改进YOLOv3算法的交通多目标检测方法

针对交通场景中目标像素占比小、互相遮掩等因素造成漏检、误检的问题,提出了基于YOLOv3的多目标检测方法。该方法在YOLOv3网络结构中植入空间金字塔池化模块以增强特征表达,同时提出一种多尺度特征融合机制兼顾获取空间信息和语义信息,通过扩展预测层的预测分支来细化待检目标的语义信息。此外,将改进的K均值聚类算法用于提取先验框的初始中心点,提升预测锚框与待检目标的匹配度,并运用柔性非极大值抑制算法进行置信分数的灵活调整。基于混合数据集的实验结果表明,所提方法有效地提升了检测精度。     

基于改进YOLOv3的运动目标分类检测算法研究

提出一种基于改进YOLOv3算法的一类运动目标检测算法. 为进一步提高YOLOv3的检测精度,采用基于DIoU优化的边界框回归损失函数进行计算; 优化非极大值抑制,有效减少了目标框重叠的现象,提高检测精度; 针对运动目标检测,提出一种基于目标框多中心点位移的检测算法. 经UA-DETRAC数据集上的实验表明,改进后的算法在提高检测精度的同时保证了较快的速度,准确率和召回率相比原始YOLOv3分别提高了 8.07%和3.87%,对运动目标的检测速度可达20 fps/s,可满足实时检测的要求.     

基于改进YOLOv3模型的交通视频目标检测算法研究

针对现有的基于YOLOv3的目标检测算法在多尺度目标检测上存在速度与精度难以平衡的问题,在已有算法的基础上改进形成新的YOLOv3多尺度目标检测算法. 该算法首先通过k-means++聚类为各个尺度选择候选锚框的数量和长宽比维数,有效降低原始算法在初始聚类点所造成的聚类偏差; 其次将YOLOv3的检测尺度从3扩展到4,以提高对不同尺度下目标检测的精度; 最后为避免梯度衰落,将检测层前的6个卷积层转换为2个残差单元. 在UA-DETRAC数据集上的实验结果表明,该方法比原始YOLOv3的准确率和召回率分别提高了7.91%和4.57%,同时此算法的处理速度可实现对交通视频的实时处理.     

基于改进YOLOv5的小目标检测算法

针对目标检测中小目标误检、漏检及特征提取能力不足等问题,提出一种基于改进YOLOv5的小目标检测算法.该算法使用Mosaic-8方法进行数据增强,通过增加一个浅层特征图、调整损失函数,来增强网络对小目标的感知能力;通过修改目标框回归公式,解决训练过程中梯度消失等问题,提升了小目标的检测精度.将改进后的算法应用在密集人群...     

基于视觉及多特征的前方车辆检测算法

针对现有视频车辆检测算法受光照、噪声等环境因素影响大,漏检和误检率高,难以同时满足鲁棒性及实时性的问题,提出了一种完整的前方车辆检测算法.该算法在改进的Hough变换提取车道线的基础上,首先对图像进行自适应二值化处理,通过腐蚀、膨胀法滤除干扰点;使用简洁有效的方法进行阴影线的合并及ROI区域的提取;算法利用目标区域内的信息熵、车尾对称性特征对感兴趣区域(region of interest,ROI)进行筛选和判别,降低了算法的漏检和误检率;使用改进的Robinson方向检测算子提取车辆边界,取得了较好的效果.结果表明:在处理分辨率为640×480的视频时,检测正确率89%,运算速度平均为17.6帧/s.     

基于改进YOLOv3网络的车牌检测算法

针对在交通场景中拍摄的车牌目标小且模糊的问题,提出一种改进YOLO(You Only Look Once)v3网络的车牌检测(Lincense Plate Detection,LPD)算法.首先,选用超分辨率(Super-Resolution,SR)重建技术中的深度递归残差网络(Deep Recursive Resid...     

