改进YOLOv3的道路小目标检测方法

为了研究传统目标检测算法在进行道路小目标检测时效果不佳及漏检率较高等问题,本文提出了一种基于改进YOLOv3的小目标检测方法.首先通过设计新的特征融合结构降低小目标漏检率,并且使用DIOU损失提高定位精确度.同时对YOLOv3算法中的聚类算法进行改进,采用K-means++算法改进聚类先验框中心点的提取,选取更为合适的Anchor Box,用于提高检测的平均精度和速度.在自制混合数据集上对行人及车辆进行对比检测,在不影响检测速度的情况下,改进的YOLOv3算法能够有效降低小目标物体漏检率,并且提高了检测精度.根据实验结果,本文所提出的改进YOLOv3模型在混合数据集上的平均精度达到92.82%,与未改进的YOLOv3算法相比提高了2.77%.     

基于改进YOLOv5网络模型的夜间车辆检测研究

为解决夜间场景下视频监控目标检测在实际应用时准确率不高这一问题,提出改进的YOLOv5算法。首先,建立了真实夜间场景目标的数据集,该数据集有2000张图像,分为了机动车、非机动车和车牌三个类别,以8∶2的比例均匀随机分为训练集和测试集,将夜间目标的图像放入改进的YOLOv5模型中训练,最终达到在夜间检测目标的目的;改进的YOLOv5利用了K-means++聚类算法生成自适应锚框,提高对夜间目标样本的聚类效率。其次,将改进的CBAM注意力机制与特征提取网络进行融合以获取夜间目标的重要特征。最后,将Bottleneck替换成GSBottleneck模块,利用GSConv轻量化的优势减少网络模型的计算量与参数量。结果表明,通过原YOLOv5网络模型算法训练后得到的mAP值为86.69%,改进后的YOLOv5网络模型算法训练后得到的mAP值为91.98%,三种被检测类别：机动车、非机动车和车牌的检测准确精度与原版算法相比分别提升了2.00、6.66、7.19个百分点,改进的YOLOv5网络模型可以为夜间场景下车辆特征的检测提供较好的技术支持。     

基于改进YOLOv5的带式输送机大块煤检测

过大的煤块在带式输送机上运输时易造成煤流不畅、堵塞及堆煤,然而大块煤和普通煤块在外形和颜色上的差异较小,且煤块间存在遮挡和堆叠的情况,现有煤块检测方法对大块煤与普通煤块的区分不够精确,容易出现漏检或误检。针对上述问题,提出了一种改进YOLOv5模型,用于带式输送机大块煤检测。利用并行空洞卷积模块替换YOLOv5骨干网络中的部分普通卷积模块,扩大感受野,提升多尺度特征学习能力,从而更好地区分大块煤与普通煤块;在颈部网络中加入联合注意力模块,更好地融合上下文信息,提高对大块煤的定位能力。利用训练好的改进YOLOv5模型对摄像仪采集的实时输煤视频进行检测,根据大块煤的数量信息实时联动PLC示警。实验结果表明：相比于原始YOLOv5模型,改进YOLOv5模型在召回率和平均精度上分别提高了3.4%,2.0%;PLC可根据改进YOLOv5模型检测出的大块煤数量操作相应的指示灯和蜂鸣器进行示警;将改进YOLOv5模型应用于煤矿井下实际输煤视频中,对大块煤的检测精确率达97.0%,有效避免了漏检和误检现象。     

改进YOLOv4的安全帽佩戴检测方法

为减少一线工人由于未佩戴安全帽而造成的意外安全事故,提出一种改进YOLOv4网络和视频监控相结合检测佩戴安全帽的方法。采用聚类算法获取适用于安全帽数据集的先验框,通过对YOLO v4网络增加注意力机制模块聚焦安全帽特征,选用新的边界框回归损失函数CIoU提高检测精度,使用MAL(Multiple Anchor Learning)学习策略减少漏检概率。实验结果表明,改进后的方法在测试集上的mAP达到了96.32%,识别速率为每秒42帧,与YOLOv3算法相比提升了8.73百分点。该方法在安全帽佩戴检测中既满足视频监控的检测实时性的要求,还能较准确地检测一线工人是否佩戴安全帽。     

基于改进YOLOv4的交通信号灯倒计时数字检测与识别

交通信号灯倒计时数字的快速检测和准确识别可以提高驾驶的安全性,减少交通事故的发生.针对目标检测算法在交通信号灯倒计时数字检测与识别中准确率较低、漏检率较高的问题,提出一种基于改进YOLOv4的交通信号灯倒计时数字检测与识别算法.首先将YOLOv4的主干网络CSPDarkNet53替换为CSPResNet50vd,并将C...     

