采用改进YOLOv5网络的遥感图像目标识别方法

针对无人机目标识别中因遥感图像模糊、成像距离远、目标图像占比小等使得目标识别准确度不高问题,提出了一种基于改进YOLOv5网络的方法.该方法通过改进损失函数、改进特征金字塔网络(FPN)结构和增加平衡系数来提高目标识别效果.实验结果表明,在相同训练条件下,相比原始YOLOv5网络,改进YOLOv5网络对目标占比小于5％...     

一种面向变电站巡检作业增强现实应用的变电设备缺陷识别检测算法

变电站巡检作业增强现实应用的关键之一是解决现有图像处理算法检测速度慢、适应性差、难以实现增强现实应用视频流实时处理的问题。为了解决这一问题,基于改进YOLOv3算法,提出了一种变电设备缺陷快速检测方法。该方法首先建立YOLOv3目标检测模型,并借鉴DenseNet思想对特征提取网络进行优化;然后,通过对训练样本库进行聚类分析得到目标候选区域的先验尺寸,通过优化损失函数来加快模型的训练过程,使模型更好地拟合变电设备缺陷特征;最后,通过建立变电设备缺陷样本库并进行训练,实现了变电设备缺陷检测。测试结果表明,基于改进YOLOv3的缺陷检测模型的图像处理耗时为21 ms/张,检测精度超过了Faster R-CNN(regionsconvolutional neural networks)、SSD(single shot multi box detector)等其他深度学习模型,能够满足变电设备巡检作业增强现实应用对图像缺陷实时识别的需求。     

轻量化YOLOv5s网络车底危险物识别算法

针对现有车底危险物检测模型结构复杂、参数量大、不易部署于端侧的问题，提出轻量化SG-YOLOv5s网络模型.对YOLOv5s网络的骨干和颈部进行优化改进，显著降低网络的参数量，大幅缩小模型的权重体积；在训练阶段采用Mixup数据增强，提高模型的泛化能力；采用SIoU替换边框回归损失函数CIoU，使危险物预测框更接近真实框，提高检测精度.鉴于车底危险物数据集较少的现状，利用智能小车拍摄大量车底碎片化图像，采用AutoStitch算法进行图像拼接，最终获得自建车底图像数据集.实验结果表明：在自建的9种模拟车底危险物数据集上，SG-YOLOv5s模型识别精确率为97.63%，相较于原YOLOv5s模型提升了1.26%，而参数量减少了71.27%，模型权重体积下降了71.28%，为后续识别模型的嵌入式部署提供了可能.     

轻量化卷积神经网络目标检测算法研究

为有效解决巡检机器人视觉神经网络在车间精准目标检测实时性相关问题。文中以YOLOv4检测算法为基础框架,通过分析机器人在车间巡检时影响检测速度和精度等主要因素,引入应用深度可分离卷积的MobileNetV3轻量化特征提取网络,利用改进LYOLO的损失函数,构建了一种轻量化网络目标检测算法。实验结果表明：LYOLO算法网络参数量降至44.74 MB,平均检测精度可达93.6%,单张图片检测耗时为0.01 s,对巡检时的综合检测定位及检测实时性均获得较大提升。     

基于改进YOLOv5s的水果目标检测研究

为了准确识别果树上不同的水果目标,解决对果实识别精度不理想等问题,提出一种基于YOLOv5s的改进算法。首先,在回归框预测损失上,将EIoU损失函数应用到YOLOv5s上,使目标框与锚框的宽度和高度之差达到最小;其次,在主干网络上添加ECA-Net注意力机制,以更好地提取不同果实目标的特征。实验结果表明,YOLOv5s+ECA+EIoU loss的综合性能优势明显,与现有的几种网络算法对比,改进后的算法各项数据均优于其他算法,进而验证了改进的有效性,可以为机器人采摘时的目标检测研究提供必要的技术支持。     

基于改进型PPYOLOE的电力标志牌检测识别技术研究

针对电力巡检中标志牌难以被高精度识别问题,提出了一种基于改进型PPYOLOE的电力标志牌检测识别模型。首先,通过改进RepResBlock模块结构,加强卷积核单一参数的特征表达能力,增加模型权重维度的同时提升整个网络的泛化能力;然后,引入CIoU损失函数,解决了预测框与真实框不相交、收敛慢的问题,保证预测框和真实框的宽高比更为接近,提高回归精度;最后,改进数据增强Mosaic方法,降低负样本误检率,提高了模型精度和鲁棒性。实验结果表明:所提方法显著提高了检测模型性能,平均精度达98.4%,量化和蒸馏后检测模型体积压缩为原来的26.1%,自制样本库使文字检测和识别精度均超过90%。     

