面向巡检机器人的电力设备状态检测算法研究

为更高效利用变电站巡检机器人开展电力巡检工作,满足电力行业发展对智能化巡检的需求,研究了面向电力巡检机器人的电力设备状态检测算法。首先,根据深度网络部署硬件芯片应用情况与性能对比,选择海思Hi3559A芯片作为算法移植的嵌入式平台。然后综合考虑各种检测算法的精度与速度,选用YOLOv3算法作为设备状态检测的基本判别模型。为了提升检测算法速度并减少模型体积,开展模型压缩算法及轻量型YOLOv3模型设计研究,分别提出了改进的小型化YOLOv3模型和基于通道剪枝与层剪枝结合的模型压缩方法,提高模型上下层的语义信息及剪枝后模型的精度保持。根据测试结果选择最优的模型在机器人前端部署,提出的轻量化YOLOv3模型很好地保持了设备目标与异物检测的精度,检测速度提升了4倍。     

基于改进YOLOv4的轻量化目标检测算法

针对当前YOLOv4目标检测网络结构复杂、参数多、训练所需的配置高以及实时检测每秒传输帧数（FPS）低的问题,提出一种基于YOLOv4的轻量化目标检测算法ML-YOLO。首先,用MobileNetv3结构替换YOLOv4的主干特征提取网络,从而通过MobileNetv3中的深度可分离卷积大幅减少主干网络的参数量;然后,用简化的加权双向特征金字塔网络（Bi-FPN）结构替换YOLOv4的特征融合网络,从而用Bi-FPN中的注意力机制提高目标检测精度;最后,通过YOLOv4的解码算法来生成最终的预测框,并实现目标检测。在VOC2007数据集上的实验结果表明,ML-YOLO算法的平均准确率均值（mAP）达到80.22%,与YOLOv4算法相比降低了3.42个百分点,与YOLOv5m算法相比提升了2.82个百分点;而ML-YOLO算法的模型大小仅为44.75 MB,与YOLOv4算法相比减小了199.54 MB,与YOLOv5m算法相比,只高了2.85 MB。实验结果表明,所提的ML-YOLO模型,一方面较YOLOv4模型大幅减小了模型大小,另一方面保持了较高的检测精度,表明该算法可以满足移动端或者嵌入式设备进行目标检测的轻量化和准确性需求。     

基于边缘设备和改进YOLOv5算法的车牌号码识别

自动识别车牌号码是智慧交通中的重要内容,针对现有车牌识别算法计算量大,不满足微型化、实时性等需求,提出一种基于边缘设备和改进YOLOv5算法的车牌号码识别方法。首先,构建车牌数据集;其次,通过改进YOLOv5网络模型架构,并引入注意力机制,提升对车牌号码的检测能力,并与未改进的YOLOv5算法作性能对比;最后,将Intel Movidius NCS2与树莓派硬件设备结合,进行实时推理。实验结果表明,改进的YOLOv5算法在边缘设备上的实时画面推理速度最快达到3.316 ms,YOLOv5算法推理速度为5.772 ms,改进的YOLOv5算法与原算法相比,其推理速度平均提升了13.41%。本文提出的方法能在边缘设备上提高车牌检测速度,并达到较高的准确率。     

基于YOLOv3-tiny的视频监控目标检测算法

目标检测算法在视频监控领域有着较大的实用价值。针对当前在资源受限的视频监控系统中实现实时目标检测较为困难的情况,提出了一种基于YOLOv3-tiny改进的目标检测算法。该算法在YOLOv3-tiny架构的基础之上,通过添加特征重用来优化骨干网络结构,并提出全连接注意力混合模块来学习到更丰富的空间信息,更适合资源约束条件下的目标检测。实验数据表明,该算法相比于YOLOv3-tiny在模型体积降低39.2%,参数量降低39.8%,且在VOC数据集上提高了2.7%的mAP,在提高检测精度的同时显著降低了模型资源占用。     

基于YOLOv4的计算机实验室设备检测识别方法研究

针对计算机实验室监管中日常设备检测智能化程度较低和追责困难的问题，提出了一种基于YOLOv4的计算机实验室设备检测识别方法。首先，该方法能够实时监测实验室各类别设备的分布情况，当发生意外情况如设备丢失时，能够进行告警和记录。其次，基于实验室原有的监控设备采集现场信息，采用改进的先验框聚类算法进行数据预处理。最后，基于YOLO模型进行训练和应用，和文中涉及的其他目标检测算法相比，所提出模型的设备识别精度更高。     