基于I-YOLO模型的轴瓦零件缺陷视觉检测方法

轴瓦是水力测功器的重要零部件,其质量影响机组的安全运行。基于传统机器视觉的轴瓦缺陷检测方法存在准确率低、漏检率高的问题。针对该问题,提出一种基于改进YOLO模型的轴瓦缺陷检测方法。首先,对数据集进行图像预处理,扩大训练样本;然后,改进YOLO模型结构,通过候选框维度聚类和多尺度训练,提出一种新的IYOLO深度学习模型;最后,在轴瓦数据集训练和测试I-YOLO模型,并将该模型与YOLOv4、YOLOv3模型进行对比。结果表明,改进的I-YOLO模型在轴瓦缺陷检测中的准确率达到了98.73%,比YOLOv4、YOLOv3模型分别提高了3.01%、10.88%,证明改进的模型能在提高检测准确率的同时有效降低漏检率。     

基于改进YOLOv5的煤矸识别研究

现有基于深度学习的煤矸识别方法应用于井下复杂环境中时易出现误检和漏检情况,且对小目标煤矸的识别精度低。针对该问题,提出一种改进YOLOv5模型,并基于该模型实现煤矸识别。对采集的煤与矸石数据进行数据增强,以丰富数据集,提高数据利用率;在空间金字塔池化（SPP）模块中引入空洞卷积和残差块,得到残差ASPP模块,可在不损失图像信息的前提下,增大卷积输出感受野,强化模型对深层特征的提取;采用AdaBelief优化算法代替YOLOv5原有的Adam优化算法,提高模型的收敛速度与识别精度。实验结果表明：AdaBelief优化算法和残差ASPP模块可有效提高YOLOv5模型的精确率、召回率和平均精度均值（mAP）;改进YOLOv5模型的mAP达到94.43%,比原始YOLOv5模型提高了2.27%,帧率降低了0.03帧/s,性能优于SSD,Faster R-CNN,YOLOv3,YOLOv4等主流目标检测模型;在极端黑暗的环境中,改进YOLOv5模型也能准确划定目标边界,识别效果优于其他改进YOLOv5模型。     

改进YOLOv3的金属表面缺陷检测研究

针对金属表面缺陷检测中目标尺寸小和特征不清晰导致漏检的问题,提出一种改进YOLOv3的金属缺陷检测算法。在YOLOv3网络结构的基础上,将第11层浅层特征与网络深层特征融合,生成一个新的尺度为104×104特征图层,提取更多小缺陷目标特征。加入DIoU边框回归损失,为边界框提供移动方向以及更准确的位置信息,加快模型收敛。利用K-Means++聚类分析数据集上的先验框尺寸信息,筛选出最优的Anchor Box,使定位更加精准,降低网络损失。将改进后的算法与其他检测算法在NEU-DET数据集上进行检测性能对比。实验分析表明改进后的YOLOv3平均检测速率为31.6?frame/s;平均检测精度为67.64%,比YOLOv3提高了7.49个百分点,相较于Faster R-CNN等算法也有较大的检测精度优势。结论表明,改进后的YOLOv3可以使小缺陷目标的位置信息和精度更加准确。     

基于YOLOv4改进算法的复杂行人检测模型研究

在图像和视频序列中进行行人检测时,存在行人姿态和尺度多样及行人遮挡的问题,导致YOLOv4算法对部分行人检测不准确,存在误检和漏检的情况。针对这一问题,提出了基于YOLOv4改进算法的复杂行人检测模型。首先,使用改进的k-means聚类算法对行人数据集真实框尺寸进行分析,根据聚类结果确定先验框尺寸;其次,利用PANet进行多尺度特征融合,增强对多姿态、多尺度行人目标的敏感度,以提高检测效果;最后,针对行人遮挡问题,使用斥力损失函数使预测框尽可能地靠近正确的目标。实验表明,相比于YOLOv4和其他行人检测模型,新提出的检测模型具有更好的检测效果。     

基于改进深度学习算法的铸件缺陷自动检测识别研究

为改善多目标缺陷识别漏检问题，提高铸件缺陷检测精度，该文提出了基于改进深度学习算法的铸件缺陷自动检测识别方法。利用数字式辐射成像技术获取铸件DR图像，并采用引导滤波算法对其作平滑处理，在YOLOv3网络结构基础上，引入空间金字塔池化（SPP）结构，将优化后的YOLOv3网络与Faster RCNN、Cascade RCNN网络融合构建缺陷检测融合模型，将处理后的铸件DR图像作为模型输入，实现铸件缺陷的高精度识别。实验结果表明，该方法可识别铸件DR图像多个缺陷目标，平均检测精度达到97.5%以上，有效降低漏检缺陷数量。     

