基于小型Zynq SoC硬件加速的改进TINY YOLO实时车辆检测算法实现

针对TINY YOLO车辆检测算法计算量过大，且在小型嵌入式系统中难以达到实时检测要求的问题。利用小型Zynq SoC系统的架构优势以及TINY YOLO的网络权值中存在大量接近零的权值参数这一特点，提出硬件并行加速的改进算法，称为浓缩小型深度网络（Xerantic-TINY YOLO，X-TINY YOLO）车辆检测算法。首先对TINY YOLO中网络结构进行压缩；其次采用高效多级流水线、流水线内全并行的方式对卷积计算部分进行算法加速；最后提出与网络结构相配合的数据切割和传输方案。实验结果表明，X-TINY YOLO仅消耗50%的片内硬件资源，可在相对于GPU和CPU性价比更高更适合嵌入式场景的Zynq SoC系统上实现，且其检测速度达到24帧/s，满足车辆检测的实时性要求。     

轻量化的印刷电路板缺陷检测网络 Multi-CR YOLO

针对印刷电路板表面缺陷目标小，检测精度低问题，设计了印刷电路板表面缺陷检测网络Multi-CR YOLO，满足实时检测速度的前提下，有效提高了检测精度。首先，由3个Multi-CR块组成的主干特征提取网络Multi-CR backbone对印刷电路板小目标缺陷进行特征提取。其次，SDDT-FPN特征融合模块使层级高的特征层向层级低的特征层进行特征融合，同时为小目标预测头YOLO Head-P3所在特征融合层加强特征融合，进一步增强低层特征层的表达能力。PCR模块加强主干特征提取网络与SDDT-FPN特征融合模块不同尺度的特征层的特征融合机制，且防止模块之间进行特征融合时信息丢失。C5ECA模块负责自适应调节特征权重和自适应注意小目标缺陷信息的要求，进一步提高了特征融合模块的自适应特征提取能力。最后，3个YOLO-Head负责针对不同尺度的小目标缺陷进行预测。实验表明，Multi-CR YOLO网络模型检测mAP达到98.55%，模型大小为8.90 MB，达到轻量化要求，检测速度达到了95.85 fps，满足小目标缺陷实时检测的应用需求。     

复杂环境下课堂多人状态检测算法研究

新冠肺炎疫情背景下课堂多人佩戴口罩及姿态识别问题,提出了基于YOLO和OpenPose模型的课堂多人状态检测算法。提出的Efficient-YOLO模型,通过采用CBAM注意力模块、SPNET-NEW模块,解决了多人遮挡和无规则化目标的口罩佩戴检测精度问题。此外,提出了一种轻量化的Class-OpenPose模型检测学生上课姿态,该算法在OpenPose模型基础上,使用ShuffleNetV2-NEW对传统模型在底层特征提取方面进行改进,实现了复杂环境下关键姿态点的实时准确检测。实验表明,在课堂多人异常状态检测任务中,Class-OpenPose模型平均准确率高于传统模型,为79.0%,检测速度达到13.5 F/s; Efficient-YOLO口罩识别模型达到83.1%的平均准确率,检测时间仅需31.54 ms,为课堂学生状态检测提供了不错的算法思路。     

基于高分辨率SAR影像和深度学习的输电杆塔智能识别研究

近年来,强降雪、洪涝等极端气象灾害频发,对输电线路安全运行造成巨大挑战。星载合成孔径雷达技术(SAR)技术作为一种广域、全天时、全天候的新型感知技术,可实现大范围输电线路受灾情况的快速评估。针对复杂背景下的高分辨率SAR影像中的电塔识别问题,文章提出一种结合YOLO v2和VGG模型级联的Two-Stage目标检测算法。在Stage-1阶段,基于YOLO v2对整景SAR影像进行电塔检测;在Stage-2阶段,基于VGG对Stage-1的检测结果进行假阳性消除。以2018年1月强降雪后某地的COSMO影像为例进行测试,结果表明电塔召回率可达85. 7%,证明文中方法可较准确地识别整景SAR影像的电塔目标。     

基于YOLO的自动驾驶目标检测研究综述

自动驾驶是人工智能发展领域的一个重要方向,拥有良好的发展前景,而实时准确的目标检测与识别是保证自动驾驶汽车安全稳定运行的基础与关键。回顾自动驾驶和目标检测技术的发展历程,综述了YOLO算法在车辆、行人、交通标志、灯光、车道线等目标检测上的应用,同时对比分析了精确性与实时性等性能,阐述了自动驾驶目标检测研究领域将要面临的挑战、可能的解决方案和潜在的发展方向。     

基于YOLO模型的机器人电梯厅门装箱状态快速识别方法

目的针对电梯厅门柔性生产线机器人装箱后厅门状态识别问题,提出一种基于YOLO模型的电梯厅门装箱状态快速识别方法。方法采用工业相机采集装箱后厅门图像信息,并制作成样本训练集,然后将训练集输入到目标识别分类检测模型中,通过调整网络结构参数进行迭代训练。结果经过测试验证,文中提出的识别方法对装箱后厅门的状态分类识别成功率在99%以上,而且识别速度明显优于传统机器视觉处理算法。结论文中提出的厅门装箱状态快速识别方法,可有效解决工业环境中复杂多变光照因素对传统机器视觉处理算法造成的识别效率低、误判率高等问题,并能满足生产系统节拍要求。     

