基于改进YOLOv3的浮游藻类检测算法

浮游藻类的种类多样性和群落结构是水生态环境建设评价的重要指标,利用细胞图像对其进行识别是实现浮游藻类检测的重要手段。相较于传统的显微镜检法,基于深度学习的目标检测算法因更高效的检测能力而越来越多地被运用到浮游藻类检测领域。针对YOLOv3目标检测算法对部分形态小、边界模糊和粘连浮游藻类的检测精度低等问题,采用空间金字塔池化（SPP）结构改进了YOLOv3目标检测算法的特征提取方式,采用广义交并比（GIoU）边界损失函数改进了YOLOv3目标检测算法的边界损失函数,最终构建了一种基于SPP和GIoU改进的YOLOv3浮游藻类检测算法（SPP-GIoU-YOLOv3）。实验结果表明：在检测速度无明显差异的情况下,所提SPP-GIoU-YOLOv3分类检测算法对实验藻类的平均精度均值达95.21%,比YOLOv3目标检测算法提高了4.24个百分点。本研究为发展准确快速的浮游藻类检测方法技术提供了一定的基础。     

基于改进YOLOv3的单阶段目标检测算法

针对目标检测领域对高检测精度和高检测速度共存的需求,提出了一种单阶段目标检测算法即性能平衡的YOLO算法(B-YOLO),该算法首先引入空间注意力机制,利用多尺度最大池化层增大感受野范围;然后采用跨阶段局部连接结构和直通层优化主干网络结构,改善计算效率;最后在多尺度检测结构中增加自下而上的路径,并使用拼接操作进行横向连...     

基于改进YOLOv3的安全帽佩戴识别算法

针对传统安全帽佩戴识别算法检测精度低、鲁棒性差的问题,提出了一种基于深度学习的安全帽佩戴检测方法.该方法以YOLOv3检测算法为基础,对其网络结构和损失函数加以改进.首先,通过增加特征图弥补原YOLOv3算法对小目标检测效果不佳的问题;然后在增加特征图的基础上,使用K-means聚类算法对收集的安全帽数据集进行聚类,选...     

改进Vibe前景提取的YOLOv3烟雾目标检测方法

在使用计算机视觉方法对烟雾目标进行检测时需要考虑环境因素的影响,直接进行检测易出现漏检、误检问题。因此提出一种基于改进Vibe前景提取的YOLOv3烟雾目标检测方法。首先使用CLAHE增强图像对比度,通过改进的Vibe前景提取方法检测并提取疑似的烟雾目标区域,最后整合样本并使用目标检测算法YOLOv3对烟雾目标进行识别与定位。实验结果表明所提出的方法对复杂环境的烟雾目标检测具有更高的性能,更适用于烟雾目标检测任务。     

基于YOLOv3的人脸关键点检测

深度学习中神经网络强大的特征提取能力,使非约束场景下的人脸检测不再困难,于是人脸关键点的检测逐渐成为人脸检测的关注点,但目前为止较少算法具备对人脸关键点的检测能力.YOLOv3作为精度和速度均表现优异的算法,同样不具备关键点检测的能力.因此,文章提出基于YOLOv3的人脸关键点检测算法,该算法对YOLOv3改进,设计关...     

基于改进YOLOv3的安全帽检测方法研究

针对目前对工业现场安全帽佩戴检测过程中出现的检测准确率低和实时性弱问题,提出一种基于YOLOv3的改进模型。首先,采用K-Means++聚类算法,优化获取安全帽佩戴检测的先验框尺寸;在YOLOv3特征提取网络之后引入注意力模块(scSE);并在网络预测阶段,引入残差模块。实验表明：在自制安全帽佩戴检测数据集实验中平均准确率达到88.16%。相较于原始的YOLOv3算法,改进后算法对安全帽检测平均准确度有一定程度的提高。     

