基于YOLOv8的奶瓶缺陷检测系统的设计与实现

为了提高奶瓶回收环节的效率和准确性,本文设计并实现一套基于YOLOv8的奶瓶缺陷检测系统。该系统利用深度学习技术,特别是YOLOv8目标检测算法,通过对奶瓶图像进行自动化检测,实现对奶瓶缺陷的快速而准确的识别。本文详细介绍系统的设计思路、实现步骤以及实现结果。     

基于YOLOv4神经网络的小龙虾质量检测方法

设计了一种采用YOLOv4深度学习算法的小龙虾质量检测模型,该算法在网络架构、数据处理、特征提取等方面进行了优化。自主拍摄小龙虾图片并进行数据扩充,使用LableImage平台进行数据标注,在Darknet框架下进行网络模型训练,通过对比,模型最终性能均高于其他常见目标检测模型,其检测准确率达97.8%,平均检测时间为37 ms,表明该方法能够有效检测生产过程中的小龙虾质量。     

基于YOLOv3的人流量检测方法的研究

近几年,踩踏事故频繁发生且造成灾难性的结果,给社会带来了巨大损失,在商业、交通管制及公共安全领域等方面对人流量检测统计以及预警的需求日益增加。目前,大多数人流量统计的方法是通过各场所入口处的闸机、刷卡以及红外线感应装置对人流量进行统计,闸机仅适用于封闭场所总人流量的统计,具有无法单独计算某块开放区域的人流量密度的缺点。针对这种情况,文章提出一种使用摄像头采集人流量的相关数据,在边缘端通过YOLOv3计算机视觉技术处理人流量信息,并对人流量密度进行分析的检测方法。     

基于注意力机制改进的YOLOv7服装缝线疵点检测方法

针对目前肉眼检测服装缝线疵点效率低下、成本较高、准确率不高、容易出现漏检和误检等问题,文章利用深度学习的方式对服装缝线疵点进行实时检测,构建了一个服装缝线疵点检测的数据集,包含了常见的服装缝线疵点类型,提出了一种基于注意力机制的YOLOv7算法SK-YOLOv7,在YOLOv7的骨干网络添加3个SK模块,以增强主干网络的特征提取能力,并引入CBAM-YOLOv7和SE-YOLOv7算法进行对比实验。实验结果表明：SK-YOLOv7具有较高的查准率及查全率,平均检测精度也有所提高。SK-YOLOv7相较于CBAM-YOLOv7和SE-YOLOv7在缝线检测上表现更好。文章对数据集采用不同的标记方式进行对比测试,发现对疵点区域进行一次标记的方法会导致特征大量丢失,而对疵点区域内进行分块标记的方法表现出了更好的检测效果。综合实验结果得出,基于注意力机制改进的YOLOv7服装缝线疵点检测方法是可行的,可以较好地推动纺织服装检测行业的发展进步。     

基于YOLOv5的烤烟烟叶散把程度检测算法研究

为解决烤烟烟叶散把过程中因散把不均匀导致烟叶重叠等问题,提出了一种基于YOLOv5目标检测算法的烟叶散把程度检测方法。通过对原始图像进行预处理构建烟叶散把图像数据集,在原始YOLOv5模型主干网络加入Ghost模块生成冗余特征图,在瓶颈层加入ACIN模块加强网络特征融合,同时利用烟叶松散度来评价散把程度。分别利用改进前后YOLOv5模型进行测试,结果表明:与原始模型相比,改进后YOLOv5模型在未明显增加计算量的前提下,网络参数量减少12.8%,模型大小减小12.4%,平均精确率提升0.2百分点;改进后模型与YOLOv4、Efficientdet-d0、Faster R-CNN等目标检测模型相比,平均精确率、检测速度均为最优且参数量较少。该技术可为提高烤烟烟叶分选速度和精度提供支持。      

