基于YOLOv5算法的钢轨扣件分类检测研究

钢轨扣件是保障轨道车辆安全运行的基础，目前依靠人工检查钢轨扣件状态效率低且具有缺陷性。基于YOLOv5算法对钢轨弹条断裂、缺失、移位以及螺栓缺失四种状态扣件进行分类检测研究，文章选取706张含故障扣件的图片进行标注形成钢轨故障扣件数据集，讨论了YOLOv5s、YOLOv5m两种模型对数据集分别训练50、100次后的识别效果，结果显示：采用YOLOv5m模型训练100次的YOLOv5算法对各类别故障扣件的测试精度、召回率、mAP@.5、mAP@.5:.95分别为0.988、0.967、0.987、0.822。该方法对钢轨扣件分类检测具有很好的应用价值。     

基于改进YOLOv3的复杂环境下交通标志检测

针对深度学习算法中目标检测网络模型在复杂环境下识别交通标志的难点,对YOLOv3模型迁移学习算法的基本特点展开研究,构建并划分了复杂环境下中国交通标志数据集,并通过引入特征尺度的概念进一步改进YOLOv3算法,使数据集能够更好地处理各种复杂环境带来的影响。通过对比实验,证明改进后的YOLOv3算法对复杂环境下交通标志检测的效果明显优于标准YOLOv3算法及SSD算法,获得了更高的检测精度和更短的检测时间。     

基于YOLOv3的船舶实时监测识别

针对水面环境复杂多变、远处小目标识别准确率低和目前目标检测算法实时性差的问题,分析以Darknet-53为主干网络的YOLOv3框架相较于其他算法的改进特点,提出一种基于YOLOv3的船舶实时监测识别方法,并在训练阶段对难识别样本进行精细训练。该方法增强了系统在不同情况下船舶分类检测与识别的准确率,提高了整个算法的鲁棒性。〖JP3〗实验数据表明,最终在整个数据集上单类平均准确率最高可达到91.82%。本文方法可应用于船舶智能驾驶的辅助支撑系统。     

基于ResNet和随机森林的海洋鱼类分类方法

提出了一种基于卷积神经网络和随机森林相结合的方法,用于对海洋可食用鱼类进行识别分类。通过使用YOLOv3目标检测网络对原始鱼类图片进行目标定位并使用数据增强方法对数据集进行扩充,模型在自建数据集上进行训练和微调,达到了较高的分类准确率和稳定性。实验结果表明该模型在鱼类分类任务上的有效性,并为解决传统方法对鱼类分类的困难提供了一种新思路。     

基于计算机DCGAN数据增强的YOLOv5光伏电池板热斑检测方法

针对光伏电站巡检过程中,光伏电池板热斑样本少,现有目标识别算法检测精度低的问题,提出一种将深度卷积对抗生成网络DCGAN与YOLOv5目标识别算法相结合的光伏电池板热斑检测方法。该方法通过搭建DCGAN网络进行数据增强,改进YOLOv5网络的数据增强模块,获得数量更充足、特征更丰富的训练数据。对原始图像、常规数据增强和DCGAN数据增强的数据集在YOLOv5网络中进行训练,并对检测模型的精度进行对比。实验结果表明,与常规YOLOv5目标识别模型相比,本文采用DCGAN网络提高了数据集的图像质量,减少因样本过少而引起的训练不充分和热斑检测精度低的问题,平均精度较常规模型提高1.72%。该方法有助于提高光伏电站巡检效率,保障太阳能电池组件正常运行。     

