基于YOLOv5的矿井火灾视频图像智能识别方法

针对煤矿井下光照分布不均匀造成视频图像失真,火灾识别精度低等问题,提出了一种矿井火灾视频图像智能识别方法。该方法以YOLOv5为识别模型,采用K-means算法对传统的暗通道图像去雾算法进行改进,并用改进算法对采集的火焰图像进行去雾处理,提高矿井火灾视频图像识别精度;为减少静态背景对火灾识别的影响,采用帧差法与混合高斯模型融合算法,对动态演化的火焰图像进行特征提取,并采用形态学处理算法消除图像中存在的缺口,从而得到更加完整的火焰目标图像;对火灾视频图像数据集进行标注,并输入到YOLOv5算法模型进行训练及测试。结果表明:基于YOLOv5的矿井火灾视频图像智能识别方法平均精度为92%,损失函数为0.6,比传统算法Alexnet,VGG16,Inceptionv3的平均精度分别高9.6%,13.5%,4.9%,表明该方法检测速度快、精度高,可有效提高矿井火灾识别准确率。     

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。     

改进YOLOv3的安全帽佩戴检测方法

针对在智能监控中安全帽佩戴检测准确率低和检测速率慢的问题,提出一种基于改进YOLOv3（You Only Look Once）的安全帽佩戴检测算法YOLOv3-WH。在YOLOv3算法的基础上改进网络结构,增大输入图像的尺度,使用深度可分离卷积结构替换Darknet-53传统卷积,减少特征的丢失,缩减模型参数,提升检测速率;使用多尺度特征检测,增加浅层检测尺度,添加4倍上采样特征融合结构,提高安全帽佩戴检测准确率;优化[K]-Means聚类算法,获取安全帽佩戴检测的先验框（anchor box）,按照预测尺度大小分配适合的anchor,提升模型训练和检测速率。实验结果表明YOLOv3-WH相比YOLOv3,每秒检测帧数（FPS）提高了64%,检测平均精确度（mAP）提高了6.5%,该算法在提升了安全帽佩戴检测速率的同时提升了检测的准确率,对安全帽佩戴检测具有一定的实用性。     

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。     

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。     

基于改进YOLOv3的高分辨率遥感图像复合目标检测

遥感图像的复合目标相对单一目标而言,存在多个结构,结构之间存在一定差异。本文围绕复合目标多变性、复杂性,大宽幅遥感影像背景复杂,存在较多和待检复合目标特征相似的区域,检测准确率较低等问题,开展基于高分辨率遥感图像的复合目标检测研究。首先开展目标特性分析和样本数据标注;然后提出一种基于Coordinate Attention注意力机制和Focal Loss损失函数的改进YOLOv3检测算法;最后以篮球场这种复合目标为例进行实验。实验结果表明,改进后的算法与原YOLOv3算法相比,召回率和平均检测准确率分别提高了10.3个百分点和28.8个百分点。该结果验证了所提方案的可行性、合理性。     

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.     

基于深度学习的白带显微图像细胞识别

针对白带显微图像中白细胞、念珠菌、滴虫的自动化识别问题,提出基于改进的YOLOv3-tiny与Res-netS0相结合的细胞识别算法.在细胞检测阶段,基于改进的YOLOv3-tiny算法进行细胞检测,结合显微图像中细胞均为小目标的特点,提高对细胞的检测准确率.在细胞识别阶段,采用Resnet50模型对细胞进行精确分类,并结合显微图像细胞数据集的特点,运用迁移学习的方法进行模型训练,提高分类的准确率.实验结果表明,该算法对白细胞、念珠菌、滴虫的识别结果和效率均优于其他算法,在319例白带样本上的测试结果表明:白细胞的灵敏度、特异性、符合率分别为90.75％、93.84％、92.16％,念珠菌的灵敏度、特异性、符合率分别为95.05％、96.33％、95.92％,滴虫的灵敏度、特异性、符合率分别为94.74％、98.00％、97.81％,达到临床检验的要求.     

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。     

基于YOLOv3的实时性戴口罩人脸检测系统设计

人脸识别技术是如今最热门的领域之一,在新冠肺炎疫情的特殊情况下,出门佩戴口罩是大家共同的责任.为了实现对戴口罩人脸的实时性检测,本文提出了基于YOLOv3的戴口罩人脸识别算法,使用YOLOv3算法来提高识别速度,在OpenCV环境下捕获并识别目标图像.本文对系统进行了实验验证,筛选准确率达到95.5％,动态检测速度高达...     