一种基于改进的YOLOv3算法在粮虫小目标检测的应用

原始YOLOv3模型被认为适合求解多尺寸的图像目标检测问题,但是对于粮虫小目标检测存在表征能力不足且检测效率较低的问题。本文基于此提出了一种融合GIoU算法的YOLOv3检测模型,一方面使用GIoU算法弥补IoU算法对于两个不相交box无法进行量化的问题,同时使用GIoU对损失函数进行优化,损失函数优化为GIoU损失、置信度损失和分类损失三方面;另一方面使用五种数据增强手段对原始1 998张数据集进行数据增强,最终形成大小为9 990张的数据集,并使用K-means聚类算法对自制数据集进行聚类分析,聚类出符合粮虫小目标检测的先验框。针对自制的9 990张粮虫的数据集进行实验获得了99.43%的mAP和每幅图像0.040 s的检测速度,与原始YOLOv3模型相比,本文所提模型对于小目标的粮虫检测效果得到了很大的提升。     

基于改进YOLOv5的织物瑕疵检测方法

针对织物瑕疵中部分瑕疵目标小、长宽比极端等问题,提出一种基于改进YOLOv5的织物瑕疵检测方法。该方法在YOLOv5模型基础上引入自注意力机制CoTNet网络,并将颈部网络中的PAFPN网络优化为BiFPN网络,同时将目标损失函数改进为CIoU损失函数,加强模型对邻近键以及上下文之间特征信息的收集,在增强模型对小目标和尺寸变化大类型瑕疵检测能力的同时可获得更准确的边界框回归,加快收敛速度。实验证明,本文改进的模型在织物瑕疵检测数据集上的检测效果和YOLOv5模型相比平均精度均值提升了6.8%,准确率提升了6.7%,模型验证有效。     

改进YOLOv5网络的轻量级服装目标检测方法

为进一步降低基于深度学习的服装目标检测模型对计算资源的占用,提出一种改进的轻量级服装目标检测方法MV3L-YOLOv5。首先使用移动网络MobileNetV3_Large构造YOLOv5的主干网络;然后在训练阶段使用标签平滑策略,以增强模型泛化能力;最后使用数据增强技术弥补DeepFashion2数据集中不同服装类别图像数量不均衡问题。实验结果表明:MV3L-YOLOv5的模型体积为10.27 MB,浮点型计算量为10.2×10⁹次,平均精度均值为76.6%。与YOLOv5系列最轻量的YOLOv5s网络相比,模型体积压缩了26.4%,浮点型计算量减少了39%,同时平均精度均值提高了1.3%。改进后的算法在服装图像的目标检测方面效果有所提升,且模型更加轻量,适合部署在资源有限的设备中。     

基于改进YOLOv4的课堂教学中学生姿态检测算法研究

在评价学生的学习状态和课堂教学质量的依据中,学生在课堂上的姿态和表现尤为重要。通过人工进行记录的传统课堂监测时间较长、速度较慢并且监测工作量较大,易于导致监测数据不客观准确、不全面的问题产生。改进的YOLOv4算法具有较快的处理速度和较高的准确性,对于某些学生姿态的检测具有更好的效果。     

基于改进YOLOv5的纸病检测方法

针对传统纸病检测算法中纸病特征提取困难、实时性差的问题,提出一种改进YOLOv5的纸病检测方法。该方法首先在批量归一化模块的首尾部分添加居中和缩放校准,形成更稳定的纸病有效特征分布;其次在骨干网络中添加坐标注意力机制,增强骨干网络的纸病特征提取能力;最后选用 CIoU_loss作为边界框回归的损失函数,实现高精度的定位。实验结果表明,改进后的算法平均精度达99.02%,实时检测速度达41.58 帧/s,相较于现有的基于CNN纸病分类算法,检测精度与检测速度都有较大的提升,且改进后的算法对光源的依赖程度更低,能对各类纸病实现精准辨识。     