改进的YOLOv3算法在棉花识别中的应用

棉花是一种密集性农作物,传统YOLOv3算法在识别密集性目标方面准确率较低。为了解决此问题,提出了一种基于改进的YOLOv3算法的棉花识别方法。在传统的YOLOv3算法框架基础上,先加上一道多尺度特征检测通道,使算法更能识别密集性目标,再自制棉花识别数据集,并使用改进的YOLOv3模型进行实验。结果表明,检测速度高达56.4 fps,目标精度为88.55%,可以完成实际环境中的棉花识别任务。     

基于嵌入式平台的航拍目标智能识别

基于多旋翼无人机实现目标识别具有成本低、灵活性高的优点,能够对近地低空目标进行高强度监测,在国防军事领域和民用领域具有巨大的应用前景;但无人机机载计算机常使用功耗小、重量轻、可靠性高的嵌入式设备,该类设备算力有限,难以实时运行现有深度学习目标识别算法,因此研究深度学习航拍小目标识别技术在嵌入式设备中实时运行有重要意义;基于YOLOv4设计了适用于无人机俯视小目标的轻量化网络,并基于BN层 系数对网络进行剪枝,采用了TensorRT对算法进行硬件加速;同时,制作了小型军用目标数据集,基于该数据集,在机载嵌入式运算平台上对原始YOLOv4算法和改进的算法分别进行了测试,改进算法与原YOLOv4相比,准确率提升了2.3%,速度提升了3.3倍。     

基于改进YOLOv5的铝型材瑕疵检测算法

基于铝型材表面瑕疵类别多样,对实时检测快速精准的需求,提出一种基于改进YOLOv5的瑕疵检测算法。通过在原始骨干网络的基础上增加新检测层并使用K-means++算法改进锚框的生成方式,提升检测尺度,避免忽视低层语义信息。对铝型材瑕疵数据集离线增强,丰富样本容量;在Backbone网络结构中融入新的卷积结构和E-CBAM注意力机制,提高网络的特征提取能力的同时降低冗余计算,提升模型检测性能;采用EIoU Loss作为整个网络结构的损失函数来加快收敛效率,解决难易样本不平衡的问题。实验结果表明,在铝型材瑕疵数据集上将改进后YOLOv5检测模型与原始YOLOv5模型进行比较,平均精度mAP提升2.9百分点,召回率Recall提升3.9百分点,速度FPS达至45.8,将近年来的代表性算法YOLOv3、YOLOv4、SSD、Faster-rcnn与改进后的检测算法在铝型材瑕疵数据集上进行性能比较,通过综合对比检测精度、检测速度等重要参数证明改进后的YOLOv5检测算法更好地兼顾了检测效率和检测精度。所提方法满足了铝型材工厂生产现场瑕疵检测要求。     

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YOLOv4-GS检测算法的服装识别方法

针对服装检测中检测模型体积大、运算量高,难以适应后续嵌入式平台环境的需要,本文提出了一种高效的YOLOv4-GS算法,极大降低了检测模型的规模。首先对数据集使用K-means聚类方法获得初始候选框,再融合Ghost模块和SimAM注意力机制组成GS模块,然后利用GS模块重构YOLOv4网络得到更轻量、更高效的YOLOv4-GS模型。实验结果表明：对比原生YOLOv4网络,在DeepFashion2数据集和相同环境下,YOLOv4-GS模型骨干网络浮点运算量减少48.33%,参数量减少49.63%,模型大小降低了33.12%,mAP达到67.8%,提升了2.1%。     

基于轻量化YOLOv4的交通信息实时检测方法

针对日常道路场景下的车辆目标检测问题,提出一种轻量化的YOLOv4交通信息实时检测方法。首先,制作了一个多场景、多时段的车辆目标数据集,并利用K-means++算法对数据集进行预处理;其次,提出轻量化YOLOv4检测模型,利用MobileNet?v3替换YOLOv4的主干网络,降低模型的参数量,并引入深度可分离卷积代替原网络中的标准卷积;最后,结合标签平滑和退火余弦算法,使用LeakyReLU激活函数代替MobileNet?v3浅层网络中原有的激活函数,从而优化模型的收敛效果。实验结果表明,轻量化YOLOv4的权值文件为56.4 MB,检测速率为85.6 FPS,检测精度为93.35%,表明所提方法可以为实际道路中的交通实时信息检测及其应用提供参考。     

