基于改进ＹＯＬＯ ｖ５的道路小目标检测算法

针对小目标检测精度低、检测过程中易出现目标漏检和误检等问题,提出一种改进的YOLO v5道路小目标检测算法。首先在YOLO v5中计了ConvFocus模块;在特征融合部分使用双线性插值上采样操作,并插入5个CBAM注意力机制模块,减少小目标特征的丢失,增强小目标语义及位置信息;另外增加了一个大小为160×160的小目标检测层,利用浅层特征层中包含的丰富的语义及位置信息精确定位识别小目标。实验使用KITTI数据集,对该数据集进行处理并划分训练集和测试集。实验结果表明,改进的YOLO v5模型在KITTI数据集上平均精度均值达到96.5%,与原YOLO v5算法相比有显著提高,小目标检测效果更好。     

改进YOLO V3的道路小目标检测

针对通用目标检测算法在检测小目标时存在效果不佳及漏检率较高等问题,提出了一种基于改进YOLO V3的道路小目标检测算法。对YOLO V3算法网络模型中的聚类算法进行优化,使用DBSCAN+K-Means聚类算法对训练数据集聚类分析,选取更合适的Anchor Box,以提高检测的平均精度和速度;同时引入Focal Loss损失函数代替原网络模型中的损失函数形成改进的YOLO V3算法。进而与其他目标检测算法在KITTI数据集上对行人目标进行对比检测,发现改进的YOLO V3算法能够有效降低小目标漏检率,大大提高检测的平均精度和检测速度。实验结果表明,在KITTI数据集上,改进的YOLO V3算法检测目标的平均精度达到92.43%,与未改进的YOLO V3算法相比提高了2.36%,且检测速度达到44.52?帧/s。     

基于可变形卷积的改进YOLO目标检测算法

针对YOLO目标检测算法存在边界框定位不准确及对小目标检测精度低的问题,提出一种改进的YOLO目标检测算法dcn-YOLO。使用k-means++算法聚类出更符合数据集尺寸的锚盒,以降低初始点对聚类结果的影响并加快网络训练收敛速度。构建残差可变形卷积模块res-dcn,分别采用将其嵌入YOLO第一特征提取头模块中和替换3个YOLO特征提取头模块的方式,构建两种改进的dcn-YOLO算法,使网络可以自适应地学习特征点的感受野,从而对不同尺寸和形状的目标提取更有效的特征,提高检测精度。在VOC数据集上的实验结果表明,该算法能有效提高目标检测精度,mAP达到82.6%,相比YOLO、SSD、Faster R-CNN,分别高出了2.1、5.2、9.4个百分点。     

基于YOLO和深度残差混合网络的狗脸检测算法

YOLO算法对小目标检测的精度不佳,且狗脸存在部分遮挡及肤色与背景颜色较为相似等问题,识别难度较大.为此在YOLOv3框架基础上,利用深度残差网络在特征提取方面的优势改进YOLOv3的网络,提出基于YOLO和深度残差混合网络的狗脸识别方法(YOLO-resnet).实验结果表明,YOLO-resnet在ImageNet数据集上的检测准确率高达99.2％,明显高于其他深度学习目标检测算法,特别在小目标和目标面部部分被遮挡情形下的检测方面有明显提升.     

基于改进YOLO和迁移学习的水下鱼类目标实时检测

为了实现非限制环境中水下机器人基于视频图像的水下鱼类目标快速检测,提出基于改进YOLO和迁移学习的水下鱼类目标实时检测算法.针对YOLO网络的不足,设计适合水下机器人嵌入式系统计算能力的精简YOLO网络(Underwater-YOLO).利用迁移学习方法训练Underwater-YOLO网络,克服海底鱼类已知样本集有限的限制.利用基于限制对比度自适应直方图均衡化的水下图像增强预处理算法,克服水下图像的降质问题.利用基于帧间图像结构相似度的选择性网络前向计算策略,提高视频帧检测速率.实验表明,文中算法能实现在非限制环境下海底鱼类目标的实时检测.相比YOLO,文中算法对海底鱼类小目标和重叠目标具有更好的检测性能.     

基于改进YOLOv3的教室内人物识别

针对教室内人物目标的识别场景,研究了 目标检测算法YOLOv3的改进及测试.通过分析教室内人物目标识别的特点和YOLOv3网络特征提取架构,运用K-means++算法对anchor box进行宽高聚类,增大特征输出层anchor box数量,增加YOLOv3网络架构中104×104尺寸的特征输出层,得到改进后的YOLO...     

YOLO-K模型多目标检测算法研究

针对图像中目标过多、相似以及有遮挡的情况,提出了一种改进传统YOLO v3算法的新算法.首先,为了使改进的算法可以更准确的检测小尺度目标,在原算法的网络中增加浅层特征提取层,然后,为了提高大尺度目标的检测精度,在大尺度特征提取层上增加输出层,得到改进的YOLO-K模型,并通过数据集进行测试验证.实验结果表明,YOLO-...     