基于改进YOLOv3的高速公路隧道内停车检测方法

为了更准确地检测高速公路隧道内停车行为,提出一种基于改进YOLOv3车辆检测模型的高速公路隧道内停车检测方法。通过筛选VOC数据集以及实际高速公路隧道内的车辆图片制作专门用于高速公路隧道内车辆检测的数据集,选取YOLOv3目标检测模型作为车辆检测的基础网络结构,并对其进行加深网络结构的改进使其能够准确检测隧道内的车辆。将Deep SORT跟踪算法应用于改进的停车检测模型中,对车辆进行跟踪从而计算行驶速度,并创新性地设置双重速度阈值来判别车辆的停车行为。实验结果表明,经过改进的YOLOv3模型相比于原模型,在VOC-vehicle数据集和Tunnel-vehicle数据集上的mAP都有所提升,最终获得了mAP为98.19%的高速公路隧道车辆检测模型。将基于改进YOLOv3的高速公路隧道内停车检测方法在高速公路隧道视频上进行测试,可以有效地在高速公路隧道中完成停车检测的任务。     

融合VovNet网络和可变形卷积的非机动车辆检测

针对道路监控下因监控探头高度角度不同,目标非机动车辆存在不同形式的模糊形变问题且特征信息不足造成的漏检误检现象,提出了一种融合VovNet网络和可变形卷积的非机动车辆检测模型.使用一次聚类连接网络(VovNet)结合原网络特点提出的CSPVovNet替换原有的CSPDarknet主干网络进行特征的提取,增强了有效特征的复用,缓解因深层卷积造成的小目标物体特征信息进一步丢失的问题.将可变形卷积引入到不同的网络层替换传统卷积,在公共数据集Pascal VOC2007和自建非机动车辆数据集上分别训练测试,根据最终性能选择YOLOv5-C方案.改进后的网络选取EIoU＿loss作为定位损失,通过消融实验验证得出最终改进对网络性能有所提升,最终的网络优化结果较原YOLOv5s网络mAP提升了4.14个百分点,对漏检误检现象很好的缓解.     

基于改进YOLOv3的快速车辆检测方法

对图像或视频数据中的车辆进行检测是城市交通监控中非常重要并且具有挑战性的任务。该任务的难度在于对复杂场景中相对较小的车辆进行精准地定位和分类。针对这些问题，提出了一个单阶段的深度神经网络（DF-YOLOv3），实现城市交通监控中不同类型车辆的实时检测。DF-YOLOv3对传统的YOLOv3算法进行改进，首先增强深度残差网络提取车辆特征，然后设计6个不同尺度的卷积特征图，并与残差网络中相应尺度的特征图进行融合，形成最终的特征金字塔执行车辆预测任务。在KITTI数据集上的实验表明，提出的DF-YOLOv3方法在精度和速度上均能获得较高的检测性能。具体地，对于512×512分辨率的输入模型，基于英伟达1080Ti GPU，DF-YOLOv3获得93.61%的mAP（均值平均精度），速度达到45.48 f/s（每秒传输帧数）。特别地，对于精度，DF-YOLOv3比Fast R-CNN、Faster R-CNN、DAVE、YOLO、SSD、YOLOv2、YOLOv3与SINet表现更好。     

改进YOLOv3的全景交通监控目标检测

针对城市交通场景复杂、车辆及行人等目标多且尺度变化大等特点,提出一种改进的YOLOv3全景交通监控多目标检测方法。以YOLOv3网络为基础,兼顾大小尺度目标特性设计4个检测尺度,并进行多尺度特征融合处理。利用[K]-means聚类方法对数据集中的标注目标框进行聚类分析,选取优化的聚类锚点框宽高维度作为改进YOLOv3网络的初始候选框。全景交通监控检测目标包括大型汽车、小型汽车、骑行摩托车、骑行自行车和行人5类。在测试集上目标检测平均精度和召回率分别达到84.49%和97.18%,较原始YOLOv3分别提高了7.76%和4.89%,处理速度可满足交通场景下实时性检测要求。     