面向无人机作战的复杂光照环境下小目标检测方法研究

针对复杂光照环境下无人机作战的小目标难以检测问题,以引入注意力机制的YOLOv5s-Se模型为基础,设计了基于Ghost模块与形状损失函数的YOLOv5s-Se_Point改进模型。该模型首先引入形状特征损失函数,提高对小目标形状特征的提取能力。然后,使用Ghost模块替换网络Backbone中的卷积模块,以提高识别速度,降低模型尺寸。通过设置模拟作战场景进行实验,结果表明YOLOv5s-Se_Point相对于YOLOv5s和YOLOv5s-Se模型,在准确率和检测速度上具有一定优势,可以有效地改善复杂光照环境下传统算法的缺陷,提高算法的鲁棒性,实现对复杂光照环境下小目标的有效识别。     

基于似物性的快速视觉目标识别算法

针对视觉目标识别算法实时性较差的问题,基于似物性提出一种面向视觉目标识别的可变部件模型改进算法。该算法首先对图像进行二进制归一化的似物性检测,并利用检测结果形成视觉目标候选框;然后使用目标识别算法对候选区域进行似然判决,比滑动窗口法缩短了搜索时间;最后通过一个快速扩大-缩小算法对检测目标进行尺度修正,提高目标框的准确度。在PASCAL 图像库上的识别结果表明:该识别方法在准确率上优于当前主流的检测模型,计算耗时较级联DPM算法减少约50%。     

基于YOLOv3-HM的手部姿态估计方法研究

二维手部姿态估计是人机交互领域的一项关键技术。为增强复杂环境下系统鲁棒性,提高手势姿态估计精度,提出一种基于目标检测和热图回归的YOLOv3-HM算法。首先,利用YOLOv3算法从RGB图像中识别框选手部区域,采用CIoU作为边界框损失函数;然后,结合热图回归算法对手部的21个关键点进行标注;最终,通过回归手部热图实现二维手部姿态估计。分别在FreiHAND数据集与真实场景下进行测试,结果表明,该算法相较于传统手势检测算法在姿态估计精度和检测速度上均有所提高,对手部关键点的识别准确率达到99.28%,实时检测速度达到59 f/s,在复杂场景下均能精准实现手部姿态估计。     

基于ArcFace的自然场景人脸识别系统设计及改进

文中设计了一种基于ArcFace的自然场景人脸识别系统,针对系统小人脸识别准确率不高、环境自适应能力不强的局限性,提出了改进方法。系统采用快速人脸图像增强算法对自然场景视觉模糊的人脸图像进行视觉增强,然后通过融合PFLD与YOLOv3人脸关键点检测的方法,改进系统对小人脸的检测性能。实验结果显示,改进的方法有效提高了系统识别的准确率,降低了误识率,系统平均播放帧率约为23帧/s。     

基于Yolov5s的作业现场阀门规范操作识别方法

将基于深度学习算法的图像识别技术应用到油田作业现场监控领域,解决阀门操作的规范性问题。采用YOLOv5s网络作为作业现场阀门规范操作识别的模型,通过图像增强方法解决阀门周围的栏杆遮挡问题,制作阀门操作的数据集,保证了数据集的丰富性。然后在自制阀门操作分类的数据集上对网络进行训练,利用训练好的YOLOv5s网络提取作业人员不同的阀门操作图像的特征和位置信息,实现作业现场阀门规范操作的识别。经过测试,验证该模型最终检测准确率达到了93%,检测速度能达到实时的效果。基于YOLOv5s网络的作业现场阀门规范操作识别的模型在不同光照和视角等条件下,检测准确率高,鲁棒性好、模型计算速度快。满足了油田作业现场实际需求,解决了油田作业现场员工在阀门操作上的安全问题。     

基于改进YOLOv3算法的公路车道线检测方法

针对YOLOv3算法在检测公路车道线时存在准确率低和漏检概率高的问题, 提出一种改进YOLOv3网络结构的公路车道线检测方法.该方法首先将图像划分为多个网格, 利用K-means++聚类算法, 根据公路车道线宽高固有特点, 确定目标先验框数量和对应宽高值; 其次根据聚类结果优化网络Anchor参数, 使训练网络在车道线检测方面具有一定的针对性; 最后将经过Darknet-53网络提取的特征进行拼接, 改进YOLOv3算法卷积层结构, 使用GPU进行多尺度训练得到最优的权重模型, 从而对图像中的车道线目标进行检测,并选取置信度最高的边界框进行标记.使用Caltech Lanes数据库中的图像信息进行对比试验, 实验结果表明, 改进的YOLOv3算法在公路车道线检测中平均准确率(Mean average precision, mAP)为95%, 检测速度可达50帧/s, 较YOLOv3原始算法mAP值提升了11%, 且明显高于其他车道线检测方法.     