基于改进YOLOv3的手势实时识别方法

针对基于人工建模方式的手势识别方法准确率低、速度慢的问题,提出一种基于改进YOLOv3的静态手势实时识别方法。采用卷积神经网络YOLOv3模型,将通过Kinect设备采集的IR、Registration of RGB、RGB和Depth图像代替常用的RGB图像作为数据集,并融合四类图像的识别结果以提高识别准确率。采用k-means聚类算法对YOLOv3中的初始候选框参数进行优化,从而加快识别速度。在此基础上,利用迁移学习的方法对基础特征提取器进行改进,以缩短模型的训练时间。实验结果表明,该方法对流式视频静态手势的平均识别准确率为99.8%,识别速度高达52 FPS,模型训练时间为12 h,与Faster R-CNN、SSD、YOLOv2等深度学习方法相比,其识别精度更高,识别速度更快。     

基于YOLOv3的二次设备保护压板状态图像识别

目前,变电设备信息化程度不断提高,对二次设备各模块提出更高的数字化要求。为解决二次设备压板状态人工识别程序繁杂、耗时长、容易出错等问题,提高压板巡视效率,维护二次设备安全稳定运行,本文通过研究比对机器学习算法和深度学习目标检测算法等方法的难易程度和准确率等因素,最终选择YOLOv3算法。将压板标准态文档转换成JSON数据后,使用基于imageNET的YOLOv3-Darknet-53预训练模型,导入压板开关图像样本集。使用LabelImg标注样本集后,进行深度学习得出训练后模型,运用该模型得到现场压板图识别数据,将标准态数据与实际图片数据对比绘制图形,实现压板开关状态准确识别和标注。结果表明,压板开关位置、开关状态识别成功率达到99%,有效地提升了压板巡视工作效率和准确度,极大地提高了二次设备数字化水平。     

基于YOLOv5的交通标志识别

交通标志识别是自动驾驶技术中的关键一部分.针对交通标志在道路场景中目标较小且识别精度较低的问题,提出一种改进的YOLOv5算法.首先在YOLOv5模型中引入全局注意力机制(GAM),提高网络捕获不同尺度交通标志特征的能力;其次将YOLOv5算法中使用的GIoU损失函数更换为更具回归特性的CIoU损失函数来优化模型,提高对交通标志的识别精度.最后在Tsinghua-Tencent 100K数据集上进行训练,实验结果表明,改进后的YOLOv5算法对交通标志识别的平均精度均值为93.00%,相比于原算法提升了5.72%,具有更好的识别性能.     

基于YOLOv3算法的训练集优化和检测方法的研究

YOLOv3是一种单步目标检测算法,不需要产生区域候选网络(RPN)来提取目标信息,相对于双步目标检测算法具有更快的检测速度。但是,现有算法在小目标检测上存在精度不高和漏检现象的问题,为此提出了一种基于YOLOv3算法的训练集优化和图层处理的检测方法。首先在标准数据集VOC2007+2012和自建的举手行为数据集上采用K-means算法做聚类分析,以得到适应数据集训练尺寸的anchor大小;然后通过调整训练参数及选择合理的标签标注方式进行训练;最后对输入图像进行图层处理并进行目标检测。实验结果表明,聚类分析后VOC2007验证集的平均准确度(mAP)提高了1.4%,并有效解决了原算法在检测过程中较高卷积层上感受野小的问题,从而使YOLOv3算法在小目标物体的检测上精度提高,漏检率也相对下降。     

用于智能垃圾分拣的注意力YOLOv4算法

针对人工垃圾分拣效率低、工作环境恶劣且成本高的问题,提出了一套智能可回收垃圾分拣系统,该系统采用RGB图像作为视觉信息输入,通过目标检测算法获取垃圾在传送带上的位置坐标信息,并通过机械臂对垃圾进行分拣操作。可回收垃圾形态各异、种类繁多,为提高检测算法的泛化能力,建立了一个含36 572帧图片的可回收垃圾数据集,并基于此数据集上训练目标检测算法。基于YOLOv4提出了嵌入注意力机制的目标检测算法Attn-YOLOv4,经实验验证,Attn-YOLOv4算法的mAP比原始YOLOv4算法高0.16个百分点。在静态识别功能的基础上,提出基于多线程的目标跟踪算法实现了对运动垃圾的快速稳定跟踪,在20 mm误差范围内达到了0.945的精确度。此外,后处理模块对图像进行形态学处理并获取垃圾的世界坐标以及放置角度,供机械臂进行分拣操作。分别对目标检测和跟踪算法进行验证,在实际分拣流水线上验证并评估了该智能可回收垃圾分拣系统的可行性、精度及分拣的成功率。     

