改进YOLOV3实时交通标志检测算法

交通标志检测是智能驾驶任务中的重要一环.为了满足检测精度和实时检测的要求,基于YOLOV3提出一种改进的实时交通标志检测算法.采用跨阶段局部网络作为特征提取模块,优化梯度信息,减少推理计算量;同时以路径聚合网络替代特征金字塔网络,在解决多尺度特征融合的同时,保留了更加准确的目标空间信息,提高目标检测精度;并且引入完备交...     

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。     

嵌入SENet结构的改进YOLOV3目标识别算法

为准确识别工业图像中的目标零件,提出一种改进的YOLOV3目标识别算法。结合K-means聚类与粒子群优化算法进行锚框计算,以降低初始点对聚类结果的影响,加快算法收敛速度。同时在YOLOV3网络shortcut层嵌入SENet结构,得到SE-YOLOV3网络。对零件图像进行数据增强并加入零件标注,制作包含10 816张图片的样本集,用于算法训练和测试。实验结果表明,该算法能够获得平均交并比为83.01%的锚框,当样本图像存在较多残缺零件干扰时,YOLOV3存在将背景识别为零件的情况,其查准率与查全率分别为72.11%和97.51%,而SE-YOLOV3能有效减少假正例数量,其查准率与查全率分别为90.39%和93.25%。     

基于改进YOLOV3算法的斜拉桥拉索表面缺陷检测方法

针对人工检测斜拉桥拉索表面缺陷效率低、危险性高、鲁棒性差、检测效果主观性强等问题,提出改进YOLOV3算法进行斜拉桥拉索表面缺陷自动检测方法.首先,采用K-means聚类算法获取适合拉索表面缺陷特征的先验框尺寸;然后,削减主干特征提取网络中的残差块数量,提高网络检测效率,通过在特征金字塔内添加SPP结构,融合不同感受野...     

基于改进的YOLOV3口罩佩戴检测算法

为防止病毒的传播,提出一种可以识别人们在公共场合下是否佩戴口罩的目标检测算法。以YOLOV3为基础,将Darknet-53骨干网络结构与Inception-v4思想相结合,在特征提取网络中引入空间金字塔池化(spatial pyramid pooling,SPP)结构,使特征得到增强,准确率得到提升;选取GIoU (generalized intersection over union)损失函数作为评价指标。实验结果表明,改进后的YOLOV3算法能够有效进行口罩佩戴检测,其算法的平均精度均值相比于原始的YOLOV3提高5.4%,达到90.1%。     

密集交通场景中改进YOLOv3目标检测优化算法

针对交通拥堵的车辆密集场景中检测目标重叠率高而导致漏检和误检的问题，提出了改进YOLOv3、CIoU损失函数优化以及SD-NMS优化算法(简记L-YOLOv3+CIoU Loss+SD-NMS)。利用深度可分离卷积、SE模块和Ghost模块改进YOLOv3的残差单元结构，以提高对密集目标的特征提取能力，减少网络模型参数量；采用完整交并比CIoU损失函数加快网络模型收敛速度，同时将多目标集合预测思想与DIoU-NMS有机结合，提出了SD-NMS优化算法，以降低漏检误检率。在BDD100K数据集上进行实验，结果表明，改进的目标检测算法召回率达到91.58%,精准率达到93.04%,与YOLOv3算法相比，召回率和精准率分别提升了12.09%和9.52%,具有更好的检测效果。     

基于改进YOLOv3算法的车辆目标检测

为有效解决车辆目标检测算法参数量大、计算成本高等问题,提出一种改进YOLOv3算法。利用深度可分离卷积和注意力机制重新设计主干特征提取网络结构,通过增大神经网络深度、拓宽特征提取层数实现更高层语义信息的提取,可获得更精细特征,减少模型参数量和计算量;引入CIOU回归优化损失函数,量化预测框与真实框中心点距离、重叠面积、尺度以及长宽比等评测指标,解决均方误差(MSE)损失优化方向不一致的问题,使目标框回归更加稳定。实验结果表明,该算法参数量为19.56M,比YOLOv3算法降低了近67%,同时平均精度均值(m AP)提高了3.68%,每秒帧数(FPS)提高了8帧,为车辆目标检测提供了容易部署在移动端的轻量级网络。     

改进YOLOV3的火灾检测方法

针对传统火灾探测器检测范围有限,传统火灾检测算法精度不高、检测时间长等问题,提出一种基于改进YOLOV3的火灾检测方法YOLOV3-IMP。在YOLOV3网络结构上进行改进,包含对特征提取网络改进和多尺度检测改进,提高对浅层特征的学习能力;通过改进的K-means聚类算法生成出初始先验框;通过改进的损失函数提高对小火灾区域的检测能力;在输出火灾检测图像之前采用Softer-NMS算法,提高对重叠区域的检测能力。实验结果表明,改进的算法准确率和召回率为91.6%,83.2%,[mAP]高达84.5%,检测速度可达0.28?s,可以满足火灾检测的实时性和准确性,能够实现有效的火灾检测。     

基于YoloV3的实时视频行人检测算法

本文提出一种基于YoloV3的视频检测算法,使用Mobile-Net的思想优化模型,并采用基于三帧差分法和粒子滤波的视频运动自适应推理算法,充分利用视频前后帧之间的目标关联性,将其部署在VisionSeed上。实验结果表明,在COCO数据集上实现了0.331 s的单帧检测速率,速度提升了31.9%,满足了嵌入式平台的运行要求。     