融合CBAM的YOLOv4轻量化检测方法

基于深度学习的目标检测算法应用于无人机视觉中，会极大提升无人机的场景理解能力，但模型参数量和计算量巨大，难以应用于移动端或嵌入式平台.因此本文提出了一种效果较好的轻量级实时检测模型，采用YOLOv4模型网络作为主要参考模型，使用MobileNet替换主干网络，并通过添加CBAM注意力机制以及Soft-NMS后处理策略来提高模型的准确性.选用PASCAL VOC数据集来测试所提出的轻量级YOLOv4模型，结果显示参数量只有原模型的一半，但速度FPS提升了26.48,精度mAP只下降了0.52%.将所提出的轻量化YOLOv4模型部署Nvidia Jetson TX2低功耗系统以及树莓派上，飞行试验显示在TX2上模型FPS达到了21.8,是原始的YOLOv4的4.74倍，将本算法部署到无人机装载的嵌入式平台上，能够对航拍视野中的车辆目标进行实时识别和定位.     

改进YOLOv3网络在图像中评价空气质量

空气质量指数和PM2.5浓度是衡量大气污染程度的两种重要指标。在图像检测算法的框架下,提出了一种基于YOLOv3网络模型的空气质量评价方法。该模型对YOLOv3网络进行了改进,包含多锚点检测机制和卷积投票网两个模块,适用于非固定场景下的空气质量指数评估,以及固定场景下的PM2.5浓度预测。该方法的准确率在2018年全球人工智能应用大赛中得到了总分第3名的成绩,同时基于darknet框架的YOLOv3模型可以达到实时的需求,对空气质量评价的相关研究具有重要的借鉴意义。     

基于改进YOLOv4模型的乳腺钼靶图像肿块检测

针对目前主流目标检测算法在乳腺钼靶图像的良恶性肿块目标检测中存在应用较少、检测准确率低和检测速度慢等问题，提出一种基于改进YOLOv4的乳腺钼靶图像肿块检测模型。该方法可以在一个框架中同时高效进行肿块的检测和分类。首先，引入了分流聚合双通道(JAnet)残差结构对模型的骨干网络进行改进；其次，引入深度可分离卷积来替换原YOLOv4模型中的标准卷积；最后，在后处理阶段提出了较大值求平均方法。以DDSM数据集作为训练集训练检测模型，并以INbreast数据集作为独立测试集。实验结果表明，提出的基于改进YOLOv4的乳腺钼靶图像肿块检测模型的Recall值、mAP值、FPS和AUC值相比原YOLOv4算法的分别提高了7.3%,6.45%,5.9 fps和13.02%。模型整体效果优于目前主流的目标检测模型的，体现出了良好的鲁棒性和有效性，可以在医师对乳腺癌临床诊断过程中发挥计算机辅助诊断作用。     

基于改进YOLOv5+DeepSort算法模型的交叉路口车辆实时检测

针对传统目标检测跟踪算法检测精度低、鲁棒性差的缺点，以及交叉路口图像视频资源冗余的现象和车辆密集程度高的特点，提出了一种基于改进YOLOv5和DeepSort算法模型的交叉路口实时车流量检测方法，在MS COCO和BDD100k相结合的数据集上，采用改进的YOLOv5算法模型实现视频小目标车辆检测，利用深度学习多目标跟踪算法DeepSort对检测的车辆进行实时跟踪计数，实现了交叉路口监控端对端的实时车流量检测。通过分析比较不同参数的模型，最终选定了YOLOv5m模型。实验结果表明，该方法在复杂环境、车辆遮挡和目标密集程度高等环境下检测速度更加快，对车辆的检测效果更好，平均准确度达到96.6%。该方法完全满足目标实时性检测的要求，能充分满足交叉路口车辆检测的有效性，满足实际需要的使用需求。     

