用于智能垃圾分拣的注意力YOLOv4算法

针对人工垃圾分拣效率低、工作环境恶劣且成本高的问题,提出了一套智能可回收垃圾分拣系统,该系统采用RGB图像作为视觉信息输入,通过目标检测算法获取垃圾在传送带上的位置坐标信息,并通过机械臂对垃圾进行分拣操作。可回收垃圾形态各异、种类繁多,为提高检测算法的泛化能力,建立了一个含36 572帧图片的可回收垃圾数据集,并基于此数据集上训练目标检测算法。基于YOLOv4提出了嵌入注意力机制的目标检测算法Attn-YOLOv4,经实验验证,Attn-YOLOv4算法的mAP比原始YOLOv4算法高0.16个百分点。在静态识别功能的基础上,提出基于多线程的目标跟踪算法实现了对运动垃圾的快速稳定跟踪,在20 mm误差范围内达到了0.945的精确度。此外,后处理模块对图像进行形态学处理并获取垃圾的世界坐标以及放置角度,供机械臂进行分拣操作。分别对目标检测和跟踪算法进行验证,在实际分拣流水线上验证并评估了该智能可回收垃圾分拣系统的可行性、精度及分拣的成功率。     

智能移动垃圾分拣机器人设计与实现

随着我国人口红利逐渐减弱,以及计算机、工业自动化水平的提高,迫切要求通过自动化设备代替传统人工进行工作。本作品研究基于视觉识别技术的智能移动垃圾分拣机器人,能够进行路径规划遍历清扫区域,扫描识别垃圾并抓取垃圾。作品由导航单元、目标识别单元以及分拣控制单元三部分组成。导航单元基于ROS分布式框架,利用激光雷达采集清扫区域环境信息,实现基于扫描匹配算法的SLAM功能,并通过最优路径算法进行路径规划遍历清扫区域。机器人遍历过程中,由目标识别单元通过SSD_MobileNet_V2深度学习算法对摄像头获取的图像进行目标检测以及目标分类,获取目标的坐标及其角度信息作为分拣控制单元的输入信息,控制分拣控制单元执行垃圾抓取任务。     

基于改进Faster R-CNN的垃圾检测与分类方法

针对人工分拣垃圾环境差、任务繁重且分拣效率低的问题,为提高垃圾识别与分类的精确度,同时克服垃圾体积小及图像分辨率较低的难题,基于现有深度卷积神经网络模型,提出改进的Faster R-CNN目标检测模型与VGG16及ResNet50卷积神经网络相结合的方法。根据卷积网络的特性,修改Faster R-CNN网络结构,提升小目标检测任务精度,采用Soft-NMS算法替代传统的非极大值抑制算法,并对参数进行敏感分析,确定其参数范围为0.4~0.7。实验结果表明,与传统Faster R-CNN算法相比,该方法平均精确度提高8.26个百分点,综合识别率达到81.77%,且能够减少图像处理时间。     

基于深度学习的智能垃圾分拣车系统

针对生活垃圾的高效分类及搬运处理,设计了一款以边缘嵌入式AI设备Jetson Nano为控制器的光电智能小车系统,该系统设计以YOLOv5为目标检测算法,以Pytorch1.8.1为深度学习框架.使智能小车从指定区域出发,通过自身的光电传感器在指定范围内搜寻垃圾,利用六轴机械臂对垃圾进行分拣并送到指定分类地点.对采集到...     

基于卷积神经网络的垃圾图像分类算法

垃圾分类作为资源回收利用的重要环节之一, 可以有效地提高资源回收利用效率, 进一步减轻环境污染带来的危害. 随着现代工业逐步智能化, 传统的图像分类算法已经不能满足垃圾分拣设备的要求. 本文提出一种基于卷积神经网络的垃圾图像分类模型(Garbage Classification Network, GCNet). 通过构建注意力机制, 模型完成局部和全局的特征提取, 能够获取到更加完善、有效的特征信息; 同时, 通过特征融合机制, 将不同层级、尺寸的特征进行融合, 更加有效地利用特征, 避免梯度消失现象. 实验结果证明, GCNet在相关垃圾分类数据集上取得了优异的结果, 能够有效地提高垃圾识别精度.     

