano上可以在提升检测精度的同时大幅提高推理速度，满足在不同场景下进行边缘部署的需求。     

海港码头冷藏集装箱仪表盘类型与温度示数识别方法研究

针对码头上人工巡检冷藏集装箱费时费力的问题,提出了一种基于YOLOv4-tiny算法的集装箱温度识别方法。通过两步检测的方法,第一步,检测仪表盘类别与位置,裁剪下仪表盘区域;第二步,检测裁剪区域上的数字,并通过仪表盘类型选择不同组合算法,将数字组合成温度,解决了不同仪表盘温度排列不同以及数字小目标检测困难的问题。针对仪表盘检测与数字检测任务的难度差异,在保证各个任务精度的基础上,通过减少模型参数量,提升推理速度。同时在模型网络中加入注意力机制,使网络更加关注主要特征,提升模型识别准确率。实验表明,改进后的仪表盘检测模型和数字模型在测试集上分别达到了99.84%和98.64%的检测精度,且在树莓派上达到了2.4FPS的检测帧数。     

基于改进CenterNet网络的绝缘子检测方法

针对输电线路中绝缘子检测准确率不足以及检测时间长的问题,提出一种基于Anchor free(无先验框)的绝缘子检测算法;以CenterNet网络模型为基础,使用Resnet50网络作为特征提取网络,在保证速度的前提下加深网络增强特征提取能力;引入金字塔池化模块,通过局部多尺度的特征融合提取更加丰富的绝缘子特征信息,避免对绝缘子的漏判从而提升检测精度;对收集的航拍绝缘子图像进行数据增强,建立实验数据集;在网络训练中使用迁移学习的思想,对主干网络进行冻结的方式提高训练效率。通过实验发现,相比较原网络模型,绝缘子检测的平均精度与召回率分别提升16.34%、36.06%,与其他六种网络模型相比较,检测精度与速度均有所提升,具有良好的检测性能及实时性。     

用于PCB缺陷检测的增强上下文信息Yolov4_tiny算法

针对现有的PCB缺陷检测存在检测精度低、速率慢等问题,提出一种用于PCB缺陷检测的增强上下文信息Yolov4_tiny算法。该算法首先通过Transformer编码单元对特征提取网络深层特征冗余的问题进行优化,增强网络捕获不同尺度局部特征信息的能力;然后利用浅层特征增强PCB缺陷小目标上下文信息,提升FPN网络对小目标缺陷的表征能力;最后引入注意力机制对特征提取网络输出的有效特征层加权,强化目标特征表征能力。实验结果表明,该算法对于整体缺陷的平均检测精度的均值(mAP)达到98.70%,较Yolov4_tiny提升了3.12%,实现了PCB缺陷精准定位和识别,满足工业检测的实际需求。     

基于轻量级卷积神经网络的遥感图像检测模型

针对遥感图像目标检测困难，当前网络难以兼顾检测精度与实时性的问题，提出一种轻量级的遥感图像检测模型Yolov4＿Rs。以Yolov4为基准，将轻量级网络Mobilenetv2作为主干特征提取网络，减小模型容量；在网络颈部融入多个特征增强金字塔模块，丰富特征信息；在特征融合网络中去掉下采样，引入残差连接；使用K-means++算法对数据集进行聚类。实验结果表明，Yolov4＿Rs体积仅为Yolov4的25.1%,在RSOD和UCAS-AOD数据集上的MAP相比Yolov4分别提升了2.26%、0.99%,表明该模型比Yolov4检测效果更好，是一种轻量高效的检测模型。     

电容外观缺陷自动检测算法研究

针对目前电容器外观检测算法存在精度较低的问题,从两个方面改进SSD算法(Single Shot MultiBox Detector),提升识别精度。(1)通过轮次进阶方法改进训练过程;(2)采用图像翻转、图像裁剪、对比度增强等方法增加数据集。实验结果表明,提出的方法在特定环境下对提高检测精准度有较好作用。     

高铁接触网绝缘子检测算法研究

针对已有高速铁路接触网绝缘子目标检测算法通常存在检测精度不高且忽视了绝缘子方向的问题,为了能更好地满足智能化巡检需求,提出一种基于改进YOLOv5的绝缘子旋转目标检测算法。首先,引入协调注意力(CA)和十字交叉注意力机制,高效提取绝缘子的有效特征及位置信息,同时利用骨干网络Rep VGG架构,有效提升模型表征力和检测速度;在检测头的骨干网络中,采用对齐卷积(AC)模块解决了绝缘子目标的倾斜和特征不对齐问题,进一步调整了预测框与实际目标的对齐程度;最后,采用旋转完全交并比(R-CIoU)计算旋转损失函数,可以更好地实现对预测框的精准定位。实验结果表明,该算法可以实现对绝缘子不同方向的检测,在提升检测速度的同时平均精度均值(mAP)达到97.5%,能更好地满足绝缘子目标检测的需求。     

