基于YOLOv5的轻量级雾天目标检测方法

针对雾天场景下目标检测算法精度较低、模型复杂度较高,提出一种基于YOLOv5的轻量级雾天目标检测方法。采用感受野注意力模块(RFAblock)通过交互感受野特征信息,对感受野添加注意力机制,提高特征提取能力;采用轻量化网络Slimneck作为颈部结构,在保持精度的同时降低模型参数和复杂度;在损失函数中引入真实框与预测框之间的角度向量,提高训练速度和推理的准确性;采用PNMS(precise non-maximum suppression)改进候选框选择机制,降低车辆遮挡情况下的漏检率。在真实雾天数据集RTTS和合成雾天数据集Foggy Cityscapes上进行测试,实验结果表明,与YOLOv5l相比mAP50分别提高了4.9和3.5个百分点,模型参数量仅为YOLOv5l的54.6%。     

基于YOLOv4的车辆与行人检测网络设计

针对YOLOv4网络模型参数量大,难以在资源有限的设备平台上运行的问题,提出一种对YOLOv4轻量化的车辆和行人检测网络。以MobileNetV1为主干网络,将PANet和YOLO Head结构中的标准卷积替换成深度可分离卷积,减少模型参数量;同时利用跨深度卷积结合不同膨胀率的空洞卷积构建特征增强模块,改善不同预测层对车辆和行人尺度变化的适应能力,提高网络的检测精度。实验结果表明,上述网络模型大小为45.28MB,检测速度为44FPS,相比YOLOv4模型大小减少81.44%,检测速度提升91.30%,在PASCAL VOC2007测试集上,检测精度达到86.32%,相比MobileNetV1-YOLOv4原网络提高1.29%的精确度,能够满足实时高效的检测要求。     

基于改进的YOLOv5城市道路车辆行人检测方法

城市道路上车辆行人的检测是自动驾驶汽车环境感知功能中的核心要素之一。针对现有城市道路车辆行人检测任务在使用目标检测算法检测精度低,检测位置不准确等问题,提出一种基于改进YOLOv5的城市道路车辆行人检测新算法—HCA-YOLOv5目标检测算法。通过K-means++聚类算法重新设计并更新锚框初始值并将其匹配到对应特征层,以提高模型对检测目标的检测性能;通过利用城市道路图像中不同高度上的类别分部特点并结合Transformer结构改进HANet的注意力结构,提高I模型I对输入图像的全局上下文特征提取能力,加强网络.对城市道路场景图片中不同类别的辨别.能力。实验结果表明,在自动驾驶数据集KTT上,所改进算法的均值平均精度（mAP）达到了9193%,相比原YOLOv5算法mAP提高了292个百分点,满足了城市道路场景下车辆形容的准确率要求。     

基于改进YOLOv3行人检测研究

行人的检测与跟踪在智能交通、自动驾驶领域中均有广泛的应用。针对图像中小目标检测率低问题,提出了一种YOLOv3的改进方法,并将其应用于小目标的检测。由于小目标所占的像素少、特征不明显,为了获取更多的小目标特征信息,在YOLOv3网络结构的基础上添加三层SPP网络,通过SPP模块实现了局部特征和全局特征,SPP模块中最大的池化核大小要尽可能地接近或者等于需要池化的特征图的大小,特征图经过局部特征与全局特征相融合后,丰富了特征图的表达能力,有利于待检测图像中目标大小差异较大的情况。用改进的YOLOv3算法和原YOLOv3算法在数据集上进行对比实验,结果表明改进后的YOLOv3算法能有效的检测小目标,对小目标的平均准确率有明显的提升。     