基于深度学习的SAR目标检测方法

高分辨率合成孔径雷达（Synthetic Aperture Radar,SAR）图像中不同目标的尺寸区别较大,这使得小目标的特征不明显,为目标检测带来了极大的挑战。针对这一问题,提出了SAR YOLO 960算法。该算法首先改进了图像输入大小的限制,将输入图像提升到960×960像素;进而改善了YOLOv3(You Only Look Once v3)网络的整体结构,修改并添加了卷积层和残差层,整体采用64倍降采样,使其速度大大提升;最后,根据SAR图像目标的特点,改进了损失函数,从而得到了SAR YOLO 960算法。在手工制作的高分辨率SAR图像数据集中的目标检测结果表明,相对于当前主流的检测算法,该算法性能显著提高;检测速度达32.8帧/秒,准确率达95.7%,召回率达94.5%。     

改进YOLOv3的船舶检测算法研究

针对当前内河通航情况复杂和船舶目标尺度变化大,船舶目标的检测技术存在准确率低和鲁棒性差的问题,文中提出一种MA-YOLOv3船舶目标检测算法。在DarkNet-53主干网络结构中增添一个浅层检测尺度,并添加8倍上采样使其与最后一层检测尺度进行信息融合,利用8倍和2倍混合上采样的方式使特征信息进一步高效融合,有效地提升小目标的检测效果;然后,构建一种自适应特征处理结构,利用网络的自适应学习能力过滤无用的信息,保留有用的特征,从而减少梯度逆向传播时比例不一致的问题,有效增强网络对多尺度特征的检测效果。在公开的SeaShips船舶数据集上开展实验得出,所提算法检测精度高达95.45%,明显优于SSD、YOLOv3等其他主流的目标检测模型,该方法在船舶目标检测上具有优越性。     

基于改进YOLOv5的橘瓣检测方法

针对柑橘罐头厂生产橘子罐头时人工分类橘瓣效率差的问题,本文提出一种基于深度学习的橘瓣检测方法。以柑橘罐头厂生产线上的橘瓣为对象,实地采集图像并制作了一个具有2 500张图像的橘瓣数据集;在YOLOv5s模型的基础上针对橘瓣检测对象多、遮挡大的特点,融合注意力机制并改进了损失函数,得到改进的YOLOv5s模型。试验结果表明,在该模型上橘瓣检测的平均精度达到93.7%,单张图像检测耗时25 ms,基于改进YOLOv5s模型的橘瓣检测方法能够满足工厂生产线的实际应用需求。本方法可以为橘瓣自动化分类设备提供高精度的视觉指导。     

基于改进YOLOv3算法的行人检测研究

YOLOv3算法在单一物体目标检测时使用Darknet53作为主干,网络出现冗余现象,导致参数过多,检测速度变慢,传统的边界框损失函数影响检测定位准确性。针对这一问题,文中提出了改进YOLOv3算法的行人检测方法。通过构造以Darknet19为主干网络多尺度融合的新型网络,加快训练速度和检测速度,还通过引入广义交并比损失函数来提高检测精确度。实验结果表明,在行人检测数据集如INRIA行人数据集中,相比于原始算法,文中所提算法的精确度提高了5%。和Faster R-CNN相比,在保证准确率的情况下,采用文中算法使单张图片的检测速度达到了每张0.015 s。     

基于改进YOLOv3-tiny的轻量级车辆检测网络

针对现有的车辆检测网络模型大、不易部署的问题,提出一种基于改进YOLOv3-tiny的轻量级车辆检测网络.改进YOLOv3-tiny的特征提取网络,提高车辆检测的速度和准确性,将空间金字塔池化(Spatial Pyramid Pooling,SPP)融合到网络中,进行特征的拼接,提高网络的学习能力,利用距离交并比(Di...     

基于改进YOLOv3算法的带钢表面缺陷检测

针对热轧带钢表面缺陷检测中存在的检测速度慢、检测精度低等问题,提出了一种改进的YOLOv3算法模型.使用加权K-means聚类算法来优化确定先验框参数,提高先验框（priors anchor）与特征图层（feature map）的匹配度;同时,调整YOLOv3算法的网络结构,融合浅层特征与深层特征,形成新的大尺度检测图层,提高网络对带钢表面缺陷的检测精度.实验结果表明,改进后的YOLOv3算法在NEU-DET数据集上平均精度均值达到了80%,较原有的YOLOv3算法提高了11%;同时检测速度保持在50fps,优于目前其它深度学习带钢表面缺陷检测算法.     