改进YOLOv5s的轨道障碍物检测模型轻量化研究

针对传统列车轨道障碍物检测方法实时性差和对小目标检测精度低的不足,提出一种改进YOLOv5s检测网络的轻量化障碍物检测模型。引入更加轻量化的Mixup数据增强方式,替代算法中原有的Mosaic数据增强方式;引入GhostNet网络结构中的深度可分离卷积GhostConv,替代原有YOLOv5s模型中特征提取网络与特征融合网络中的普通卷积层,减小了模型的计算开销;在模型特征提取网络末端加入CA空间注意力机制,让算法在训练过程中减少了重要位置信息的丢失,弥补了改进GhostNet对检测精度的损失;将改进后的模型进行稀疏训练和通道剪枝操作,剪掉对检测精度影响不大的通道,同时保留重要的特征信息,使模型更加轻量化。实验结果表明,改进后的模型在自制的多样化轨道交通数据集上,相较于原始YOLOv5s算法,在模型大小减小9.7 MB,检测速度提高14 FPS的前提下,检测精度提升了1.0个百分点。同时与目前主流的检测算法对比,在检测精度与检测速度上也具有一定的优越性,适用于复杂轨道交通环境下的障碍物目标检测。     

基于改进 YOLOv4 的嵌入式变电站仪表检测算法

随着机器人技术的快速发展,智能机器人广泛应用于变电站巡检,针对目前目标检测算法参数量过大且嵌入式设备性能有限,难以在嵌入式平台上实现实时检测的问题,提出了一种基于改进 YOLOv4 的嵌入式变电站仪表检测算法。以 YOLOv4 为基础,采用MobileNetV3 作为主干特征提取网络,在保证模型能够有效提取特征的情况下,降低运算量,提高检测速度;与此同时,将特征提取后的路径聚合网络(PANet)中的卷积运算替换成深度可分离卷积;采用迁移学习的训练策略克服模型训练困难问题;最后,利用TensorRT对改进后的模型进行重构和优化,实现快速和高效的部署推理。改进后的算法在嵌入式端 NVIDIA Jetson Nano上进行了测试,实验结果表明,在牺牲了较少精度的情况下,检测速度提高了 2 倍,达到 15 FPS,为边缘计算场景下的仪表实时检测提供了可能。     

基于YOLOv5s剪枝模型的输电线路全景监测研究

随着人工智能技术的快速发展,基于深度学习的目标检测算法在诸多行业得到了应用。针对当前输电线路影像中典型障碍物目标识别对人工要求较高的问题,提出了基于YOLOv5模型剪枝的算法来对输电线路附近典型目标进行检测。首先,算法进行基础训练后得到一个检测精度和推理速度两种性能比较均衡的网络模型,再进行稀疏训练以获得参数较为稀疏的神经网络模型,最后,采取不同剪枝策略对网络进行修剪,达到压缩模型大小提高推理速度的目的。在自制数据集上使用多种算法进行对比试验,实验结果表明：相较于YOLOv4、CenterNet和SSD算法,所提算法在保持相对较高检测精度条件下提高了检测速度,能够满足实际需要。     

针对轻量化网络的安全帽检测方法

变电站内电气设备数量众多,在工人进行现场作业时需要对工人佩戴安全帽进行监测。由于机器学习的安全帽佩戴检测方法常常出现漏检和误检的情况,为提高对安全帽佩戴识别的准确率,同时加快识别速度,提出了一种基于YOLOv5s的轻量化卷积神经网络模型。通过引入RepVGG模块对网络主干进行轻量化,在网络后处理阶段通过Soft-NMS降低遮挡目标漏检率,以Mixup数据增强来扩充数据集,建立样本之间的线性关系,提升训练模型泛化性能,最后进行消融实验。实验结果表明,改进的模型的均值平均精度(mAP)达到80.4%,推理速度达到了83.3 f/s,为变电站安全帽佩戴检测提供了有效参考。     

车载探地雷达技术在地铁隧道检测中的应用

车载探地雷达技术在地铁隧道中的检测得到广泛应用,对保障地铁隧道的安全性和可靠性起到重要的作用。为了对地铁隧道缺陷进行精确检测,并提升检测的效率,构建基于Yolov5模型的车载探地雷达检测系统。首先采用零时校正、去直流、背景去除和图像增益方法对信号和图像进行去噪。然后基于Yolov5目标检测模型,引入SPP-Bottleneck模块进行改进,最后构建基于Yolov5模型的车载探地雷达检测系统。结果显示,改进后的Yolov5模型在置信度相同的条件下,相较于原始模型具有更高的F1值。在实例应用中,基于Yolov5模型的车载探地雷达检测系统F1、精确度、召回率平均值分别为0.884、0.873和0.895,该模型对于隧道中的缺陷检测具有有效性。Yolov5目标检测模型的检测时间为0.3s,相较于其他三种检测模型,效率分别提升了93.75%、84.2%和50.0%,更具有实际应用价值。此次研究解决了传统车载探地雷达技术存在的问题,对地铁的运营和维护具有重要的意义。     

