基于改进YOLOv3算法在垃圾检测上的应用

现阶段我国主要靠人工对垃圾进行分拣,存在安全 系数低、效率低下等问题。传统目标检测方法针 对种类繁多,形态各异的垃圾目标不易设计特征,鲁棒性较差,为实现自然环境下垃圾的快 速精准识别, 本文提出一种基于深度学习的轻量级垃圾分类检测方法。该方法通过引入CIOU边框回归损 失函数来提高 回归框准确率;针对低功耗移动设备终端的部署,提出一种以YOLOv3目标检测算法为基础 ,结合 MobileNetV3的特征提取网络,对算法进行轻量化;在YOLO层加入GRU结构,利用多门控 循环神经网 络结构对YOLO层中不同大小的特征图建立记忆链接,对深层语义特征的向前融合过程进行 过滤和筛选, 使得特征融合效果更佳;使用迁移学习预训练的方式来提高模型的特征提取能力和泛化能力 。文本采用自 制的Garbage数据集对改进后的网络进行训练和测试,结果表明,本文提出的算法识别效果 显著,平均准 确率为90.50%,高于原YOLOv3网络的平均准确率86.30%,检测速度达到18帧/秒,满足实时检测的 需求。实验表明,改进后的网络模型能在保证检测准确率和速度的同时,有效降低模型参数 量,具有一定应用价值。     

基于改进YOLOv3的单阶段目标检测算法

针对目标检测领域对高检测精度和高检测速度共存的需求,提出了一种单阶段目标检测算法即性能平衡的YOLO算法(B-YOLO),该算法首先引入空间注意力机制,利用多尺度最大池化层增大感受野范围;然后采用跨阶段局部连接结构和直通层优化主干网络结构,改善计算效率;最后在多尺度检测结构中增加自下而上的路径,并使用拼接操作进行横向连...     

基于改进YOLOv3_Tiny的压敏电阻表面缺陷检测

针对当前目标检测算法网络复杂,对平台设备要 求高;而轻量化网络YOLOv3_Tiny对 压敏电阻表面缺陷的检测精度较低,容易出现漏检错检的情况,提出了基于YOLOv3_Tiny的 改进算法DAYOLOv3_Tiny。DAYOLOv3_Tiny构建了深度可分离卷积块替代标准卷积,使用卷积 操作进行下采样,使检测网络在减少网络参数量的同时增加了特征的提取;并在网络中引入 了通道注意力模块和空间注意力模块,增强了检测网络对重要特征信息的学习。在自制的压 敏电阻表面 缺陷数据集上进行实验,结果表明,DAYOLOv3_Tiny的mAP值为92.23%,较改进前 提升了12.25%;改进后的DAYOLOv3_Tiny模型大小为YOLOv3_Tiny的55.42%,仅18.9 MB。实验 表明,DAYOLOv3_Tiny对压敏电阻表面缺陷的检测精度较高,能够有效改善漏检错检的情况 ,且网络模型较小,对硬件平台要求不高,易于在性能受限的平台部署。     

基于改进YOLOv3的快速文本检测

针对深度学习文本检测算法存在运行速度慢、模型体积大等问题,提出了基于改进的YOLOv3(You Only Look Once v3)文本检测方法(mobile-text-YOLOv3).通过深度可分离卷积思想轻量化Darknet-53网络,在高层特征借助双线性插值和偏移层使卷积核具有可变感受野,较大地改善了模型的性能;...     

改进YOLOv3的SAR图像舰船目标检测

针对目标检测算法直接应用于SAR图像舰船检测数据集时数据训练不充分、鲁棒性差等问题,本文提出了一种改进YOLOv3的SAR图像舰船目标检测方法,从改进网络训练策略的角度出发,提升算法对不同舰船目标的适应性,优化算法的检测性能。改进主要包括两个方面:一方面本文在YOLOv3的基础上引入了ATSS（Adaptive Training Sample Selection）正负样本的分配方法,提高YOLOv3中正负样本选择的质量,优化网络训练。另一方面本文设计了基于特征层的锚框超参数优化方法,使锚框更加贴合各检测层数据集样本分布,从而使训练模型更好的收敛。本文分别在SSDD、SAR-Ship-Dataset数据集上进行了实验,验证了其有效性。      

