基于改进型YOLO v3的绝缘子异物检测方法

绝缘子作为输电线路重要的组成部件,其功能完整性对电网的安全运行至关重要。绝缘子所处的户外环境极易导致其存在异物搭挂,有必要监控绝缘子的运行状态。提出一种基于改进型目标检测算法(YOLO v3)的绝缘子异物检测方法:Dense-YOLO v3,设计密集网络(Dense-net)替代原网络其中一个卷积层,实现绝缘子的多层特征复用和融合,提高了检测精度。扩增了训练集以提升网络的训练效果;提出误检代价函数以度量误检的风险。实验结果表明,Dense-YOLO v3在测试集上的检测精度达到94.54%,误检代价低于YOLO v3和Faster-RCNN,可初步应用于输电线路的无人机巡检作业。     

一种改进的YOLO目标检测方法在电缆设备异常状态识别中的应用

针对地下隧道电缆设备异常状态识别中目标设备较为单一、异常状态相对简单、综合识别速率和准确率较低的问题,文章提出一种改进的YOLO目标检测架构,对电缆设备进行定位和异常状态识别。首先,采用图像缩放方法调整图像尺寸为448×448,再利用卷积神经网络对特征进行提取,其中每一层采用批量归一化方法规范模型,最后通过RPN网络预测目标边界框。采用珠海地下电缆隧道中的图像数据进行仿真实验,并与YOLO和Faster RCNN算法进行对比,实验结果验证了所提出方法的有效性,且算法识别准确率较高、鲁棒性好,可有效应用于地下电缆隧道的巡检机器人系统中。     

基于改进型YOLO的密集环境下槟榔果实的快速识别方法

目的:提高小个体槟榔的识别精确率以及槟榔加工厂的自动化程度。方法:设计并选取Mob-darknet-52作为新型特征提取网络,采用多尺度检测尺寸,提出一种基于改进型YOLO算法的槟榔定位与识别的方法。结果:Mob-YOLOV3-SPP对槟榔果实分类的检测精度为94.8%,准确率为94.5%,召回率为95.1%,模型的检测时间为6.679 ms。结论:基于改进型YOLOV3网络的优化算法可以实现密集环境下槟榔果实的快速定位与识别。     

基于可变形卷积的单帧图像眼球定位追踪

针对目前眼球定位追踪算法存在的眼球定位精准度不高问题,以及为了改进眼球追踪算法的精准度并保证一定的图片处理速度,将可变形卷积网络应用于YOLO网络,对特征分布提取层面进行改进。利用可变形卷积的形变建模能力对卷积核中的各个采样点的位置增加一定的偏移变量,从而从原始单帧图像中提取更具有表征特征的信息,并与先进眼球定位追踪检测网络进行了实验对比。研究表明,可变形卷积YOLO网络的精准度可以达到0.685,平均处理图片刷新率达42帧/s,优于原YOLO网络以及其他眼球定位追踪检测网络。     

改进YOLOv3算法的筷子毛刺缺陷检测方法

针对目前筷子质量检测机器并不能对带有毛刺的筷子进行有效分拣这一问题,提出了一种基于改进YOLOv3算法的筷子毛刺缺陷检测方法。通过删除YOLOv3网络多尺度检测中的32倍降采样的检测层,在YOLOv3网络中增加4倍降采样层,进一步得到深层特征并与第二次下采样中的浅层特征进行融合,让网络同时学习深层和浅层特征、重新聚类anchor box尺寸、改变YOLOv3网络的超参数,如减小抖动、减小权重衰减正则项、增大批尺寸、选择合适的动量值等方法,对原网络进行改进。当交并比(IOU)为50时改进后网络的平均检测精度由89%提升到了94%,查准率提高了4%,查全率提高了9%,平均IOU提高了3.5%,平均检测速度由16.8帧/s增加到了21.0帧/s。试验结果表明,该方法相对于传统筷子质检机具有更高的检测效率,能满足筷子毛刺缺陷的检测需求。     

面向水域场景的热成像人员识别算法研究

针对水域场景夜间能见度极低,难以实现人员目标检测与定位的问题,结合红外热成像技术与深度学习目标检测算法, 研究了一种黑暗环境下水域人员目标检测方法。 经过多场景实地采集,自主构建了一套热成像水域场景下的人员目标数据集 IR-YZ。 在对比经典目标检测方法在 IR-YZ 数据集上的性能的基础上,针对热成像特点与水域环境特点,提出了一种增强型轻 量级水上目标检测网络 IWPT-YOLO(infrared water person target-YOLO)。 实验结果表明,IWPT-YOLO 算法具有精确、快速、简洁 等优势,其模型大小为 93 MB,平均精度 mAP 达到了 85. 34%,检测速度达到了 20. 975 FPS,比经典算法 YOLOv3 网络与 SSD 网 络在模型大小、平均精度与检测速度上均有提高,验证了 IWPT-YOLO 算法对水域场景下的热成像人员目标具有更好的检测性 能,更明显的优势。     

基于改进YOLOv3的遥感图像小目标检测

YOLOv3算法被广泛地应用于目标检测任务。虽然在YOLOv3基础上改进的一些算法取得了一定的成果,但是仍存在表征能力不足且检测精度不高的问题,尤其对小目标的检测还不能满足需求。针对上述问题,提出了一种改进YOLOv3的遥感图像小目标检测算法。首先,使用K均值聚类变换（K-means-T）算法优化锚框的大小,从而提升先验框和真实框之间的匹配度;其次,优化置信度损失函数,以解决难易样本分布不均衡的问题;最后,引入注意力机制来提高算法对细节信息的感知能力。在RSOD数据集上进行实验的结果显示,与原始的YOLOv3算法、YOLOv4算法相比,所提算法在小目标“飞机（aircraft）”类上的平均精确率（AP）分别提高了7.3个百分点和5.9个百分点。这表明所提算法能够有效检测遥感图像小目标,具有更高的准确率。     

基于 YOLOv4-tiny 和完整度排序的 标志物快速圆检测算法

针对现有圆检测算法在高分辨率标志物图像中检测效率低的问题,提出了一种新型标志物快速圆检测算法。首先通过YOLOv4-tiny算法快速定位图像中的标志物,滤除背景干扰,然后利用提出的弧段完整度排序方法从标志物中筛选出不同完整度的候选圆,最后通过距离和方向角约束筛选并拟合得到所有的标志物圆。基于高分辨率标志物图像数据集进行了实验,实验结果表明算法具有极快的检测速度,在检测精度基本不变时,算法的检测时间只有EDcircle算法的11%,AAMED算法的5.0%,为需要快速定位标志物的视觉定位、标定等任务提供了一种高效的解决方案。     

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。     

基于深度学习的SAR目标识别DSP设计

SAR图像目标识别主要针对桥梁、机场等战略军事目标以及飞机、坦克、汽车等战术目标,进行精确的识别分类及定位,是SAR图像解译的重要一环。首先,构建C6678的卷积神经网络主要处理层,然后结合C6678的处理及存储特性,对卷积层和网络调度进行优化设计,完成了YOLOv3-TINY目标识别网络在C6678上的设计实现方法。该方法能够对常用卷积神经网络模型进行重构及修改,解决了C6678等多核DSP处理平台运行深度学习网络的难题。实验结果表明,该方法在检测性能上与GPU一致,考虑到机载SAR的实时图像帧率,虽然该方法在C6678的实时性能相对GPU还有较大差距,但其能够满足机载SAR实时处理需求。