交通监控场景中的车辆检测与跟踪算法研究

考虑多目标跟踪过程中存在的实时性和身份跳变问题,提出一种基于检测的多车辆跟踪算法。首先利用Mobilenetv2替换YOLOv3检测算法的主干网络,构建目标检测模块YOLOv3-Mobilenetv2,减少检测算法模型参数,提高检测模块的运行速度;在Mobilenetv2中引入Bottom-up连接,增强多尺度特征图间的信息融合;然后构建基于LSTM的运动模型,解决卡尔曼滤波在非线性系统中产生的预测误差,基于Deepsort跟踪算法,引入LSTM运动模型,形成L-Deepsort跟踪算法;改进L-Deepsort跟踪算法外观匹配策略,提升目标间的关联性;最后融合轻量级目标检测算法YOLOv3-Mobilenetv2与多目标跟踪算法L-Deepsort,形成MYL-Deepsort多车辆跟踪算法,实现多车辆的实时准确跟踪。实验结果表明,该方法在跟踪性能提升的情况下,速度较YOLOv3-Deepsort提高21 frame/s,在TX2平台达到13 frame/s。     

基于GhostNet残差结构的轻量化饮料识别网络

YOLOv4-Tiny目标检测网络算法存在参数多和计算量大等问题,无法部署在资源有限的平台上。提出一种基于GhostNet残差结构的主干轻量级目标检测网络算法YOLO-GhostNet。该算法采用GhostNet结构将普通卷积分成两步,即使用较少的卷积核生成一部分特征图,对生成的特征图通过简单计算获得另一部分特征图,并将两组特征图进行拼接,以减少计算所需资源与参数量。通过GhostNet构建残差结构的YOLO-GhostNet算法在经过批量归一化层优化后模型尺寸只有2.18 MB,较YOLOv4-Tiny算法模型尺寸减小90%。YOLO-GhostNet算法在GPU加速环境下平均处理图片速度比YOLOv4-Tiny算法提高24%,CPU处理速度比YOLOv4-Tiny加快56%。实验结果表明,该算法在饮料测试集中的平均精确度均值达到79.43%,相比YOLOv4-Tiny算法,其在精度无损失情况下能够大幅降低网络计算量和参数量,同时加快推理速度,更适合部署于资源算力不足的嵌入式设备。     

基于改进的Faster RCNN面部表情检测算法

针对真实环境下多目标表情分类识别算法准确率低的问题,提出一种基于改进的快速区域卷积神经网络(Faster RCNN)面部表情检测算法.该算法利用二阶检测网络实现表情识别中的多目标识别与定位,使用密集连接模块替代原始的特征提取模块,该模块能够融合多层次特征信息,增加网络深度并避免网络梯度消失.采用柔性非极大抑制(soft...     

基于改进yolov网络的外观检测研究

外观检测涉及对图像或视频中的物体进行准确和高效的识别和定位,为了解决物体表面小尺寸目标检测的问题,研究通过优化YOLOv3网络模型,引入多尺度检测和深度可分离卷积技术来提高检测精度和模型效率,以增强对小尺寸目标的识别能力,再采用深度可分离卷积技术来减少计算量,并提高模型的训练效果。实验结果表明,改进后的算法在物体表面小尺寸外观检测方面表现出明显的提升,平均精度达到71.52%,比原始模型提高11.37个百分点。同时,通过减少计算量和提高模型速度,实现了35.6帧/秒的检测速度。研究可以优化算法,提高小尺寸目标检测的准确性和鲁棒性,推动其在计算机视觉领域的广泛应用。     

基于YOLOv3的嵌入式实时视频目标检测算法

深度神经网络在目标检测领域具有优异的检测性能,但其结构复杂、计算量大,难以在嵌入式设备上进行高性能的实时目标检测。针对该问题,提出一种基于YOLOv3的目标检测算法。采用半精度推理策略提高YOLO算法的推理速度,并通过视频运动自适应推理策略充分利用前后帧视频之间目标的关联性,降低深度学习算法的运行频率,进一步提高目标检测速度。在ILSVRC数据集上的实验结果表明,该算法可以在NVIDIA TX2嵌入式平台上实现28 frame/s的视频目标检测,且检测精度与原始的YOLOv3算法相当。     

基于图像相似度与深度学习的变电站刀闸状态识别算法的对比研究

为解决以往变电站中基于各类传感器的刀闸状态检测方式成本高、稳定性差的问题，本文探索了两类基于图像识别的刀闸状态检测算法，相较于传统的基于图像相似度的刀闸状态识别算法，基于深度学习的目标检测算法对刀闸状态识别准确率更高，能够有效对变电站内刀闸状态进行检测。本文在对483张包含各类刀闸状态的图像进行标注后，使用Yolov5的预训练模型进行训练，训练后的模型在包含80张各类刀闸状态的测试集上进行测试，结果表明综合准确率为89.31%，综合召回率为98.32%。本文所提出的基于深度学习的刀闸识别算法能够对变电站刀闸状态进行有效识别，且识别准确率高、部署较为简单，对保障变电站安全稳定运行有着重要作用。