基于残差结构和幻象模块的垃圾图片分类算法

垃圾图片分类算法对于垃圾分拣的智能化和自动化具有重要的意义,针对我国垃圾分类现状,收集制作了小型生活垃圾数据集,提出基于残差结构和幻象模块的垃圾图片分类算法。使用幻象模块代替ResNet18的普通卷积,在不降低网络性能的同时减少了网络的参数量。采用数据增强方法扩充训练数据,防止过拟合。实验结果表明,改进后网络的参数量减少了46%,识别精度提高了1%。     

改进SSD的可回收垃圾检测方法

目前我国可回收垃圾的回收利用主要依靠人工分拣的方式,造成了人力资源浪费、资源利用率低等问题。为提高资源的回收利用,提出了一个基于改进single shot multibox detector（SSD）算法的可回收垃圾检测器。针对模型参数量大,难以部署应用的问题,选用新的主干特征提取网络,引入轻量化的网络RepVGG替换SSD中的VGG16网络,同时采用结构重参数化的方式大幅减少参数量和计算量。修改SSD的辅助卷积层结构,进一步减少参数量。针对数据集尺寸变化大的问题,引入SK模块,自适应调整感受野的尺寸,提高检测精度。实验结果表明,改进的SSD模型在可回收垃圾检测任务上具有较好的检测精度和实时性,精度为95.23%,相较于原始SSD提升了4.33个百分点,检测速度可以达到64?FPS,因此该算法可以更好地应用于工业。     

用于智能垃圾分选的轻量级检测算法

为实现垃圾分选自动化,确保垃圾正确分类,提出了一种基于YOLOv4的轻量级垃圾检测算法.算法对YOLOv4中的主干网络CSPDarknet53,使用层级调整后的MobileNetV3网络进行替换,使得网络架构更适用于YOLOv4网络,并提升网络的检测速度;同时结合Ghost模块和MobileNeXt网络结构思想,设计了一种全新的bottleneck,用以替换主干网络中的bottleneck,以提升模型的检测精度;接着在主干网络中添加大残差边结构,以提升网络的检测精度;然后在颈部网络之前添加CA (coordinate attention)注意力机制,进一步提升网络的检测精度;最后为避免K-means算法在聚类过程中陷入局部极值,使用二分K-means算法对垃圾检测数据集进行anchor box的重新聚类.实验结果表明,重新设计的网络与YOLOv4网络的mAP值相近,但参数量减少了89%,检测速度提升了51%, FPS值达到了67.5 (on NVIDIA GeForce RTX 3060),可实现部署到算力和内存较低的嵌入式设备中.     

一种城市生活垃圾智能检测分类系统设计

针对目前分类垃圾桶自控能力不足、分类效果差等问题,提出一种基于深度学习的城市生活垃圾智能检测分类系统设计,利用垃圾桶入口处的摄像机进行垃圾图像采样,再通过深度学习技术识别垃圾种类,进而触发分拣设备,实现生活垃圾精准分类投放.该系统具有高效、环保、节能等特点,在资源回收利用、保护环境等方面具有一定的应用价值.     

一种基于SIMATIC S7-1200控制系统的户外智能垃圾分拣箱设计

为提高垃圾分类效率,降低后续处理工作的难度,提出了一种基于SIMATIC S7-1200的户外智能垃圾分拣箱结构及控制系统的方案,并对其工作原理及结构进行了全方面的介绍。该智能分拣箱具备垃圾种类自动识别和分拣功能,能有效地完成垃圾分类收集环节的预分拣工作,同时具备远程监控功能以便管理人员及时地监控各设备的运行情况。     

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。     

轻量化的YOLOv4目标检测算法

YOLOv4目标检测算法主干网络庞大且参数量和计算量过多,难以部署在算力和存储资源有限的移动端嵌入式设备上。提出一种改进的YOLOv4目标检测算法,使用轻量化的ShuffleNet V2网络作为主干特征提取网络,更换模型激活函数及扩大卷积核,同时将YOLOv4网络中的普通卷积替换为深度可分离卷积,降低算法参数量、计算量和模型占用空间。在ShuffleNet V2网络结构的改进过程中分析并剪裁其基本组件,利用2个3 × 3卷积核级联的方式增强网络感受野,并使用Mish激活函数进一步提升网络检测精度和模型推理速度。在GPU平台和VisDrone 2020数据集上的实验结果表明,与YOLOv4算法相比,改进的YOLOv4算法在牺牲1.8个百分点的检测精度情况下,提高了27%的检测速度,压缩了23.7%的模型容量,并且能够充分发挥ZYNQ平台并行高速数据处理及低功耗的优势。     

YOLOv4口罩检测算法的轻量化改进

针对当前YOLOv4目标检测算法网络模型庞大、特征提取不充分且易受光线环境影响的缺点,提出了一种优化了特征提取网络和一般卷积块的轻量化YOLOv4-Lite网络模型。使用改进的MobileNetv3替换原有的主干特征提取网络,减小了网络模型的参数量,提高了检测精度。提出了使用深度可分离卷积块代替原网络中的普通卷积块,使得模型的参数量进一步降低。结合了标签平滑、学习率余弦退火衰减算法,新增了SiLU激活函数代替MobileNetv3浅层网络的ReLU激活函数,优化了模型的收敛效果。优化了Mosaic数据增强方法,提升了模型的鲁棒性。在人脸口罩佩戴任务中与原算法相比,牺牲了1.68%的mAP,但在检测效率（FPS）上提升约180%。     