改进YOLOv4算法的袋料香菇检测方法

为探索对袋料栽培香菇的机械式采摘,提出一种基于改进YOLOv4的识别算法。主要改进方法为：在PANet(Path Aggregation Network)结构中,增加一条具有残差注意力机制的特征图路径,提高对小目标的识别精度,并用深度可分离卷积结构替换PANet网络中卷积层,降低了参数量。使用Focal loss损失函数改进原置信度损失函数。在数据预处理方面,采用gamma变换方法对数据进行增强扩充。在训练过程中利用迁移学习的思想,对主干网络载入VOC数据集的预训练权重。相比原YOLOv4算法,mAP值增加了4.82个百分点,达到94.39%,算法参数量降为原来的58.13%,算法更加高效和轻量化,为机械采摘提供视觉算法支持。     

基于注意力模型的输电线路隐患检测

为了提高输电线路巡检效率，解决高空悬挂物和鸟巢检测准确率低的问题，提出将注意力模型集成到YOLOv5网络的输电线路隐患检测算法。该算法将SE注意力模型融入YOLOv5网络当中，得到通道级别的全局特征，增强模型对通道特征的敏感性，提高了对高空悬挂物和鸟巢检测的准确率。在一组输电线路隐患图像上进行广泛实验，结果表明，带有注意力模型的YOLOv5网络对高空悬挂物检测的平均准确率为84.2%，对鸟巢的平均准确率为87.4%，该方法检测到的m AP值比直接使用YOLOv5算法高2%。     

基于改进YOLOv4的电力高空作业安全带检测

为了让电力工作人员在电力作业中采取规范的防护措施,提出了一种基于改进YOLOv4的电力高空作业识别及安全带佩戴检测算法。首先,该算法采用MobileNetv2作为主干提取网络,在保证较好的特征提取效果同时降低了网络的参数量,提高模型的识别速度;然后使用K-means聚类算法对数据集中的目标边框重新聚类,并调整空间金字塔池化结构,提高模型的检测精度;最后使用Soft-NMS算法替换原NMS算法降低目标的漏检率。实验结果表明,改进YOLOv4网络模型比原YOLOv4模型mAP提高3.2%,检测速度提高30fps,模型的训练权重大小压缩4.16倍,算法在高空作业安全带检测上具有很强的实用性和高效性。     

利用注意力机制融合的YOLOv5遥感图像目标检测

遥感图像目检测与识别是近年来国内外研究的热点之一。针对检测任务中因目标密集分布、目标尺度不一所导致的精度不高等问题，提出了一种改进YOLOv5的融合注意力机制目标检测算法。首先，将坐标注意力机制(Coordinate Attention, CA)分别融合到YOLOv5的骨干网络、颈部和输出端3个位置，以提高模型的特征提取能力。其次，进行训练和测试，实验结果表明，骨干网络位置最适合融合注意力，能够有效增强模型的检测性能。再次，采用CIoU＿loss作为损失函数，以改善目标检测框的定位精度。最后，进行消融、对比实验，结果表明，提出的改进算法相较于原始YOLOv5算法具有更好的检测性能，mAP50提高了2.9个百分点，有效提高了遥感图像的目标检测精度。     

基于密集YOLOv3的印刷电路板缺陷识别

对印刷电路板加工过程中微小缺陷的精准检测是保证电子产品质量的前提。 由于电路板缺陷的特征尺寸极小,电路复杂,现有的目标检测方法存在很多不足。 针对这一问题,在 YOLOv3 算法的基础,提出了一种用于印刷电路板缺陷检测的密集 YOLOv3 目标检测算法。 首先,用密集连接卷积网络模块代替 YOLOv3 算法特征提取网络中的部分残差网络单元,增强网络的特征重用;其次,对损失函数加以改进,用预测框和真实值之间的广义交并比来解决交并比为零时无法继续优化的问题。 所提出的密集 YOLOv3 算法在扩充后的印刷电路板缺陷数据集上得到了有效地验证。 实验结果表明,与其他识别算法相比,所提算法在识别精度提高的同时,算法尺寸也有所减小。     