基于改进YOLOV3-Tiny的海面船舰目标快速检测

为实现海面船舰目标的快速、准确检测,提出一种改进的船舰目标检测算法。在网络结构方面根据船舰目标的特点,对浅层信息进行强化重构以降低小目标的漏检率,同时引入改进的残差网络增加网络深度和降低网络参数计算量,并且采用金字塔网络进行多尺度特征融合,以兼顾图像中大小船舰目标的检测性能。在网络训练中利用迁移学习策略进行网络模型的训练,以克服船舰图像样本集有限的问题。在视频检测中利用帧间图像结构相似度进行选择性网络前向计算,以提高视频帧检测速率。实验结果表明,该算法海面船舰目标检测的准确率达到92.4%,较YOLOV3-Tiny提高7个百分点,召回率达到88.6%,且在CPU平台上船舰目标的检测速度达到12 frame/s。     

基于改进YOLOV5的火焰检测算法

针对现有的火焰检测算法检测平均精度低、小目标火焰漏检率高的问题,提出一种改进YOLOV5的火焰检测算法。该算法使用Transformer Encode模块代替YOLOV5主干网络末端的CSP bottleneck模块,以增强网络捕获不同局部信息的能力,提高火焰检测的平均精度,并且在YOLOV5网络中增加CBAM注意力模块,增强网络提取图像特征的能力,对于小目标火焰能够较好地提取特征,降低小目标火焰的漏检率。将该算法在公开数据集BoWFire、Bilkent上进行实验,结果表明,改进YOLOV5网络的火焰检测平均精度更高,可达83.9%,小目标火焰漏检率更低,仅为1.6%,检测速率为34帧/s,相比于原YOLOV5网络,平均精度提升了2.4个百分点,小目标火焰漏检率降低了4.1个百分点,改进后的YOLOV5网络能够满足火焰检测的实时性和精度要求。     

改进YOLOV5目标检测模型的实时抽烟检测方法

抽烟目标的实时检测难以在实际场景中应用,主要原因是终端设备成本低,能够承载的模型计算量十分有限,难以同时兼顾精度与速度。为此,本文使用改进的YOLOV5目标检测模型,将其双向特征融合网络(FPN+PAN)替换为加权双向特征金字塔网络(BiFPN),增强网络的特征传递能力。实验结果表明,替换特征网络之后的YOLOV5s-BiFPN目标检测模型精度更高,AP_0.5达到91.7%,且模型的参数量、计算量以及FPS基本不变,满足应用在实际场景中进行实时抽烟检测的条件。     

基于yolov5s的行人检测系统及实现

随着科技的快速发展,智慧交通系统的建设对提升人们的生活品质,提升城市交通服务能力和城市交通管控的科学有效性有着重点意义.文章采用YOLOV5s目标检测算法对行人识别,首先分析YOLOv5s的架构和关键技术,然后通过YOLOv5s对标注好的数据集进行训练,最后就检测效果进行评估分析.实验结果体现出了YOLOv5s对行人检...     

改进YOLOV3算法在行人识别中的应用

为了避免人与物体之间相互遮挡，对小目标检测不准确，以及复杂光照强度对行人检测的影响，针对这一问题，提出了一种多尺度聚类卷积神经网络MK-YOLOV3算法，来实现对行人的识别与检测。该算法是对YOLOV3进行改进，首先通过简单聚类对图像特征进行提取，得到相应的特征图，再通过抽样[K]-means聚类算法结合核函数确定锚点位置，以达到更好的聚类。针对小目标的浅层特征信息进行多尺度融合，提高小目标的检测效果。仿真结果验证了该算法在VOC数据集上对小目标识别的精度和速度上有较大提高，以及视频智能分析中有较高的召回率和精确度。     

基于双检测头的轻量级目标检测算法

为解决轻量级目标检测算法中由于分类损失较大导致算法精确度低的问题,提出一种对目标的位置与分类使用双检测头的检测方法.算法中用卷积头对位置进行检测,用全连接头对分类进行检测;分类检测时特征图经过卷积层后融合位置回归分支的特征图,再使用全连接层对特征图进行处理;并提出分组全连接的方式进一步减少全连接层的计算量.在VOC数据集上对算法进行训练,结果表明,改进后模型的分类损失有了明显的下降,有效地提升了轻量级目标检测算法的检测精确度,算法在VOC测试集上达到70.08%的精确度.     

改进YOLOv5网络的鱼眼图像目标检测算法

针对目标检测算法应用在鱼眼图像数据集上检测精准率低、算法实时性差等问题,提出了在化工场景下利用改进网络YOLOv5进行鱼眼图像中的目标检测算法。由于无公开化工场景鱼眼图像数据集,提出了利用不同类型图像间像素点的坐标关系,将数据集转换为同鱼眼图像具有相同畸变效果的图像。为消除鱼眼图像中有效区域外的冗余信息,将线扫描算法应用到YOLOv5s数据预处理阶段。为在缩减模型的同时保证算法的检测精准率,提出了采用注意力机制scSE和空洞卷积来改进轻量级网络ShuffleNetV2,并利用改进后的轻量级网络代替原YOLOv5s中主特征提取网络。实验结果表明,在实验设置相同的条件下,改进后的算法在模型从27.4 MB缩减到14.2 MB的情况下,检测精准率从97.86%提高到98.46%。