基于偏振信息图像增强的多目标检测

偏振是光的重要特性之一,偏振成像技术能够获取场景中目标的强度信息和偏振信息,偏振信息能够反映出目标物体表面的材质特征。本文针对雾霾天气状况下道路场景中常见目标识别结果的准确性要求,提出了两种基于偏振信息的图像增强方案。首先经过多次采集实验,经过数据清洗、图像标注构建偏振数据集,共4 649张图像和31 877个标签。针对雾霾轻度污染的场景,通过区域自动生长算法分割出偏振强度图像中的天空区域,根据天空区域的偏振度和偏振角信息以及大气物理散射模型反演出目标反射光,从而实现图像去雾。针对雾霾重度污染的场景,使用小波变换的方式对图像进行增强,利用偏振度图像来增强强度图像中的目标轮廓。使用图像灰度方差和图像信息熵作为图像质量评价指标,使用YOLO v5s深度学习网络进行目标检测。实验结果表明,雾霾轻度污染的情况下,图像质量和目标检测准确性均有所提升,图像信息熵提升了3.36%,灰度方差提升了40.27%,目标检测mAP达到了76.40%,提升了12.69%;雾霾重度污染的情况下,目标检测mAP提升约1.69%。     

PCB 缺陷检测深度学习算法的精度改进

本文以YOLOv5目标检测算法为基础算法,针对PCB缺陷检测进行了提高精度的改进。首先通过实验选取了合适的数据增强方法。针对PCB缺陷尺寸小的问题,在原有的3个检测头基础上增加了P₂检测头。设计全新的PANet多特征融合结构,实现高效的双向跨尺度连接和加权特征层融合。针对PCB背景复杂的问题,引入了CBAM注意力模块以增强图像信息。引入了Transformer模块来增强算法,以提高捕捉不同位置的PCB缺陷信息的能力。最终通过这些改进,在检测速度FPS仅下降7.2的情况下,检测算法的mAP精度提高了11.3%。     

融合相机与激光雷达的目标检测与尺寸测量

针对三维场景下的目标检测与尺寸测量任务,设计了一种融合激光雷达和相机传感器的三维目标检测和尺寸测量算 法。 使用基于卷积神经网络的二维目标检测器提取目标的二维检测框,结合图像中的二维检测框和几何投影关系获取包含物 体的三维视锥点云,由欧氏聚类方法获得物体的聚类点云,实现了物体的三维目标检测。 提出了基于目标二维检测框的改进尺 寸测量方案以替代原有点云聚类后得到的三维框信息,提高了物体尺寸测量的精度。 在现有数据集上评估测试了目标检测与 尺寸测量的精度,实验结果表明,二维目标检测器 YOLOv7 在检测数据集上的平均检测精度达到了 81%,改进尺寸测量方案在 物体尺寸测量时的测量误差在 5%以内,对于较远物体或较小物体的目标检测和尺寸测量也具有很好的效果。     

基于无人机影像的电网绝缘子自爆识别

电网因其在电能传输方面的关键性作用,在我国民生项目建设领域一直扮演着至关重要的角色。电网杆塔上的绝缘子一旦发生自爆(也称“缺陷”),绝缘子会自动剥落,输电线路就会产生安全隐患,严重时会降低输电线路的运行寿命,甚至会引发供电中断,发生大范围的停电事故,造成巨大的财产损失。目前,主流的巡检方法为人工巡检,该方法不仅耗时耗力,而且也存在一定主观出错率,已不适用于目前电路巡检的实际情况。本设计采用YOLO V5网络模型,对无人机航拍影像中绝缘子串及绝缘子自爆进行自动识别。首先通过平移、翻转、裁剪等,对航拍绝缘子影像数据集进行数据增广,并对增广后的数据集在LabelImg中进行标注,然后利用YOLO V5网络模型对绝缘子串及绝缘子自爆进行识别,最后采用PyQt5框架在PyCharm中设计了绝缘子自爆识别的系统界面,对模型进行调用,实现了绝缘子串及绝缘子自爆识别。本设计采用从网络上下载、国家电网提供、数据增广所得到的500张无人机航拍影像作为数据集,对所得数据集进行人工标注,再使用YOLO V5网络模型进行训练和测试,结果表明YOLO V5网络模型对绝缘子串具有较高的识别精度,最高识别精度为90.2%,对绝缘子自爆的最高检测精度为80.8%。这说明了YOLO V5网络模型在绝缘子串识别方面有较好的表现,但是由于训练集中绝缘子自爆的样本影像数量有限,所以该网络模型对绝缘子的自爆识别存在一定局限性,本实验能够部分代替人力实现电网绝缘子智能巡检,提高了检测效率。