面向无人机巡检的农村输电线螺栓锈蚀检测

针对农村地区输电线路螺栓锈蚀情况严重且不易检测的问题,提出一种利用深度学习目标检测网络的螺栓锈蚀检测方法,首先自制无人机图像数据集,然后利用二阶微分锐化和暗通道去雾对螺栓图像进行锐化和去雾处理,最后使用YOLOv5网络模型进行数据集的训练与测试,相比其他网络模型检测精度更高,其平均精度均值达93.6％.结果 表明,所提方法能够有效实现无人机巡检图像中螺栓部件的识别与锈蚀检测.     

基于EfficientNet-YOLOv5s的绝缘子缺陷检测

针对目前复杂背景下绝缘子缺陷小目标检测准确率低的问题,提出一种深度学习框架下的EfficientNet-YOLOv5s神经网络检测算法,首先通过无人机航拍输电线路中含有各类绝缘子的图像,并通过图像增强技术丰富图像数据集,然后用EfficientNet网络替换YOLOv5s主干网络,用改进的网络对标注的绝缘子数据集进行训练和测试,最后对模型的损失函数和非极大值抑制算法加以改进,进一步解决绝缘子目标重叠导致的漏检问题。实验结果表明,改进的网络平均精度达到98.5%,满足输电线路中绝缘子缺陷检测要求。     

面向无人机航拍图像小目标检测方法

针对航拍图像目标检测中小目标特征模糊问题,提出一种改进YOLO＿v5x的目标检测算法。通过在YOLO＿v5x的主干和颈部网络中添加空间到深度(space-to-depth,SPD)模块来减少细粒度信息丢失;在检测输出端添加1个小目标预测头,提高算法学习低分辨率特征的效率;引入协调注意力(coordinate attention,CA)机制,将横向和纵向的位置信息编码到通道注意中,增强网络对不同维度特征的提取能力;在完整交并比(complete-intersection over union,CIOU)损失函数的基础上引入Alpha交并比(α-IOU)损失函数,获得更准确的边界框回归,实现图像中目标更精确的定位。通过在Visdrone数据集上对改进YOLO＿v5x算法进行训练和对比实验,结果表明：相比于原YOLO＿v5x,改进目标检测算法的平均检测精度提升了7.8%,小目标检测的平均精度达23.9%,能够有效识别无人机航拍图中的小目标;相比于RetinaNet、YOLOX-S、Grid-RCNN等目标检测算法,改进目标检测算法的小目标检测平均精度最高,在当前主流检测小目标算法中达到先进水...     

改进的YOLOv4头盔佩戴目标检测研究

针对骑手在骑行时是否佩戴头盔对交通安全的影响问题,提出了一种改进的YOLOv4算法,能够更准确地识别和检测骑手是否佩戴头盔,从而为骑手提供安全保障。首先,选择轻量级网络MobileNetv1作为主干特征网络,并将YOLOv4网络中尺寸为3×3、步长为1的标准卷积层均替换为深度可分离卷积,减少模型计算量的同时提升检测速度;其次,引入ECA注意力机制,关注重点特征并抑制非必要特征,增加特征网络表现力;最后,引入改进的损失函数Focal-EIOU,改善常见的样本不均衡问题。实验结果表明：改进的YOLOv4算法生成的模型权重大小为48.43 M,是YOLOv4算法权重大小的19.3%,检测速度由33.40帧/秒提升至50.40帧/秒,mAP值为95.56%,在满足精确性的前提下更有利于轻量化部署。     

基于改进YOLOv4-tiny算法的车距预警方法

针对现有网络难以实时精确识别道路检测目标及车距的问题,提出了一种基于改进YOLOv4-tiny算法的车距预警方法。首先,总结了YOLOv4-tiny算法的特征提取结构,分析了原网络结构的不足之处。其次,在原网络中增加了空间金字塔池化层SPPF进一步提取目标特征,增强深层次语义信息表达能力,并将特征金字塔网络(FPN）结构添加下采样通道和CSPnet层,充分融合多尺度图像特征,避免浅层信息丢失。最后,使用Mosaic数据增强方法丰富数据集训练样本,并将改进YOLOv4-tiny算法与单目测距原理相结合,依据车距大小设置3种级别的信息提示进行车距预警实验。结果表明：本文算法在PASCAL VOC数据集上的检测速度为43帧/s,平均精度达到81.25%,较YOLOv4-tiny算法提高了3.59%。可见,改进YOLOv4-tiny算法在满足检测实时性要求的同时,具备良好的目标检测精度,对提升车距预警方法的使用效果具有指导意义。     