车路视觉协同的高速公路防碰撞预警算法

目的 基于视觉的前车防碰撞预警技术是汽车主动安全领域的一个重要研究方向,其中对前车进行快速准确检测并建立稳定可靠的安全距离模型是该技术亟待解决的两个难点。为此,本文提出车路视觉协同的高速公路防碰撞预警算法。方法 将通过图像处理技术检测出来的视频图像中的车道线和自车的行驶速度作为输入,运用安全区实时计算算法构建安全距离模型,在当前车辆前方形成一块预警安全区域。采用深度神经网络YOLOv3（you only look once v3）对前车进行实时检测,得到车辆的位置信息。根据图像中前车的位置和构建的安全距离模型,对可能发生的追尾碰撞事故进行预测。结果 实验结果表明,重新训练的YOLOv3算法车辆检测准确率为98.04%,提出算法与马自达CX-4的FOW（forward obstruction warning）前方碰撞预警系统相比,能够侧向和前向预警,并提前0.8 s发出警报。结论 本文方法与传统的车载超声波、雷达或激光测距的防碰撞预警方法相比,具有较强的适用性和稳定性,预警准确率高,可以帮助提高司机在高速公路上的行车安全性。     

基于稀疏帧检测的交通目标跟踪

为了获取高速公路交通视频中目标车辆的行驶轨迹,提出一种基于视频的多目标车辆跟踪及实时轨迹分布算法,为交通管理系统和交通决策提供目标车辆交通信息.首先,使用YOLOv4算法检测目标车辆位置及置信度.其次,在不同场景条件下,使用提出的基于稀疏帧检测的跟踪方法,结合KCF跟踪算法,将车辆数据进行关联获取完整轨迹.最后,用车辆分布图和交通场景俯视图显示轨迹,便于交通管理与分析.实验结果表明,提出的跟踪方法在车辆跟踪中有较高的跟踪正确率,同时基于稀疏帧检测的跟踪方法处理速度也较快,实时轨迹分布正确反映了真实场景的车道信息以及目标车辆运动信息.     

基于改进的YOLOv3道路车辆实时检测

道路车辆实时检测是计算机视觉领域中的研究热点问题。针对道路车辆检测算法存在检测精度低、速度慢等问题,提出了一种基于改进YOLOv3的道路车辆目标检测方法。通过改进Darknet53骨架网络构建了有30个卷积层的卷积神经网络,在减少网络成本的同时提高了检测速度;根据道路车辆宽高比固定的特点,利用k-means聚类方法选取锚点预测边界框,提高了检测速度与精度。实验结果表明,提出的方法在标准数据集KITTI上的平均精度达到了90.08%,比传统的YOLOv3提高了0.47%,检测速度达到了76.04 f/s,明显优于传统的YOLOv3算法。同时将该方法应用于车辆行驶动态数据集,能够实现针对视频中道路车辆的实时检测。     

深度神经网络在多场景车辆属性识别中的研究

单一的车辆属性识别已无法满足现有的交通系统,为了提高在实际监控中车辆检测定位的可靠性,利用深度神经网络的思想建立了一种能够在近景监控场景和交通监控场景两种不同场景下识别车辆属性的模型,主要包括车辆类型和颜色两种属性类别。以YOLOv3神经网络为基础,对其进行改进,降低网络深度的同时保证准确率,将车辆类型和颜色属性进行分级训练,提高模型检测速度,此外,创建了AttributesCars车辆属性数据集完成数据准备工作。实验结果表明,所提方法在平均准确率为95.63%的前提下可以满足视频的实时性要求,并且在两种不同场景下均取得了不错的成绩,适用于多场景车辆属性识别。     

改进YOLOv5s+DeepSORT的监控视频车流量统计

针对监控视频中车流量统计准确率低的问题,提出一种改进YOLOv5s检测结合Deep SORT跟踪的车流量统计方法.为了提升检测器识别效果,将注意力模块CBAM与YOLOv5s网络的Neck部分融合,提高网络的特征提取能力;将CIoU Loss代替GIoU Loss作为目标边界框回归损失函数,加快边界框回归速率的同时提高...     

基于角点特征分析的车辆排队长度检测方法

针对交通堵塞造成的各种状况,通过视频分析实现实时高效的车辆排队长度检测,从而获取更多的交通信息改善交通状况.本文通过传统的FAST角点检测方法与运动检测的过程相结合得到改进后的FAST算法,使用改进后的FAST角点特征分析技术,不仅可以提取出当前交通道路上表征车辆存在的角点特征图,还可以获取角点位置的运动状态.通过对交通监控下的视频进行预处理后,单一车道内处于静态的角点特征形成车辆排队,并进行PCA处理得到一维向量,最后对一维向量进行形态学处理来检测单一车道内的车辆排队长度.实验表明,本方法检测精度平均98%,满足应用于实际场景.