基于改进轮廓跟踪的瞳孔快速检测

提出一种基于直方图二值化和改进的轮廓跟踪的瞳孔检测方法.首先对采集的瞳孔图像计算直方图,根据直方图特征取出合适的阈值进行二值化,再对二值化后的图像进行轮廓跟踪,得到精确的轮廓边界,进而得到直径、中心等信息.对前一帧瞳孔图像进行瞳孔信息计算后,后一帧图像以该瞳孔中心为中心,缩小检测区域进行直方图二值化及瞳孔轮廓跟踪,得到该帧图像的瞳孔信息,减少运算,加快检测速率.该算法鲁棒性高,速度快,可满足300帧/s的实时检测速度.     

基于改进YOLOv3的机载平台目标检测算法

针对小型智能侦察无人机机载平台存在的计算力受限、检测速度较慢的问题,提出了一种基于YOLOv3改进的目标检测算法.首先引入深度可分离卷积改进YOLOv3的骨干网络,降低网络的参数和计算量,提高算法的检测速度,再根据机载视角下目标形状的特点,预置K-means产生先验框的初始聚类中心,并在边框回归中引入CIoU损失函数,...     

基于改进YOLOv4-Tiny的成捆原木端面检测算法

原木贸易过程中,原木材积的精确测量与经济效益直接相关.通常,同一批木材的长度相对固定,其材积计算依赖于原木端面检测算法.但是,原木端面形状各异、数量不一,给成捆原木端面检测带来巨大的挑战.因此,为了减少原木端面图像中的漏检原木数目,使模型能够更加完整地识别图像中的所有原木,同时考虑算法模型的可移植性,提出一种基于改进YOLOv4-Tiny的成捆原木端面检测模型,通过引入压缩和激励(Squeeze and Excitation,SE)网络实现注意力机制以增强目标原木的特征,同时将YOLOv4-Tiny的解码网络中的卷积层改为深度可分离卷积(Depthwise Separable Convolution,DSC),减少了模型的参数量.实验结果表明,所提出的模型能够有效地提高原始YOLOv4-Tiny的检测性能,精准率达到了93.3％,召回率达到了95.07％,同时模型的权重大小相比较原始模型减少了29.91％.     

基于改进YOLOv4-tiny的轻量化室内人员目标检测算法

深度学习在室内人员检测领域应用广泛,但是传统的卷积神经网络复杂度大且需要高算力GPU的支持,很难实现在嵌入式设备上的部署。针对上述问题,该文提出一种基于改进YOLOv4-tiny的轻量化室内人员目标检测算法。首先,设计一种改进的Ghost卷积特征提取模块,有效减少了模型的复杂度;同时,该文通过采用带有通道混洗机制的深度可分离卷积进一步减少网络参数;其次,该文构建了一种多尺度空洞卷积模块以获得更多具有判别性的特征信息,并结合改进的空洞空间金字塔池化结构和具有位置信息的注意力机制进行有效的特征融合,在提升准确率的同时提高推理速度。在多个数据集和多种硬件平台上的实验表明,该文算法在精度、速度、模型参数和体积等方面优于原YOLOv4-tiny网络,更适合部署于资源有限的嵌入式设备。     

基于改进YOLO v5s算法的光伏组件故障检测

针对无人机在光伏组件巡检任务中红外故障图像识别准确率低、检测速度慢的问题,提出一种特征增强的YOLO v5s故障检测算法。首先对损失函数进行优化,将原有的回归损失计算方法由GIOU(generalized intersection over union)改为功能更加强大的EIOU(efficient intersection over union)损失函数,并自适应调节置信度损失平衡系数,提升模型训练效果;随后,在每个检测层前分别添加InRe特征增强模块,通过丰富特征表达增强目标特征提取能力。最后,用创建的红外光伏数据集进行对比验证。实验结果表明：本文方法均值平均精度（mean average precision, mAP）为92.76%,检测速度（frame per second,FPS）达到42.37 FPS,其中热斑、组件脱落两种故障类型平均精度分别为94.85%、90.67%,完全能够满足无人机自动巡检的需求。