改进YOLOv5的沥青路面裂缝检测方法

针对YOLOv5在裂缝图像目标检测中未能考虑到裂缝图像背景复杂,检测目标较小导致检测效果不佳和易出现误检漏检的问题,提出了一种改进YOLOv5的沥青路面裂缝检测方法。该算法首先将轻量级Mobilenet v3的网络作为YOLOv5的特征提取骨干网络,以降低模型复杂度并加快推理速度。同时,在网络预测端引入高效通道注意力机制,提升网络局部特征捕获和融合能力。最后,通过一个嵌入Panet模块来强化裂缝图像的多尺度特征表达能力,提高对小目标的检测效果。实验结果表明,相比于原始YOLOv5算法,改进后的YOLOv5进行沥青路面裂缝检测的平均精度提高了5.6%,模型参数量降低了86.3%,图像检测时间减少了75.8%。     

匹配输电线路巡检需求的无人机选型研究

近年来,无人机在电力行业输电线路巡检方面得到广泛应用,输电线路无人机自动化巡检技术因其独特的优势受到国内外研究机构及相关部门的广泛关注。但随着巡检任务需求的快速增长,以及市面上所能选择的无人机平台及其载荷类型越来越多,导致快速完成无人机平台选型的难度增加,通常需要耗费大量人力完成筛选匹配工作。因此,根据任务需求,如何快速可靠地完成无人机平台选型是输电线路自动化巡检研究领域需要重点解决的问题之一。为了解决该问题,该文提出了3层结构的基于异构神经网络的快速匹配选型模型。在模型第1层,提出改进型的独热向量算法,完成了巡检任务相关因素的数值化,并输出任务需求矩阵;在模型第2层,提出基于时间递归神经网络（LSTM）神经网络结构的参数指标生成模型,根据任务需求矩阵生成所需的载荷相应参数;在模型第3层,提出了基于决策树网络的匹配模型,根据生成的参数指标确定最终的无人机平台参数和型号。最后,通过真实选型案例数据,验证了该模型算法的有效性。     

一种基于改进YOLOv5s的车道线检测方法

为提高车道线检测的实时性与准确性,在机器学习的框架下,提出了一种基于改进的YOLOv5s模型检测方法。该方法在图像预处理后增加了一个二值化通道与原图像一起更新数据集;为了高效提取车道线特征,加入anchor-free改进其锚框问题;为节省GPU内存、增强机器对目标的识别能力,采用mixup与mosaic结合的方式增强数据;为加快收敛速度和提高识别准确率,将损失函数改进为EIOU。实验结果表明,所提检测算法能够实现较为准确的车道线检测,实时性和准确性比YOLOv3的高很多,mAP增加了约30%,与YOLOv5s相比,其mAP约增加了11%,且改进方法具有良好的鲁棒性。     

基于YOLOv5s和Android部署的电气设备识别

针对变电站多种电气设备实时检测的需求,提出了一种基于改进YOLOv5s的电气设备识别方法,并设计基于Android部署的电气设备识别APP,以便对电气设备进行识别与学习。以电力变压器、绝缘子串等6种常见变电站电气设备为例构建图像数据集。数据集进行图像预处理后对YOLOv5s算法进行改进。通过引入C2f模块提高小目标检测精度,采用Soft-NMS提高检测框筛选能力,减少漏检和误检的情况,使用改进后的算法对数据集进行模型训练。将训练好的识别网络模型通过TensorFlow Lite框架进行模型部署,设计电气设备识别APP。经验证,改进后的变电站电气设备识别网络模型mAP稳定在91.6%,与原模型相比提高了3.3百分点。部署后的APP具有设备识别和设备介绍等界面,使用移动端进行识别时每张图片识别时间都小于1 s,具有较快的识别速度和较高的识别精度,可以高效地实现变电站电气设备的实时检测与设备学习。