基于双目视觉的选煤厂用胶带输送机表面异物检测

目前所采用的选煤厂用胶带输送机表面异物检测方法在实际应用时,由于选煤厂内外因素影响,导致对于不同类别的异物识别和分类精度低。针对该问题,提出一种基于双目视觉的选煤厂用胶带输送机表面异物检测方法。设计了基于双目视觉的输送带异物检测装置,将摄像机与工业相机组合成双目视觉系统,系统采集图像后,利用中值滤波算法对图像进行去噪,获取稳定的图像信息。采用YOLOv3进行异物识别预测,计算边界框和锚框数值信息,并根据上述数值信息调整计算定位准确度,实现异物检测。实验结果表明：与传统的基于Mask＿R-CN的检测方法相比,提出的方法对胶带输送机表面异物的识别筛选准确率超过96.2%,分类准确率超过97.6%。     

基于改进YOLOv2的无标定3D机械臂自主抓取方法

提出了一种多物体环境下基于改进YOLOv2的无标定3D机械臂自主抓取方法。首先为了降低深度学习算法YOLOv2检测多物体边界框重合率和3D距离计算误差,提出了一种改进的YOLOv2算法。利用此算法对图像中的目标物体进行检测识别,得到目标物体在RGB图像中的位置信息; 然后根据深度图像信息使用K-means++聚类算法快速计算目标物体到摄像机的距离,估计目标物体大小和姿态,同时检测机械手的位置信息,计算机械手到目标物体的距离; 最后根据目标物体的大小、姿态和到机械手的距离,使用PID算法控制机械手抓取物体。提出的改进YOLOv2算法获得了更精准的物体边界框,边框交集更小,提高了目标物体距离检测和大小、姿态估计的准确率。为了避免了繁杂的标定,提出无标定抓取方法,代替了基于雅克比矩阵的无标定估计方法,通用性好。实验验证了提出的系统框架能对图像中物体进行较为准确的自动分类和定位,利用Universal Robot 3机械臂能够对任意摆放的物体进行较为准确的抓取。     

基于改进YOLOv3的实时交通标志检测算法

针对目前我国智能驾驶辅助系统识别道路交通标志检测速度慢、识别精度低等问题,提出一种基于YOLOv3的改进的道路交通标志检测算法。首先,将MobileNetv2作为基础特征提取网络引入YOLOv3以形成目标检测网络模块MN-YOLOv3,在MN-YOLOv3主干网络中引入两条Down-up连接进行特征融合,从而减少检测算法的模型参数,提高了检测模块的运行速度,增强了多尺度特征图之间的信息融合;然后,根据交通标志目标形状的特点,使用K-Means++算法产生先验框的初始聚类中心,并在边界框回归中引入距离交并比（DIOU）损失函数来将DIOU与非极大值抑制（NMS）结合;最后,将感兴趣区域（ROI）与上下文信息通过ROI Align统一尺寸后融合,从而增强目标特征表达。实验结果表明,所提算法性能更好,在长沙理工大学中国交通标志检测（CCTSDB）数据集上的平均准确率均值（mAP）可达96.20%。相较于Faster R-CNN、YOLOv3、Cascaded R-CNN检测算法,所提算法拥有具有更好的实时性和更高的检测精度,对各种环境变化具有更好的鲁棒性。     

基于深度学习的无人机航拍车流量监测

随着智慧城市概念的普及,交通道路智能化管理已成为学者关注的热点.针对道路的车流量统计问题,文中基于深度学习方法,提出了基于残差网络的无人机航拍车流量监测算法,该算法引入了全连接的多尺度残差学习分块(FMRB),在解决梯度弥散现象的同时使得图像特征能够被更好地提取和学习.现有的车辆检测算法准确率较低,且大多数仅能对车辆进行检测,不能对车流量进行统计.文章结合视频帧估计方法,实现了车流量的实时监测与统计.在车辆检测性能上将所提算法与SSD,YOLOv2,YOLOv3算法进行对比,结果表明,在自建数据集训练的条件下,所提算法引入多尺度残差学习分块(FMRB)对遥感图像进行车辆识别,能够取得更高的识别精度;在实地车流量监测中,所得结果误检率小于1％,具有较强的实用效果.