基于YOLOv5的鲜烟叶成熟度识别模型研究

【背景和目的】烟叶成熟度的准确判定和适时采收是提高烟叶质量的关键,为提高烟叶成熟度判定的准确性。【方法】以翠碧一号（CB-1）的鲜烟叶为研究对象,采用手机拍摄上、中、下3个部位5个成熟度（M1～M5）烟叶图像,利用labelimg软件从原始的图像中获取目标烟叶图像二维坐标信息,通过轻量级网络You Only Look Once(YOLO)v5进行数据训练,构建烟叶5个成熟度识别模型。【结果】CB-1的上、中、下3个部位模型中的m AP值均达到0.9以上,平均准确率分别为93.6%,92.8%,95.2%。进一步将模型部署到云服务器、并配套开发了基于Android端的烟草成熟度智能识别应用程序,实现在大田环境下响应式的鲜烟叶成熟度等级判断。【结论】基于YOLOv5模型的智能识熟APP可有效、准确地判定鲜烟叶成熟度。本研究结果可为鲜烟叶成熟度的智能识别提供理论基础和技术支撑。     

基于YOLOv7和GMM算法的火焰实时检测方法

石油化工行业生产现场大多具有易燃、易爆、高温和高压等特点,是安全监管的核心区域。针对目前安全监管区域主要依靠监控视频回放及人工检查方式,导致实时性差、安全性低的问题,该文提出一种基于YOLOv7和GMM算法的火焰实时检测方法。首先,通过生产现场对数据实时采集和分析,基于YOLOv7在目标检测领域的优势,实现对疑似火焰区域的检测;其次,结合火焰特有的动态特征,利用GMM模型对检测结果中的疑似火焰区域进行排除,如灯光、太阳光等;最后,利用形态学操作方法,进一步提高对真实火焰检测的准确性。通过实验结果表明,该方法能够滤除疑似火焰的干扰,有效检测出真实火焰,且在复杂背景下仍有很好的抗干扰能力和识别准确率。     

基于改进YOLOv4模型的番茄成熟度检测方法

目的:解决现有番茄成熟度检测方法存在的检测精度低和模型参数量多等问题。方法:基于番茄图像采集系统,提出了一种改进的YOLOv4模型用于番茄成熟度自动检测。将轻量级网络MobileNetv3网络引入模型替换CSPDarkNet53网络,降低模型复杂度。在SPP模块中采用平均池化替代最大池化,提高算法对小目标的检测精度。在上采样过程中引入注意力机制CBAM增强深浅层特征融合能力,并通过试验验证所提模型的可行性。结果:与常规方法相比,试验方法在番茄成熟度检测中具有较高的检测mAP值和运行效率,且模型参数量较少,mAP值为92.50%,检测速度为37.1 FPS,模型参数量为48 M。结论:该番茄成熟度检测方法能有效降低模型参数和检测时间,具有较高的检测mAP值。     

基于YOLOv7-Sim和无人机遥感影像的烟株数量检测

植株数是用于监测作物生长状况和估测产量的重要田间表型性状。为实现烟草植株数高效自动清点,针对无人机遥感影像烟株检测中存在小尺寸聚集目标容易漏检的问题,提出了一种YOLOv7目标检测优化模型YOLOv7-Sim。首先引入Sim AM注意力机制增强图像特征之间的聚合能力;然后加入小目标检测层强化算法对小目标的检测能力;再对定位损失函数进行优化,引入了EIOU定位损失函数;最后利用分块策略解决大图像检测中小目标容易采样丢失的问题。在VisDrone2019数据集和本文构造的UAVTob无人机遥感影像烟草数据集上的检测结果显示,检测均值平均精确率mAP@0.5提升了0.3%和6.3%,mAP@0.5:0.95提升了0.6%和18.3%,YOLOv7-Sim算法对无人机遥感影像中的烟株检测更具优越性。     

基于YOLOv3的多类烟草叶部病害检测研究

烟草叶部病害种类繁多,病理复杂,严重影响烟草产量及品质,烟草病害精准检测是烟草病害及时防治的前提。传统检测方式精准性差、效率低,基于深度学习的算法可提高烟草病害检测准确性。本文以5种较为常见的烟草病害（普通花叶病、黄瓜花叶病毒病、赤星病、烟草野火病、气候性斑点病）为研究对象,构建基于YOLOv3的烟草病害检测模型,实现烟草多类病害的精准快速检测。使用Darknet53特征网络提取烟叶病害特征并将不同尺度病害特征融合,并用K-means++算法对融合后特征进行分类和位置预测,通过非极大值抑制算法（NMS）去除冗余框,得到病害区域预测框。用田间实际采集的烟草病害数据集,对构建的YOLOv3病害检测模型与SSD(Single Shot multibox Detector)模型对比测试。结果表明,YOLOv3的mIoU为0.81,明显优于SSD的0.73,且YOLOv3模型的mAP为0.77,也高于SSD的0.69。本研究构建的YOLOv3烟草病害检测模型能有效定位烟叶病害区域,实现多类烟草病害的检测,为精准病害防治提供参考。     