辅助驾驶的车辆与行人检测模型YOLO-DNF

为了解决YOLO系列目标检测算法存在的精度与计算成本不均衡、模型泛化性不足的问题,提出了可满足不同光照场景下目标检测需求的高精度快速的车辆与行人检测模型YOLO-Day Night and Fast(YOLO-DNF)。文中结合当下主流检测模型所使用的卷积神经网络分析卷积结构与网络深度对于主干网络特征提取能力和计算成本的影响,针对网络不同层次选取卷积结构Arrow-Block与CSP-Block搭建网络并通过量化堆叠单元的计算成本确定网络深度,提出低计算成本、高特征提取能力的ACNet网络。此外分析了白天与夜间图像的亮度差异,引入了HSV域扰动并提出亮度处理的数据增强策略,提升了模型的夜间检测精度,改善了模型泛化性不足的问题。实验结果表明：YOLO-DNF模型在SODA10M数据集仅含白天图像的训练集中训练后以每秒24.36帧的检测速率达到32.8%的全时段mAP检测精度,检测精度与速度超过目前主流检测模型。其中夜间精度达到了27.7%,扩展了模型的检测应用场景。     

复杂场景下基于CNN的轻量火焰检测方法

已有的火灾检测方法往往依赖高性能的机器,在嵌入式端和移动端检测速度较慢、误检率较高,尤其是无法解决小尺度火焰漏检问题.针对上述问题,文中提出基于YOLO的火焰检测方法.使用深度可分离卷积改进火焰检测模型的网络结构,并使用多种数据增强技术与基于边框的损失函数以提高精度.通过参数调优,在保证检测准确率的情况下,实现在嵌入式...     

基于YOLO的雾天行人实时检测方法

运用YOLO(You Only Look Once)目标检测算法解决行车过程中汽车智能驾驶系统中对于行人目标的检测问题。针对雾天交通环境下,YOLO算法受天气影响检测精度不高的问题,运用图像去雾技术对数据进行预处理,并训练出了针对雾天环境下适用于行人检测的网络模型。实验结果表明,使用单尺度的Retinex去雾算法训练得到的网络结构YOLO-SSR降低了漏检率和误检率,提高了定位准确性使得精度由77.05%提高到80.27%,并通过对视频进行取帧处理的方法解决单尺度Retinex算法针对视频检测速度慢的问题使其满足实际需求。     

基于YOLOv3的安全帽佩戴检测方法研究

在大型锅炉、钢铁和其他制造业工厂中,正确佩戴安全帽是进入现场的前提.但是在现实场景中,由于各种原因,工人伤亡事故中没有正确佩戴安全帽而导致的事故占比一直较高.为了减少该类事故的发生,对深度学习、人工智能展开了研究,采用了卷积神经网络的方法.首先,对相关数据集标定,将数据集总体分为三种类别,针对标定好的数据,使用迁移学习...     

基于改进的YOLOv4高速公路车辆目标检测研究

针对高速公路场景下的车辆目标检测问题,提出了一种改进的YOLOv4网络对交通场景下车辆目标进行检测的方法;制作了一个多天候、多时段、多场景的车辆目标数据集,并依据数据集得到检测模型;提出多标签检测方法,并在多标签之间建立约束关系,得到更完善的车辆信息;提出了一个图像拼接检测方法,将多幅图像通过拼接层连接后进行车辆检测,...     

基于暗通道和改进YOLOv3的雾天车辆检测算法

针对雾天车辆检测过程中雾气影响严重导致检测精度不高的问题,为提升检测性能,基于暗通道去雾方法和YOLOv3模型提出一种改进的检测算法。首先,通过暗通道算法对图像进行去雾操作,提升图像的清晰度;其次,通过K-means聚类计算适合车辆检测的先验框,提升YOLOv3算法的检测精度;最后,引入注意力机制,对用以检测的特征图作进一步的特征提取,提高了算法对特征信息的挖掘能力。为了测试该算法的检测效果,在雾天车辆数据集上进行实验。实验结果表明,本文算法比YOLOv3算法的平均精度提升了4.1%,达到了97.5%,能够有效地提升雾天车辆检测的性能。     