基于YOLOv3改进的用户界面组件检测算法

针对传统方法识别用户界面(UI)组件时,无法进行组件分类的问题,本文提出了基于经典目标检测算法YOLOv3改进的算法用于UI组件检测任务,包括识别和分类。特征提取网络采用DenseNet紧密连接结构使提取到的特征能够充分使用;在特征提取网络中加入通道注意力机制和空间注意力机制,使用加权的特征代替原来的特征用于后面的特征融合;构造4个维度的特征金字塔网络完成组件检测任务;使用Focalloss作为分类损失函数。在收集的真实UI数据集上进行实验,实验结果表明:在检测精度上,本文方法的召回率达到了91.97%,平均精度mAP达到了48.21%,相比传统检测方法,本文方法具有更好的性能。     

基于改进YOLOv3算法的布匹疵点检测

基于视觉的布匹疵点检测具有检测效率高和成本低的优势.目前基于深度学习的目标检测算法得到了广泛应用,但是布匹疵点检测具有检测小型疵点准确率低、计算量大和检测速度慢的缺陷,因此提出一种改进YOLOv3的布匹疵点检测算法.该算法使用轻量级卷积神经网络GhostNet作为YOLOv3算法的特征提取网络,加快网络的计算速度,同时...     

基于改进YOLOv3的航拍目标实时检测方法

对于航拍图像中的小型目标,YOLOv3算法模型对其识别精准度低,在目标被遮挡或目标较密集时存在漏检现象。针对上述问题提出了一种基于改进YOLOv3的航拍目标实时检测方法,该方法加入104×104特征分辨率的检测模块并删减了13×13特征分辨率的检测模块,同时增加了浅层网络的层数,用于提取更加细微的像素特征;在训练阶段针对DOTA-v1.0航拍数据集使用K-means++聚类得到9个先验框进行检测,用于提升整体网络的训练速度。实验结果表明:改进后的YOLOv3检测算法的检出率提升了15.0%,mAP-50提升了10.5%。     

基于YOLOv3与HOG特征融合的车辆检测算法

针对在复杂场景下车辆检测定位准确率低的问题,提出一种将YOLOv3中融入方向梯度直方图(HOG)特征的方法来提高目标检测的准确率.首先使用K-means算法计算出网络的锚(Anchor);然后,在YOLOv3网络对图片进行深度特征提取的同时,对图片提取HOG特征,将提取的HOG特征融入到YOLO层中,使用GIOU损失提...     

基于改进YOLOv3的印刷电路板缺陷检测算法

针对现有基于深度学习的印刷电路板(PCB)缺陷检测算法无法同时满足精度和效率要求的问题,提出基于YOLOv3改进的AT-YOLO算法来检测PCB缺陷.将主干网络替换为ResNeSt50,提高特征提取能力,减少参数量.引入SPP模块,融合不同感受野的特征,丰富了特征的表达能力.改进PANet结构替换FPN,插入SE模块提升有效特征图的表达能力,增加1组高分辨率特征图的输入输出,提升对小目标物体的敏感程度,检测尺度由3个增加到4个.使用K-means算法重新聚类生成锚框尺寸,提高了模型的目标检测精度.实验证明,AT-YOLO算法在PCB缺陷检测数据集上的精度均值AP_0.5达到98.42%,参数量为3.523×107,平均检测速度为36帧/s,满足精度和效率的要求.     

基于Adaboost算法的日间前方车辆检测

提出了一种基于类Haar特征和Adaboost算法的车辆检测方法,以解决汽车安全辅助驾驶系统中对前方车辆的信息感知问题。基于类Haar方法对训练集的积分图进行提取,采用Adaboost算法选取有效的类Haar特征并生成前方车辆检测分类器。利用前方车辆检测分类器对PETS(Performance evaluation of tracking and surveillance)提供的图片进行测试。试验结果表明:该方法可以快速、准确地实现日间前方车辆的检测。     

基于改进YOLOv5s的复杂道路交通目标检测算法

针对目前自动驾驶场景下交通目标检测算法抗复杂背景干扰能力弱,导致检测性能不足的问题,提出了一种改进YOLOv5s的复杂道路交通目标检测算法。首先,在特征提取区域,采用多头自注意残差模块(MHSARM)来强化待检目标特征信息,弱化复杂背景干扰;其次,在特征融合区域,采用CoordConv代替传统Conv,使网络具备空间信息感知能力,提升网络检测精度。在开源数据集Kitti及BDD100K上的实验结果表明：改进YOLOv5s算法在复杂道路中具备更强的特征提取能力及良好的泛化能力,mAP＿0.5分别达到93.3%和47.4%,与YOLOv5s相比,分别提升了0.9%和1.4%。另外,改进YOLOv5s相较于目前最新的目标检测算法YOLOv7、YOLOv8,mAP＿0.5分别提高了1.3%和2.2%,与在Kitti数据集上最新的研究成果Sim-YOLOv4算法相比,mAP＿0.5提高了2.2%。     