基于改进YOLOv3网络的SAR图像舰船目标检测方法

在基于合成孔径雷达(SAR)图像的舰船目标检测中,针对图像背景复杂、舰船尺寸大小不一等问题,提出了一种改进的YOLOv3深度卷积神经网络(CNN),用于SAR图像中的舰船目标检测。该方法基于训练数据集中的尺寸标签信息,使用交并比作为距离度量,利用k-means聚类方法为舰船目标提取了九组先验锚点框作为后续候选框边框参数优化的初始值;引入r_GIOU来代替交并比r_IOU,用于更新框回归损失和置信度损失,从而得到更加合理的损失函数,能将候选框与标注框之间的相对位置信息引入候选框的边框参数优化。为了验证改进版YOLOv3网络的性能,文中基于高分辨SAR舰船检测数据集AIR-SARShip-2.0,利用平移、翻转、调整亮度等方法进行数据集扩充,得到训练数据集和测试数据集,并进行舰船目标检测实验。实验结果表明：相较于常规YOLOv3网络和Faster R-CNN网络,改进YOLOv3网络在舰船目标检测上的总体效果更好,具有更高的准确率和更少的虚警,提高了平均精度指标,且需要的计算时间更少。     

基于YOLOv3的光学遥感图像目标检测算法

针对目前算法对遥感图像中背景复杂、目标小而密集的复杂场景下的目标检测精度低的问题,提出了一种基于YOLOv3的改进算法,在YOLOv3的基础上,结合了密集连接网络,利用密集连接块来提取深层特征,增强特征传播,同时引入Distance-IoU(DIoU) loss作为坐标预测的损失函数,使边界框的定位更加准确,此外针对目标间相互遮挡的情况,改进了传统的非极大值抑制算法,使用DIoU代替IoU来克服虚假抑制的问题.对所提算法在三个经典的遥感数据集上进行了测试,实验结果证明,所提方法具有更高的检测精度.     

基于YOLOv7的通用目标检测模型

针对通用目标检测领域在自动提取特征的过程中会提取错误的目标检测区域信息,本文以YOLOv7模型作为基线模型进行改进,有效地提高检测精度。首先,在YOLOv7模型的主干网络中引入改进的注意力机制,在上采样模块中采用双三次插值,以增强浅层和深层的特征融合效果,减少区域信息丢失;其次,通过设计动态IOU阈值实现动态非极大值抑制,解决固定阈值导致检测边界框冗余的问题,提升准确性;最后,采用剪枝算法对网络模型进行轻量化处理,并使用深度可分离卷积替换原始卷积。实验结果显示,本文模型在数据集上的准确率、F1值和召回率均高于其他模型,说明本文建立的基于YOLOv7模型改进的通用目标检测算法的有效性。     

基于改进YOLOv5s的可回收垃圾检测算法

垃圾回收的好处有很多,有助于保护水土资源,提高居民的生活环境质量,加快绿色循环经济发展,然而传统的垃圾回收需要大量人力和物力。结合ShuffleNet v2与深度可分离卷积,提出一个更轻量化的YOLOv5s改进模型,将其用于对可回收垃圾的分类和定位。实验结果表明：改进模型的参数量仅为原始模型参数量的38.98%;在输入分辨率为640×640时,改进模型的平均精度均值（mAP）为94.01%,比原始YOLOv5s高出1.91个百分点;在速度上,通过在Jetson Nano硬件上进行部署,改进模型的前传耗时比原始YOLOv5s少了11.5%。另外,与目前常见的主流的目标检测模型对比,所提改进模型也具有很好的表达可回收垃圾特征的能力。     

基于改进YOLOv3算法的行人检测研究

YOLOv3算法在单一物体目标检测时使用Darknet53作为主干,网络出现冗余现象,导致参数过多,检测速度变慢,传统的边界框损失函数影响检测定位准确性。针对这一问题,文中提出了改进YOLOv3算法的行人检测方法。通过构造以Darknet19为主干网络多尺度融合的新型网络,加快训练速度和检测速度,还通过引入广义交并比损失函数来提高检测精确度。实验结果表明,在行人检测数据集如INRIA行人数据集中,相比于原始算法,文中所提算法的精确度提高了5%。和Faster R-CNN相比,在保证准确率的情况下,采用文中算法使单张图片的检测速度达到了每张0.015 s。     

基于改进YOLOv3算法的带钢表面缺陷检测

针对热轧带钢表面缺陷检测中存在的检测速度慢、检测精度低等问题,提出了一种改进的YOLOv3算法模型.使用加权K-means聚类算法来优化确定先验框参数,提高先验框（priors anchor）与特征图层（feature map）的匹配度;同时,调整YOLOv3算法的网络结构,融合浅层特征与深层特征,形成新的大尺度检测图层,提高网络对带钢表面缺陷的检测精度.实验结果表明,改进后的YOLOv3算法在NEU-DET数据集上平均精度均值达到了80%,较原有的YOLOv3算法提高了11%;同时检测速度保持在50fps,优于目前其它深度学习带钢表面缺陷检测算法.     