基于深度学习方法的复杂场景下车辆目标检测

近年来,深度学习算法逐渐尝试应用于目标检测领域。本文针对实际交通场景下的车辆目标,应用深度学习目标分类算法中具有代表性的Faster R-CNN框架,结合ImageNet中的车辆数据集,把场景中的目标检测问题转化为目标的二分类问题,进行车辆目标的检测识别。相比传统机器学习目标检测算法,基于深度学习的目标检测算法在检测准确度和执行效率上优势明显。通过本实验结果分析表明,该方法在识别精度以及速度上均取得了显著的提高。     

改进YOLOv3的火灾检测

针对火灾检测中小目标检测率低、复杂场景下检测精度低和检测不及时等问题, 提出了一种改进YOLOv3的火灾检测算法. 首先, 通过改进的K-means聚类算法重新获取更符合火焰和烟雾尺寸的anchor; 其次在Darknet-53后添加空间金字塔池化, 提升了网络的感受野进而增强了网络对小尺度目标的检测能力; 然后通过CIoU改进损失函数, 在计算坐标误差时考虑中心和宽高坐标两者的相关性, 加快了损失函数的收敛; 最后使用mosaic数据增强丰富了待检测物体的背景. 在自制的数据集上训练并测试, 实验结果表明: 改进后的算法比YOLOv3火焰的AP从94%提升至98%, 烟雾的AP从82%提升至94%, 平均检测速度从31 fps提升至43 fps, 相比Faster R-CNN、SDD等算法也有更高的mAP和更快的检测速度. 因此, 改进后的算法能够更有效地进行火灾预警.     

复杂场景下基于增强YOLOv3的船舶目标检测

为提升水上交通安全监管的智能化水平，进一步提高基于深度学习的船舶目标检测算法的定位精度和检测准确率，在传统YOLOv3算法基础上，提出用于船舶目标检测的增强YOLOv3算法。首先，在网络预测层引入预测框不确定性回归，以预测边界框的不确定性信息；然后，使用负对数似然函数和改进的二值交叉熵函数重新设计损失函数；其次，针对船舶形状使用K均值聚类算法重新设计先验锚框尺寸并平均分配到对应预测尺度；在网络训练阶段，使用数据增强策略扩充训练样本数量；最后，使用加入高斯软阈值函数的非极大值抑制（NMS）算法对预测框进行后处理。对各种改进方法和不同目标检测算法在真实海事视频监控数据集上进行对比实验。实验结果显示，与传统YOLOv3算法相比，带有预测框不确定性信息的YOLOv3算法的假正样本（FP）数量降低了35.42%，真正样本（TP）数量提高了1.83%，所以提高了准确率；增强YOLOv3算法在船舶图像上的平均准确率均值（mAP）达到87.74%，与传统YOLOv3算法和Faster R-CNN算法相比分别提高了24.12%和23.53%；所提算法的每秒钟检测图像数量达到30.70张，满足实时检测的要求。实验结果表明，所提算法在雾天和低照度等不良天气条件与复杂通航背景下，均能实现船舶目标的高精度稳定实时检测。     

复杂场景下基于YOLOv5的口罩佩戴实时检测算法研究

在新型冠状病毒疫情防控常态化要求下,目前的口罩佩戴检测装置受复杂场景下人员数量多、相互间易遮挡以及待检目标尺度小的影响,易出现误检漏检等情况;为解决以上问题,提出一种基于YOLOv5的口罩佩戴检测算法以实现复杂场景下的实时检测;首先对数据集做Mosaic数据增强等处理;再经过Focus处理为后续的特征提取保留更完整的图片下采样信息,然后利用SPP融合多尺度信息实现特征增强,在Neck部分保留空间信息;最后考虑目标框与检测框之间的重叠面积、中心点距离和长宽比选用CIoU损失函数以提高定位精度,并且在训练过程中对学习率采用动态调整策略;实验结果表明,改进后算法的平均精度均值可达到99.6％.     