一种改进的轻量级垃圾目标检测算法

垃圾分类问题的解决方法目前主要依靠垃圾处理厂人工分拣,其工作环境较差且自动化程度不高.为了提高垃圾分拣的速度与精度,以及为自动垃圾分拣设备提供算法解决参考方案,文章提出一种面向低功耗设备的轻量级垃圾目标检测算法Ghost-YOLO,该算法在保证轻量化的同时具有较高的垃圾检测精度.Ghost-YOLO算法是基于YOLOv...     

融合SPP和改进FPN的YOLOv3交通标志检测

针对交通标志目标检测尺寸较小、分辨率低、特征不明显问题,提出一种改进的YOLOv3网络模型。在利用颜色增强方法对交通标志进行数据增强后,改进原网络中的FPN结构,保留原网络中52×52的大尺度预测,然后利用YOLOv3网络中第二次下采样输出的特征图建立108×108的更大尺度预测。为了解决图像尺寸和失真的问题,在检测层前使用固定分块大小为5、9、13的池化操作,再将输出的特征与原来的特征图进行融合,从而实现对不同尺寸的输入得到相同大小的输出。最后,利用K-means聚类算法对TT100K交通标志数据集进行聚类分析,重新定义网络的初始候选框,使用YOLOv3网络模型和改进的YOLOv3网络模型以及其他小目标检测算法在TT100K数据集上进行对比实验。实验结果表明,改进后的YOLOv3网络模型能更有效的检测交通标志,其检测的平均精确度在三个尺度下相对原YOLOv3网络模型分别提升8.3%、6.1%、4.3%,在FPS变化不大的情况下,召回率和准确率都有明显提升,同时,改进后的YOLOv3算法相对其他小目标检测算法具有更好的检测精度和实时性。     

一种优化YOLO模型的交通警察目标检测方法

针对复杂交通场景中交通警察目标检测与定位准确率低的问题,提出一种优化YOLOv4模型的交通警察目标检测方法.首先,采用4种随机转换方式对自建的交通警察数据集进行扩充,解决了模型过拟合问题并提高模型的泛化能力;其次,将YOLOv4主干网络替换为MobileNet并引入Inception-Resnet-v1结构,有效地减少...     

用于智能垃圾分选的轻量级检测算法

为实现垃圾分选自动化,确保垃圾正确分类,提出了一种基于YOLOv4的轻量级垃圾检测算法.算法对YOLOv4中的主干网络CSPDarknet53,使用层级调整后的MobileNetV3网络进行替换,使得网络架构更适用于YOLOv4网络,并提升网络的检测速度;同时结合Ghost模块和MobileNeXt网络结构思想,设计了一种全新的bottleneck,用以替换主干网络中的bottleneck,以提升模型的检测精度;接着在主干网络中添加大残差边结构,以提升网络的检测精度;然后在颈部网络之前添加CA (coordinate attention)注意力机制,进一步提升网络的检测精度;最后为避免K-means算法在聚类过程中陷入局部极值,使用二分K-means算法对垃圾检测数据集进行anchor box的重新聚类.实验结果表明,重新设计的网络与YOLOv4网络的mAP值相近,但参数量减少了89%,检测速度提升了51%, FPS值达到了67.5 (on NVIDIA GeForce RTX 3060),可实现部署到算力和内存较低的嵌入式设备中.     