改进YOLO v3算法及其在安全帽检测中的应用

YOLO v3目标检测算法由于其速度快、精度较高,在工业中获得了广泛应用,但存在目标函数与评价指标不统一的问题,针对此问题提出了改进YOLO v3目标检测算法。该算法改进GIoU计算方法,并与YOLO v3算法目标函数相结合,设计了一个新的目标函数,实现了目标函数局部最优为IoU局部最优。公共数据集VOC2007和安全帽佩戴数据集测试结果表明,相比于YOLO v3算法,改进YOLO v3的mAP-50分别提高了2.07%和2.05%。     

基于I-YOLO模型的轴瓦零件缺陷视觉检测方法

轴瓦是水力测功器的重要零部件,其质量影响机组的安全运行。基于传统机器视觉的轴瓦缺陷检测方法存在准确率低、漏检率高的问题。针对该问题,提出一种基于改进YOLO模型的轴瓦缺陷检测方法。首先,对数据集进行图像预处理,扩大训练样本;然后,改进YOLO模型结构,通过候选框维度聚类和多尺度训练,提出一种新的IYOLO深度学习模型;最后,在轴瓦数据集训练和测试I-YOLO模型,并将该模型与YOLOv4、YOLOv3模型进行对比。结果表明,改进的I-YOLO模型在轴瓦缺陷检测中的准确率达到了98.73%,比YOLOv4、YOLOv3模型分别提高了3.01%、10.88%,证明改进的模型能在提高检测准确率的同时有效降低漏检率。     

基于改进LSD和AP聚类的路径边缘识别策略

起重机金属结构攀爬机器人的路径边缘识别策略分为 3 个步骤。①图像预处理,利 用改进的过颜色算子进行灰度化;②使用基于支持向量机(SVM)最优分类线的方法确定梯度阈 值,并增设主方向角约束,改进线段分割检测(LSD)算法,得到直线段检测图像;③对直线段进 行特征提取,构建聚类数据集,基于数据集动态变化的特点,将基于先验信息的判别模型与近邻 传播(AP)聚类算法相结合,改进 AP 聚类算法,对直线段进行聚类,筛选出构成路径边缘的直线 段,并拟合得到最终的路径边缘线。实验结果表明,相较 AP 聚类和其他聚类算法,改进 AP 聚 类算法的筛选准确率最高;基于改进 LSD 和 AP 聚类的路径边缘识别策略的识别成功率为 96%, 且满足精度和实时性要求。     

一种改进的深度残差网络行人检测方法

为了提高行人检测方法的准确率,针对行人图像特征,提出一种基于深度残差网络和YOLO(You Only Look Once)方法的行人检测方法。以加强行人特征表达为目的,通过分析行人在图像中的表达和分布特征,提出一种不影响实时性的矩形输入深度残差网络分类模型以改进YOLO检测方法,使模型能够更好的表征行人;为了进一步提高模型的准确率和泛化能力,采用了混合行人数据集训练的方式,提取VOC数据集的行人数据与INRIA数据集组成混合数据集进行训练,明显降低了漏检率;并且利用聚类分析预测框的方法重新设计了初始预测框,提高行人定位能力并加快收敛。经公开的INRIA数据集的测试实验证明,本方法较主流的行人检测方法每张图片误检率有明显改善,降低至13.86%,有1.51%至58.62%不同程度的提升,并且本方法拥有良好的实时性和泛化能力,实用性强。     

基于迁移学习的移动机器人单帧图像坡度检测算法

针对未知环境下移动机器人平稳上坡控制对坡度感知精度的要求,本文提出了一种基于迁移学习的移动机器人单帧图像坡度检测算法.利用室内图像标准数据集训练深度卷积神经场-全连接超像素池化网络(deep convolutional neural field-fully connected superpixel pooling ne...     

辅助驾驶的车辆与行人检测模型YOLO-DNF

为了解决YOLO系列目标检测算法存在的精度与计算成本不均衡、模型泛化性不足的问题,提出了可满足不同光照场景下目标检测需求的高精度快速的车辆与行人检测模型YOLO-Day Night and Fast(YOLO-DNF)。文中结合当下主流检测模型所使用的卷积神经网络分析卷积结构与网络深度对于主干网络特征提取能力和计算成本的影响,针对网络不同层次选取卷积结构Arrow-Block与CSP-Block搭建网络并通过量化堆叠单元的计算成本确定网络深度,提出低计算成本、高特征提取能力的ACNet网络。此外分析了白天与夜间图像的亮度差异,引入了HSV域扰动并提出亮度处理的数据增强策略,提升了模型的夜间检测精度,改善了模型泛化性不足的问题。实验结果表明：YOLO-DNF模型在SODA10M数据集仅含白天图像的训练集中训练后以每秒24.36帧的检测速率达到32.8%的全时段mAP检测精度,检测精度与速度超过目前主流检测模型。其中夜间精度达到了27.7%,扩展了模型的检测应用场景。     