基于改进YOLOv4的小目标行人检测算法

行人检测在无人驾驶环境感知领域具有重要应用。现有行人检测算法多数只关注普通大小的行人目标,忽略了小目标行人特征信息过少的问题,从而造成检测精度低、应用于嵌入式设备中实时性不高等情况。针对该问题,提出一种小目标行人检测算法YOLOv4-DBF。引用深度可分离卷积代替YOLOv4算法中的传统卷积,以降低模型的参数量和计算量,提升检测速度和算法实时性。在YOLOv4骨干网络中的特征融合部分引入scSE注意力模块,对输入行人特征图的重要通道和空间特征进行增强,促使网络学习更有意义的特征信息。对YOLOv4颈部中特征金字塔网络的特征融合部分进行改进,在增加少量计算量的情况下增强对图像中行人目标的多尺度特征学习,从而提高检测精度。在VOC07+12+COCO数据集上进行训练和验证,结果表明,相比原YOLOv4算法,YOLOv4-DBF算法的AP值提高4.16个百分点,速度提升27%,将该算法加速部署在无人车中的TX2设备上进行实时测试,其检测速度达到23FPS,能够有效提高小目标行人检测的精度及实时性。     

E-Y-slim：轻量级小目标快速检测方法

针对目前机场鸟类目标检测模型存在实时检测效率低和在嵌入式设备中难以部署的问题,提出了一种基于改进YOLOv4的轻量级小目标快速检测方法 E-Y-slim。首先,将轻量化的EfficientNet-B0作为模型的特征提取网络,降低网络参数量和计算复杂度,提高检测速度;然后,裁剪特征融合网络中部分卷积层,并将检测层中标准卷积改为深度可分离卷积,进一步提升检测速度;最后,加入空间金字塔池化（SPP）结构以及交并比（IoU）预测分支,在保持算法检测效率情况下,提升算法检测精度。所提方法在PASCAL VOC鸟类数据集上平均精度（AP）为75.2%,检测速度达到50帧/秒,相较于YOLOv4的AP下降了7个百分点,但检测速度提升了42.9%。在实际机场鸟类数据集上AP为75.0%,检测速度达到49帧/秒,在AP相当的情况下,与YOLOv4相比模型参数量减少91.1%,检测速度提升了63.3%。实验结果表明,E-Y-slim能够满足在嵌入式设备上对机场鸟类活动目标快速检测的需求。     

基于改进YOLOv8的嵌入式道路裂缝检测算法

在边缘端设备部署YOLOv8L模型进行道路裂缝检测可以实现较高的精度,但难以保证实时检测。针对此问题,提出一种可部署到边缘计算设备Jetson AGX Xavier上的基于改进YOLOv8模型的目标检测算法。首先,利用部分卷积设计Faster Block结构以替换YOLOv8 C2f模块中的Bottleneck结构,并将改进后的C2f模块记为C2f-Faster;其次,在YOLOv8主干网络中的每个C2f-Faster模块之后接一个SE(Squeeze-and-Excitation)通道注意力层,进一步提高检测的精度。在开源道路损害数据集RDD20(Road Damage Detection 20)上的实验结果表明：所提方法的平均F1得分为0.573,每秒检测帧数(FPS)为47,模型大小为55.5MB,相较于GRDDC2020 (GlobalRoadDamageDetection Challenge 2020)的SOTA(State-Of-The-Art)模型,F1得分提高了0.8个百分点,FPS提高了291.7%,模型大小减小了41.8%,实现了在边缘设备上对道路裂缝实时且准确的检...     

改进YOLOv3算法的导盲系统街道场景检测

对街道场景视频或图像数据中的人和车辆进行实时检测是导盲系统中难度很高的任务，针对街道目标检测任务，提出了一个根据目标检测技术YOLOv3算法改进的街道场景检测算法YOLOv3-Street,分别在传统YOLOv3算法的网络框架以及数据增强方式上进行了改进。针对传统的主特征提取网络Darknet53采用CSPDarknet53改进结构，实现更丰富的梯度组合，同时减少计算量；引入特征金字塔SPP和PAN结构，增加网络感受野；使用Mosaic数据增强避免过拟合。实验过程中采用MIT的CBCLStreetScenes数据集并对3547张数据中的汽车，行人等目标进行训练和测试。结果表明，所提出的街道场景检测算法，能够在不受天气、光照、角度等条件约束实时速度达到69FPS,mAP为79.35%,实现了街道场景检测实时性与精度的良好平衡，提升了盲人出行的安全指数。     

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。