高性能YOLOv5：面向嵌入式平台高性能目标检测算法研究

针对目前深度学习单阶段检测算法综合性能不平衡以及在嵌入式设备难以部署等问题,该文提出一种面向嵌入式平台的高性能目标检测算法。基于只看1次5代 (YOLOv5)网络,改进算法首先在主干网络部分采用设计的空间颈块代替原有的焦点模块,结合改进的混洗网络2代替换原有的跨级局部暗网络,减小空间金字塔池化 (SPP)的内核尺寸,实现了主干网络的轻量化。其次,颈部采用了基于路径聚合网络 (PAN)设计的增强型路径聚合网络 (EPAN),增加了P6大目标输出层,提高了网络的特征提取能力。然后,检测头部分采用以自适应空间特征融合 (ASFF)为基础设计的自适应空洞空间特征融合 (A-ASFF)来替代原有的检测头,解决了物体尺度变化问题,在少量增加额外开销情况下大幅提升检测精度。最后,函数部分采用高效交并比 (EIoU)代替完整交并比 (CIoU)损失函数,采用S型加权线性单元 (SiLU)代替HardSwish激活函数,提升了模型的综合性能。实验结果表明,与YOLOv5-S相比,该文提出的同版本算法在mAP@.5,mAP@.5:.95上分别提高了4.6%和6.3%,参数量降低了43.5%,计算复杂度降低了12.0%,在Jetson Nano平台上使用原模型和TensorRT加速模型进行速度评估,分别减少了8.1%和9.8%的推理延迟。该文所提算法的综合指标超越了众多优秀的目标检测网络,对嵌入式平台更为友好,具有实际应用意义。     

基于显著性目标检测的改进火焰检测算法

针对靶场炮弹定位方法定位精度差、实时性差且存在安全隐患等问题,提出了一种基于显著性目标检测的炮弹火焰检测算法.首先针对数据集缺失问题,构建了一个炮弹火焰数据集,用于网络模型训练和推理.其次,采用并列交叉的双分支ResNet为特征提取模块,分别学习前景和背景语义信息,并在该模块中引入空洞卷积和注意力机制网络,提高感受野的...     

基于改进YOLO v3算法的空中红外目标检测

为进一步提升空中作战条件下目标检测的性能,本文通过优化YOLO v3,提出了一种基于空中红外目标的检测算法EN-YOLO v3。该算法使用轻量的EfficientNet骨干网络作为YOLO v3的主干特征提取网络,使模型参数大幅减少,降低模型的训练时间;同时选用CIoU作为模型的损失函数,优化模型损失计算方法,提升模型的检测精度。结果表明,优化后的EN-YOLO v3目标检测算法与原YOLO v3相比模型尺寸减少了50.03%,精准度提升了1.17%,能够有效提升红外场景下空中目标的检测效果。     

低信噪比下基于YOLOv3的昆虫目标检测

掌握昆虫迁飞规律对于农业防治和生态学研究具有重大意义,雷达正是检测昆虫迁飞最有效的手段.昆虫回波弱,传统的恒虚警检测(Constant False Alarm Rate,CFAR)算法在低信噪比(Signal To Noise Ratio,SNR)时的检测性能下降;同时昆虫目标体积小、飞行速度慢,在距离维和多普勒维的扩...     

基于改进YOLOv3的瞳孔屈光度检测方法

针对瞳孔区域屈光度识别准确率低、检测效率低等问题,本文提出一种基于改进YOLOv3深度神经网络的瞳孔图像检测算法。首先构建用于提取瞳孔主特征的二分类检测网络YOLOv3-base,强化对瞳孔特征的学习能力。然后通过迁移学习,将训练模型参数迁移至YOLOv3-DPDC（Deep Pupil Diopter Classify）,降低样本数据分布不均衡造成的模型训练困难以及检测性能差的难题,最后采用Fine-tuning调参快速训练YOLOv3多分类网络,实现了对瞳孔屈光度快速检测。通过采集的1200张红外瞳孔图像进行实验测试,结果表明本文算法屈光度检测准确率达91.6%,检测速度可达45 fps,优于使用Faster R-CNN进行屈光度检测的方法。     

基于改进YOLO V3的舰船目标检测算法

针对YOLO V3算法中对于小目标检测精度不高、容易出现漏检误检的问题,提出了一种基于改进YOLO V3的舰船目标检测算法.首先,通过在YOLO V3原网络结构基础上额外从主干网络引出一个输出尺度,将其与上一个输出尺度中的特征信息进行特征拼接,得到具有更丰富语义信息的特征向量;其次,基于数据集进行聚类改进,改进度量距离...     

一种面向机载SAR图像的目标检测算法

无人机合成孔径雷达(Synthetic Aperture Radar,SAR)图像在目标检测过程中存在噪点丰富、成像相对模糊等特点,容易造成目标初检测虚警较多。特征提取和虚警去除是实现SAR图像目标准确检测的重要途径。针对目标特征提取及虚警去除,提出了一种面向机载SAR图像的目标检测算法。该算法首先进行目标初检测,再基于特征,使用球面构造神经网络模型去除虚警,实现目标的精确检测。最后,基于实拍遥感SAR影像验证了算法的有效性。