改进YOLOv5的轻量级安全帽佩戴检测算法

针对现有的对安全帽佩戴检测算法的参数多、网络复杂、计算量大、不利于在嵌入式等设备进行部署,且对遮挡目标辨别度差等问题,提出了一种改进的轻量级的安全帽检测算法YOLO-M3,先将YOLOv5s主干网络替换为MobileNetV3来进行特征提取,降低了网络的参数量和计算量.使用DIoU-NMS替换NMS,提高对遮挡目标的辨...     

基于改进YOLOv4算法的轻量化网络设计与实现

在嵌入式设备上进行目标检测时易受能耗和功耗等限制,使得传统目标检测算法效果不佳。为此,对YOLOv4算法进行优化,设计YOLOv4-Mini网络结构,将其特征提取网络由CSPDarkNet53改为MobileNetv3-large并进行INT8量化处理,其中网络结构利用PW和DW卷积操作代替传统卷积操作以大幅减少计算量。采用SE模块为通道施加注意力机制,激活函数层运用h-swish非线性激活函数,在保证精度的情况下降低网络计算量。同时,通过量化感知训练将权重转为INT8类型,以实现模型轻量化,进一步降低网络参数量和计算量,从而在嵌入式设备上完成无人机数据集的目标检测任务。在NVIDIA Jetson Xavier NX设备上进行测试,结果显示,YOLOv4-MobileNetv3网络的mAP为34.3%,FPS为30,YOLOv4-Mini网络的mAP为32.5%,FPS为73,表明YOLOv4-Mini网络能够在低功耗、低能耗的嵌入式设备上完成目标实时检测任务。     

基于YOLOv5改进的轻量化目标检测

针对移动端目标检测算法需要模型参数量与计算量更少、推理速度更快和检测效果更好以及目标检测算法对于小目标误检、漏检及特征提取能力不足等问题, 提出一种基于YOLOv5改进的轻量化目标检测算法. 该算法使用轻量级网络MobileNetV2作为目标检测算法的骨干网络降低模型的参数量与计算量, 通过使用深度可分离卷积结合大卷积核的思想降低网络的计算量与参数量, 并提升了小目标的检测精度. 使用GhostConv来替换部分普通卷积, 进一步降低参数量与计算量. 本文算法在VOC竞赛数据集, COCO竞赛数据集两份数据集上均进行了多次对比实验, 结果表明本文算法相比于其他模型参数量更小、计算量更小、推理速度更快以及检测精度更高.     

改进YOLOv5的轻量级带钢表面缺陷检测

针对工业场景下设备资源有限的情况,提出一种改进YOLOv5的轻量化带钢缺陷检测模型.首先,使用Shuffle Netv2代替主干特征提取网络,优化模型参数量和运行速度;其次,采用轻量级上采样算子CARAFE (contentaware reassembly of features),在增大感受野的同时进一步降低参数和计算量;同时引入GSConv层,在保证语义信息的同时平衡模型准确性与检测速度;最后,设计一种跨层级特征融合机制,提高网络的检测精度.实验结果表明,改进后的模型的平均检测精度为78.5%,相较于原始YOLOv5算法提升了1.4%;模型计算量为10.9 GFLOPs,参数量为5.88×10⁶,计算量和参数量分别降低31%和15.4%;检测速度为49 f/s,提升了3.5 f/s.因此,改进后的模型提高了检测精度和检测速度,并且大幅降低了模型的计算量和参数量,能够满足对带钢表面缺陷进行实时检测.     

多目标小尺度车辆目标检测方法

车辆目标检测是智能交通系统中的重要环节,针对传统车辆目标检测方法效率低、小目标检测效果不好、漏检率高等问题,提出一种基于改进的YOLOv3网络车辆目标检测算法.为了提高车辆检测的效率,利用轻量化模型MobileNetv2代替原YOLOv3中的特征提取网络,使得网络计算量相比原算法有所降低.为了有效提高网络对小尺度车辆目标的检测能力,网络将由高到低不同尺度的特征层融合之后进行目标检测.为了得到更丰富的语义特征信息和提高网络预测能力,增加了特征增强模块.同时针对车辆目标检测的特定应用,利用K-means方法对锚框重新聚类以满足车辆目标检测的特定需求.结合以上改进获得车辆目标检测网络YOLOv3-M2,实验结果表明,与YOLOv3相比,改进方法平均检测准确率增加约9%, 时间减少约一半,能够同时提高检测效率和小目标检测能力.