基于改进YOLOv5s的森林烟火检测算法研究

该文提出一种基于改进YOLOv5s的森林烟火检测算法,通过引入GSConv轻量化卷积和消除网格敏感度的策略,在原始YOLOv5s模型的基础上优化。在烟火数据集上进行广泛的实验,同时将改进的算法部署到无人机上进行真机测试。实验结果表明,经过改进的模型在森林烟火检测任务中取得显著的性能提升。模型的平均精度达到90.65%,且检测耗时仅为4.1 ms,满足烟火检测的高精度和实时性要求。这一研究为森林烟火检测算法的实际应用提供有力支持,具有重要的实际意义和应用价值。     

基于CenterNet模型的烟草甲虫视觉检测方法设计

【目的】实现卷烟厂烟草甲虫的精准检测,掌握虫情规律。【方法】使用数据增强技术提供的充足样本数据训练出理想的CenterNet模型,采用CenterNet模型对烟虫进行实时检测。【结果】(1)CenterNet模型在测试数据集中烟虫检测精度能够达到94%以上。(2)该模型对于烟丝、粉尘颗粒等干扰因素具有一定的抗干扰能力,能实现对烟厂烟虫的精确检测,对于小个体烟虫及粘连烟虫也能获得较优的检测结果。【结论】基于CenterNet模型设计的烟虫检测报警系统能准确统计出烟虫数量,为虫情的有效预警与防治提供了保障。     

基于PP-PicoDet的半自动标注烟丝异物检测研究

【目的】应用半自动标注技术和轻量级目标检测模型,实现烟丝异物实时检测模型的快速开发和落地应用。【方法】在少量标注的样本上使用picodet-s-320训练基础模型,基于该模型生成对剩余数据样本的预测标注,人工矫正预测标注结果I后,.使用picodet-l-640训练基于全量数据的最终应用模型。【结果】数据标注效率提升223%,迭代周期缩短到1d,训练模型m APoU=o5达到1.000,测试集上漏检率为0%、误检率0.3%,部署模型推理速度提高291%,试运行期间无漏检,多检误报控制在0.23次/批。【结论】采用基于PP-PicoDet的半自动标注技术,大幅缩短算法的开发和迭代周期,模型的预测速度、精度、通用性好,可实现制丝工序烟丝异物的实时检测处置。     

基于改进的C-V模型的东北松子外部品质等级检测研究

提出了东北松子外部品质的无损等级划分方法。利用CCD相机获取松子图像,采用改进的C-V模型实现松子轮廓特征的提取;利用数学形态学的方法,提取松子的果长、横径特征参数,并与实际测量值间构建数学模型;根据提取出的特征参数,建立松子外部品质综合等级评定标准。实验结果表明,采用本文方法能够实现同时对多个东北松子外部品质的等级划分,且划分的平均准确率为97.2%。      

基于改进的Faster R-CNN的小目标储粮害虫检测研究

针对小目标储粮害虫图像的检测问题,提出了一种基于特征金字塔网络的Faster R-CNN改进模型对图像中的小目标进行检测。本文以5种常见的储粮害虫为检测目标,样本中通过随机组合的方式混合不同种类的储粮害虫进行拍照取样,通过对原始图像数据进行目标扩充后构建了含942张储粮害虫图像的数据集（CSGP）。在改进模型的特征金字塔网络结构中,特征提取网络产生的高层特征图通过下采样方式逐步对底层特征图进行融合,生成适合多尺度目标检测的特征图。实验结果表明,采用训练集目标扩充的方式,储粮害虫图像的目标检测结果mAP提升了2.21%;改进后的模型进一步使得储粮害虫图像检测的mAP达到96.69%。最后,设计了一套粮仓内的储粮害虫监测系统。