一种智能视频监控系统中的行人检测方法

在智能视频监控系统的行人检测中,目前使用的目标检测算法R-CNN和YOLO系列算法或速度较慢,无法满足实时性要求;或需要较大的GPU显存空间,难以部署。YOLOv3-tiny算法作为YOLO系列的精简版本,对设备要求较低、速度快,但该算法精度较低。本文通过调整YOLOv3-tiny算法的grid cell横纵方向数量、优化YOLOv3-tiny算法网络结构、聚类确定anchor的数量及尺寸,得到改进的YOLO-Y算法,并通过数据增强方法对训练数据集进行扩充。改进的YOLO-Y算法将mAP从90%提升到92%,Recall从95%提升到97%,检测速度达到26帧/s,占用约1 GB显存空间。实验结果表明改进的YOLO-Y算法显著提高了算法检测精度,具有实时性,且不需要太大的显存空间,满足大部分智能视频监控系统的要求。     

基于SPMYOLOv3的水面垃圾目标检测

为解决水面垃圾检测中存在目标形状尺度差异大, 难以区分背景以及目标偏小的问题, 本文提出了一种SPMYOLOv3目标检测算法来实现对水面垃圾的检测. 首先, 对收集到的水面垃圾数据集进行标注, 使用改进的K-means算法对数据集重新聚类, 得到与数据集更匹配的先验框. 其次, 在YOLOv3的主干网络后添加SE-PPM模块, 加强目标的特征信息, 保证目标尺度不变且保留全局信息. 再使用多向金字塔网络对不同尺度的特征图进行融合, 获得携带更加丰富的上下文信息的特征图. 最后使用在损失函数中使用focal loss计算负样本的置信度损失, 抑制了YOLOv3中正负样本不均衡问题. 改进后的算法在水面垃圾数据集上的实验结果表明, 相比于原YOLOv3算法检测精度提升了3.96%.     

基于YOLOv3网络的电能表示数识别方法

随着智能电网的不断发展,基于数字图像处理方法的电能表自动抄表系统被广泛应用,为提升传统电能表示数自动识别的准确率,提出了一种基于YOLOv3 (You Only Look Once)网络的电能表示数识别新方法.对于电能表图像,构建基于YOLOv3-Tiny网络的计数器定位模型并训练,使用训练完毕的模型定位计数器目标区域,裁剪计数器区域生成计数器图像;对于计数器图像,构建基于YOLOv3网络的计数器识别模型并训练,使用训练完毕的模型识别计数器目标区域的数字.选择巴西巴拉那联邦大学公开的电能表数据集作为研究对象,通过与YOLOv2-Tiny定位模型、CR-NET识别模型的对比实验,表明了本方法具有更高的定位准确率和识别准确率.     

基于视觉感知的智能扫地机器人的垃圾检测与分类

目的 为了提高扫地机器人的自主性和智能化程度，为扫地机器人配备视觉传感器，使其获得视觉感知能力，通过研究有效的垃圾检测分类模型与算法，实现对垃圾的定位与识别，引导扫地机器人对垃圾进行自动识别与按类处理，提高工作的目的性和效率，避免盲动和减少能耗。方法 选择检测速度较快的YOLOv2作为主网络模型，结合密集连接卷积网络，嵌入深层密集模块，对YOLOv2进行改进，提出一种YOLOv2-dense网络，该网络可以充分利用图像的高分辨率特征，实现图像浅层和深层特征的复用与融合。结果 测试结果表明，智能扫地机器人使用本文方法可以有效识别不同形态的常见垃圾类别，在真实场景中，测试识别准确率为84.98%，目标检测速度达到26帧/s。结论 实验结果表明，本文构建的YOLOv2-dense网络模型具有实时检测的速度，并且在处理具有不同背景、光照、视角与分辨率的图片时，表现出较强的适应和识别性能。在机器人移动过程中，可以保证以较高的准确率识别出垃圾的种类，整体性能优于原YOLOv2模型。     

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。