基于改进的YOLOv5s算法的水下小目标检测

针对目前水下小目标检测任务中检测精度低、目标重叠等问题,提出了一种改进YOLOv5s网络的水下小目标检测算法。首先在YOLOv5s的骨干网络中研究嵌入不同数量与位置的卷积块注意力模块来增强网络对特征图重要目标信息的关注;然后在网络颈部增添金字塔池化层,加强局部特征与全局特征的融合,使得特征图表达的信息更加丰富;最后将传统的非极大值抑制算法用中心距离非极大值抑制来代替,改善漏检误检的情况。实验结果表明,该算法在通用水下目标数据集RUIE以及小目标数据集VEDAI上平均精度分别可以达到85.25%和75.12%,显著提升了水下小目标检测的精度,降低了误检率。     

基于改进YOLOv4-Tiny的矿井电机车多目标实时检测

为解决煤矿巷道环境恶劣以及人工疲劳驾驶电机车导致煤矿井下有轨电机车事故频发的问题,提出一种基于改进YOLOv4-Tiny算法的YOLOv4-Tiny-4S矿井电机车多目标实时检测方法。首先,为了提高网络模型对于小目标的检测能力,将传统YOLOv4-Tiny的两尺度预测增加至四尺度预测,并且在网络模型的颈部引入空间金字塔池化（SPP）模块,以丰富特征融合信息,增大网络模型的感受野;其次,以煤矿巷道中的行人、电机车、信号灯以及碎石作为检测目标,创建矿井电机车多目标检测数据集,并分别采用K-means和K-means++聚类分析算法对数据集重新聚类,通过对比分析验证了K-means++算法具有更好的聚类效果;最后,通过对传统YOLOv4-Tiny算法的消融实验,进一步直观了不同改进措施对网络模型检测性能的影响,并在电机车运行的煤矿巷道场景中,对比分析了YOLOv4-Tiny-4S算法与其他几种算法的检测性能。实验结果表明：YOLOv4-Tiny-4S算法能够准确检测并识别出图像中的各类目标,其平均检测精度（mAP）为95.35%,对小目标“碎石”的平均检测精度（AP）为86.69%,相比传统YOLOv4-Tiny算法分别提高了12.38和41.66个百分点;改进后算法的平均检测速度达58.7帧/秒（FPS）,模型内存仅为26.3Mb,YOLOv4-Tiny-4S算法的检测性能优于其他算法。本文提出的基于YOLOv4-Tiny-4S矿井电机车多目标实时检测方法可为实现矿井电机车的无人驾驶提供技术支撑。     

基于YOLOv5改进的轻量级目标检测模型

目标检测在计算机视觉中具有广泛的应用,而YOLOv5是目标检测领域中的经典模型。然而,YOLOv5的参数量较大,不适合应用于自动驾驶等领域,因此,基于YOLOv5改进了一个轻量级的目标检测模型。首先,使用ShuffleNetv2替换了原有的CSPDarknet53主干网络,从而降低了网络计算量。其次,使用轻量级增加精度的架构Stem Block。再次,在特征提取网络的末端加入了Coordinate Attention,使其更好地聚焦图像中重要信息。最后,使用二元交叉熵损失函数,突出类别互斥的差异。实验结果表明,相比于YOLOv5方法,改进的模型mAP只降低0.08,fps达到了91。因此改进的模型在大幅度降低参数和计算量的同时,取得了理想的检测精度。     

基于改进YOLOv7的番茄果实目标检测

针对农业采摘机器人在采摘过程中面临果实重叠、果实遮挡和果实体积小难以识别等一系列问题,提出一种改进YOLOv7网络对番茄果实进行目标检测。首先在YOLOv7网络结构中增加SimAM注意力模块和CA注意力模块,提高网络特征提取能力;其次结合特征融合网络的张量拼接操作与加权特征金字塔,提高特征融合能力;再用Soft-NMS算法代替NMS算法,增加网络对重叠区域的检测能力;最后将CIOU Loss替换成EIOU Loss,优化网络性能。实验结果表明,改进后的 YOLOv7网络 mAP值可达 96.7%,准确率为 96.2%,召回率为 99.0%,满足网络对番茄检测精度的要求。