基于双模型的输电线绝缘子自爆检测算法

针对输电线路无人机巡检图像中绝缘子自爆缺陷目标小而难以精准检测的问题,提出一种基于Faster R-CNN和改进的YOLO v3级联双模型的绝缘子自爆缺陷检测算法。首先,利用无人机巡检图像构建绝缘子串缺陷数据集,并对训练图像样本进行翻转预处理,增加样本数量,提高模型泛化能力,避免过拟合;然后,利用Faster R-CNN检测图像中的绝缘子串,再将检测到的绝缘子串图像送入改进的YOLO v3网络进行自爆缺陷的定位。改进的YOLO v3网络是在YOLO v3基础上借鉴FPN的思想,增加特征提取层并进行特征融合,充分利用深层特征和浅层特征;同时采用CIoU Loss函数作为损失函数,以解决边界框宽高比尺度信息。实验结果表明,本文算法在所构建的绝缘子缺陷数据集上的检测准确率达到91.2%,相比Faster R-CNN或YOLO v3等单模型检测算法提升了3.31个百分点以上,能有效实现无人机巡检中绝缘子自爆缺陷的检测,为输电线路智能化巡检故障诊断提供方法支持。     

基于多尺度联合权重分配的目标检测算法

针对SSD(single shot multibox detector)算法在复杂交通场景下对交通标志小目标识别效果不佳的问题,提出一种基于多尺度特征互补和重点特征信息挖掘（multi-scale feature complementary fusion and key feature information mining SSD,MK-SSD）的目标检测改进算法。利用跨阶段局部网络设计多尺度特征互补模块,同时构建多路径特征融合网络,有效提升浅层网络对小目标的特征提取能力。设计联合权重分配模块,将感知域与重点信息挖掘相结合,更高效地利用重点特征信息并抑制对非重点信息的关注度。利用轻量化残差块对预测网络进行改进,提升目标检测能力。经实验分析,改进后的算法在自制交通标志数据集上平均准确率达到89.64%,在保证实时性的同时,相较于YOLO系列和SSD系列算法拥有更高的检测精度,能检测出大部分SSD网络漏检的小目标。     

基于密集连接卷积神经网络的道路车辆检测与识别算法

针对现有道路车辆检测识别算法中存在的检测精度不高、实时性差以及小目标车辆漏检等问题,提出一种基于密集连接卷积神经网络的道路车辆检测与识别算法.首先,基于YOLOv4网络框架,通过采用密集连接的深度残差网络结构,加强特征提取阶段的特征复用,实现对浅层复杂度较低的特征的利用;然后,在多尺度特征融合网络引入跳跃连接结构,强化...     

一种基于进化神经网络的混合入侵检测模型

为了提高入侵检测系统的检测率并降低误报率,将误用检测技术和异常检测技术进行结合,以克服采用单一技术的缺陷。采用改进的进化神经网络作为检测引擎,首先,通过对遗传算法进行改进,弥补实数编码全局寻优能力差的缺陷,且降低计算的复杂度,提高进化收敛速度;然后,将改进的遗传算法和BP神经网络的LM算法进行结合,进一步克服神经网络学习阶段训练速度慢和易陷入局部最优的缺点,进而提高神经网络的分类能力和模式识别能力。采用 KDDCUP99数据集作为训练与测试数据集进行实验,结果表明,基于改进的进化神经网络建立的混合入侵检测模型在数据特征规则的提取速度、检测精度以及识别新的攻击类型方面有明显改善。     

基于YOLO2的地铁进站客流人脸检测方法

由于光照变化、乘客拥挤和站外噪声干扰大等问题,现今地铁进站客流人脸检测技术精度较低。为提高人脸检测精度,本文在YOLO2轻量级目标检测算法Tiny YOLO2原有网络结构基础上,首先利用不同数目的1×1卷积层对特征图进行压缩,然后将特征图尺寸重新调整到统一大小进行级联,得到高维特征图。缩减网络最后几层卷积核数量,用1×1卷积层替换原始网络的3×3卷积层,得到更深而且更窄的人脸检测网络。改进后的网络先后在Wider Face数据集和地铁进站客流数据集上进行训练,得到最终的人脸检测模型。加载训练好的人脸检测模型对随机选取的300幅站外乘客图片进行测试。测试结果表明：本文算法相比Tiny YOLO2原始人脸检测算法,召回率提高4.2%,单幅图片检测速度提高6.5%。同时在广泛使用的人脸检测算法评测数据集FDDB上进行测试,在误检数目为200的情况下,人脸检测准确率相比Tiny YOLO2平均提高5%,比SSD检测算法提高2%,而且本文算法能够在检测速度和精度之间取得较好的平衡,有较好的泛化性。