基于YOLOv5s的人脸是否佩戴口罩检测

为了抗击新冠肺炎,加快复产复工的速度,本文提出了一种判断人脸是否佩戴口罩的方法.该方法可以通过摄像头捕获人脸,对人脸是否佩戴口罩进行检测,及时提醒人们带好口罩.使用预处理好的9800张图片作为数据集,并对YOLOv5s算法进行离线训练,生成最终的模型;利用该模型对摄像头捕捉的画面进行分析,检测人脸是否佩戴有口罩.该算法在测试集上的精确率(precision)、召回率(recall)和平均精度(mAP)分别为78.1％、87％和53.5％,高于YOLOv3和YOLOv4检测算法的检测结果.     

基于嵌入式移动端的目标检测算法

针对因夜晚无可见光的条件下导致目标难以检测的问题,基于嵌入式平台应用设备,提出了无人目标检测的优化改进模型,提出了更优的检测速度与检测精度的模型。该优化改进后的模型以YOLOv3-tiny为基础框架,使用Small Batch-K-Means聚类算法计算anchor box数量;在网络关键位置中使用注意力机制,通过强化检测目标关注以提高抗干扰能力。在KAIST Multispectral Pedestrian Detection Benchmark数据集中的实验表明,该算法与传统YOLOv3-tiny算法相比在检测精度和速度上都有明显的提高。     

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(Distance Intersection over Union,DIoU)损失函数来提高网络的性能.实验结果表明,所提出的轻量级网络与YOLOv3-tiny网络相比,模型缩小了0.1 Mb,检测精度提高了5.64％,检测速度满足车辆实时检测的需求.     

基于改进YOLOv4-tiny算法的手势识别

随着人机交互的发展,手势识别越来越重要.同时,移动端应用发展迅速,将人机交互技术在移动端实现是一个发展趋势.该文提出一种改进YOLOv4-tiny的手势识别算法.首先,在YOLOv4-tiny网络基础上,添加空间金字塔池化(SPP)模块,融合了图像的局部和全局特征,增强网络的准确定位能力.其次,在YOLOv4-tiny原网络的3个最大池化层和新增SPP模块后各添加一个1×1的卷积模块,减少了网络的参数,提高网络的预测速度.在此基础上,利用K-means++算法生成适合检测手势的先验框,加快网络检测手势.在手势数据集NUS-II上,与YOLOv3-tiny算法和YOLOv4-tiny算法进行对比,改进算法平均精度均值(mAP)为100％,每秒传输帧数(fps)为377,可以快速准确地检测识别手势.将该文改进算法部署在安卓(Android)移动端,实现了移动端实时的手势检测与识别,对人机交互的发展有很大的研究意义.     

基于YOLOv5网络模型的人员口罩佩戴实时检测

近年来,随着硬件算力的提升和人工智能算法的创新发展,使得深度学习算法在目标检测方面有着广泛的应用。针对现有人工方式查看人员口罩佩戴情况的不足,提出了一种基于深度学习YOLOv5算法实现对口罩佩戴情况的实时检测。算法首先将数据集进行归一化处理,再将数据接入YOLOv5网络进行迭代训练,并将最优权重数据保存用作测试集测试,算法通过tensorboard可视化显示训练和测试结果。实验结果表明,所提算法检测的准确性高,实时性强,满足实际使用需求。     

基于YOLO-Mask算法的口罩佩戴检测方法

常态化疫情防控形势下,通过口罩佩戴检测可以及时提醒人们正确佩戴口罩,从而降低公共场合人员交叉感染的风险.针对口罩佩戴检测任务中被遮挡目标和小目标检测困难的问题,提出一种YOLO-Mask算法.该算法以YOLOv3为基础,在特征提取网络中引入注意力机制,以提升模型对显著特征的表达能力;然后使用特征金字塔和路径聚合策略进行...     

一种改进YOLOv3的红外人体检测嵌入式系统的设计

针对照明系统中对人体检测的需求,提出了基于改进YOLOv3的嵌入式机器视觉系统实现人体检测与定位.通过红外摄像头采集红外人体图像制作数据集;对YOLOv3进行改进并训练得到轻量化的人体检测模型,通过网格图方法由人体矩形框坐标得到人体的空间坐标.改进的YOLOv3人体检测模型的准确率提升了3.26％,参数量减少了96.01％、计算量减少了91.04％和模型体积减少了96.00％,经过模型转换后部署在带有神经网络处理器的K210嵌入式平台上,实现准确的人体检测和定位.在实际照明环境中对系统进行测试,系统的检测速度达到每秒16帧并取得了好的检测效果.实验结果表明,本文提出的人体检测和定位方法可以在嵌入式平台上实现且具有好的性能.     

基于改进YOLOv4-tiny算法的手势识别

随着人机交互的发展,手势识别越来越重要。同时,移动端应用发展迅速,将人机交互技术在移动端实现是一个发展趋势。该文提出一种改进YOLOv4-tiny的手势识别算法。首先,在YOLOv4-tiny网络基础上,添加空间金字塔池化(SPP)模块,融合了图像的局部和全局特征,增强网络的准确定位能力。其次,在YOLOv4-tiny原网络的3个最大池化层和新增SPP模块后各添加一个1×1的卷积模块,减少了网络的参数,提高网络的预测速度。在此基础上,利用K-means++算法生成适合检测手势的先验框,加快网络检测手势。在手势数据集NUS-II上,与YOLOv3-tiny算法和YOLOv4-tiny算法进行对比,改进算法平均精度均值(mAP)为100%,每秒传输帧数(fps)为377,可以快速准确地检测识别手势。将该文改进算法部署在安卓(Android)移动端,实现了移动端实时的手势检测与识别,对人机交互的发展有很大的研究意义。     

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。