复杂场景下基于增强YOLOv3的船舶目标检测

为提升水上交通安全监管的智能化水平,进一步提高基于深度学习的船舶目标检测算法的定位精度和检测准确率,在传统YOLOv3算法基础上,提出用于船舶目标检测的增强YOLOv3算法。首先,在网络预测层引入预测框不确定性回归,以预测边界框的不确定性信息;然后,使用负对数似然函数和改进的二值交叉熵函数重新设计损失函数;其次,针对船舶形状使用K均值聚类算法重新设计先验锚框尺寸并平均分配到对应预测尺度;在网络训练阶段,使用数据增强策略扩充训练样本数量;最后,使用加入高斯软阈值函数的非极大值抑制（NMS）算法对预测框进行后处理。对各种改进方法和不同目标检测算法在真实海事视频监控数据集上进行对比实验。实验结果显示,与传统YOLOv3算法相比,带有预测框不确定性信息的YOLOv3算法的假正样本（FP）数量降低了35.42%,真正样本（TP）数量提高了1.83%,所以提高了准确率;增强YOLOv3算法在船舶图像上的平均准确率均值（mAP）达到87.74%,与传统YOLOv3算法和Faster R-CNN算法相比分别提高了24.12%和23.53%;所提算法的每秒钟检测图像数量达到30.70张,满足实时检测的要求。实验结果表明,所提算法在雾天和低照度等不良天气条件与复杂通航背景下,均能实现船舶目标的高精度稳定实时检测。     

融合高分辨率网络的雾天目标检测算法

针对雾天场景中因图像模糊不清、目标难以分辨等原因导致错检、漏检的问题,提出了一种融合高分辨率网络的目标检测算法HR-Cascade RCNN。采用高分辨率网络HRNet作为Cascade RCNN的特征提取网络,通过不同分辨率的子网络并行连接,提取多尺度的特征信息,减少下采样过程中的信息损失,增强目标的语义信息表示;使用CIoU损失函数替换原有的Smooth L₁损失函数,引入惩罚项度量真实框与检测框之间宽高比的相关性,优化网络的收敛效果,有助于提高检测框的定位精度;最后,采用SoftNMS改进候选框选择机制,降低车辆遮挡等情况下的漏检率,提高网络检测能力。在真实雾天数据集RTTS和合成雾天数据集Foggy Cityscapes上的实验结果表明,HR-Cascade RCNN与原Cascade RCNN相比,mAP分别提高了5.9%和3%。     

基于改进YOLOv3的智慧足球场行人检测

由于足球比赛场景中密集人群、移动小目标居多, YOLOv3算法存在检测精确度较低且模型参数量较大等问题, 使其无法部署在资源算力有限的移动设备上, 本文提出了一种基于改进YOLOv3的行人检测方法, 将Darknet-53主干特征提取网络替换为更加高效且轻量化的GhostNet网络; 同时选取了4个尺度的检测分支层并采用K-means++算法改善anchor box的聚类效果; 添加空间金字塔池化对输入图像实现相同大小的输出; 提出CIoU损失函数来计算目标定位损失值; 添加heatmap热力图可视化并在训练中使用Mosaic数据增强. 实验结果表明, YOLOv3-GhostNet在VOC融合数据集上mAP达到90.97%的同时相比YOLOv3算法提高了1.75%, 参数量减少了约81.4%且实时检测速率提高了约1.5倍, 在小型移动设备上表现出不错的检测效果.     

基于YOLOv3的自然环境下茶叶嫩芽目标检测方法研究

以自然环境下手机拍摄的多天气情况、多品种的茶叶嫩芽图像为实验样本数据集,研究茶叶嫩芽目标检测方法.采用基于深度神经网络的YOLOv3算法构建模型,将经过数据增强处理的多品种茶叶嫩芽图像作为模型输入,通过单一的特征提取网络,进行多尺度目标检测,对输入图像进行粗、中、细的网格划分,将茶叶嫩芽目标检测任务看作目标区域预测和类...