基于改进YOLOv3的避雷器红外图像故障检测方法

针对现有的金属氧化物避雷器（Metal Oxide Arrester,MOA）红外图像故障检测方法存在识别精度低、检测速度较慢的问题,提出一种基于改进YOLOv3的MOA红外图像故障检测方法。首先,以Darknet19网络代替YOLOv3原始的Darknet53网络,并在特征学习时针对样本中不同MOA长宽比例,通过K-means聚类算法对MOA图像中的目标帧进行分析,重新聚类样本中心锚点框,得到合适的锚框数目和大小。最后,利用改进YOLOv3模型完成MOA红外图像故障检测。实验结果表明,改进的YOLOv3模型识别精度达到96.3%,识别速度为6.75 ms。     

基于红外图像的避雷器故障检测方法

在电力系统中,利用计算机视觉和图像处理技术对避雷器进行故障检测,在保障电力系统的安全运行方面具有非常重要的作用。提出了一种基于红外图像的避雷器故障检测方法。该方法首先对输入图像进行预处理,利用尺度不变特征变换（Scale-invariant feature transform,SIFT）描述子和K-means++算法训练视觉字典精确定位避雷器,然后利用线性谱聚类对选择出的区域进行分割,最后通过分析避雷器热像的特征,实现避雷器故障的检测。实验结果说明所提出的算法可以有效地检测避雷器故障。     

改进YOLOv3的SAR图像舰船目标检测

针对目标检测算法直接应用于SAR图像舰船检测数据集时数据训练不充分、鲁棒性差等问题,本文提出了一种改进YOLOv3的SAR图像舰船目标检测方法,从改进网络训练策略的角度出发,提升算法对不同舰船目标的适应性,优化算法的检测性能。改进主要包括两个方面:一方面本文在YOLOv3的基础上引入了ATSS（Adaptive Training Sample Selection）正负样本的分配方法,提高YOLOv3中正负样本选择的质量,优化网络训练。另一方面本文设计了基于特征层的锚框超参数优化方法,使锚框更加贴合各检测层数据集样本分布,从而使训练模型更好的收敛。本文分别在SSDD、SAR-Ship-Dataset数据集上进行了实验,验证了其有效性。      

基于改进YOLOv3的红外电力设备目标检测模型

为了实现红外电力设备图像的快速准确检测,在目标检测网络YOLOv3的基础上,提出了一个实时检测红外电力设备图像的轻量级目标检测模型,通过改进特征提取网络、加入轻量级注意力模块和改变特征层检测尺度等方式,提升模型的检测精度和速度。实验表明,本文中的方法相比于YOLOv3,在检测速度相近的同时,具有更高的检测精度,为电力设备红外图像智能检测提供了新的思路。     

基于YOLOv3的玻璃本体特征条纹图像检测方法

针对浮法玻璃生产过程中,因原料、燃料、工艺等差异而获得的玻璃本体中带有典型特征的端面条纹图像的问题,提出基于YOLOv3的玻璃条纹检测方法.采集玻璃成品的原始图片,并使用LabelImg对玻璃图片进行标注,生成包含六种玻璃条纹类别的数据集,以Darknet-53网络为基本框架,构建训练模型及调整参数.通过分析,当学习率...     

基于改进YOLOv3的瞳孔屈光度检测方法

针对瞳孔区域屈光度识别准确率低、检测效率低等问题,本文提出一种基于改进YOLOv3深度神经网络的瞳孔图像检测算法。首先构建用于提取瞳孔主特征的二分类检测网络YOLOv3-base,强化对瞳孔特征的学习能力。然后通过迁移学习,将训练模型参数迁移至YOLOv3-DPDC（Deep Pupil Diopter Classify）,降低样本数据分布不均衡造成的模型训练困难以及检测性能差的难题,最后采用Fine-tuning调参快速训练YOLOv3多分类网络,实现了对瞳孔屈光度快速检测。通过采集的1200张红外瞳孔图像进行实验测试,结果表明本文算法屈光度检测准确率达91.6%,检测速度可达45 fps,优于使用Faster R-CNN进行屈光度检测的方法。     

基于改进YOLOv3网络的SAR图像舰船目标检测方法

在基于合成孔径雷达(SAR)图像的舰船目标检测中,针对图像背景复杂、舰船尺寸大小不一等问题,提出了一种改进的YOLOv3深度卷积神经网络(CNN),用于SAR图像中的舰船目标检测。该方法基于训练数据集中的尺寸标签信息,使用交并比作为距离度量,利用k-means聚类方法为舰船目标提取了九组先验锚点框作为后续候选框边框参数优化的初始值;引入r_GIOU来代替交并比r_IOU,用于更新框回归损失和置信度损失,从而得到更加合理的损失函数,能将候选框与标注框之间的相对位置信息引入候选框的边框参数优化。为了验证改进版YOLOv3网络的性能,文中基于高分辨SAR舰船检测数据集AIR-SARShip-2.0,利用平移、翻转、调整亮度等方法进行数据集扩充,得到训练数据集和测试数据集,并进行舰船目标检测实验。实验结果表明：相较于常规YOLOv3网络和Faster R-CNN网络,改进YOLOv3网络在舰船目标检测上的总体效果更好,具有更高的准确率和更少的虚警,提高了平均精度指标,且需要的计算时间更少。     

基于YOLOv3改进算法的人体检测技术

针对YOLOv3算法检测目标时精确度不足以及实时性欠缺等问题,提出了一种基于YOLOv3的改进检测算法.首先,采用增加检测尺度的方法来精确地检测远处小目标.其次,将YOLOv3算法的k-means算法融合DBSCAN聚类算法,对训练数据集进行聚类分析,提高目标检测的精度和速度.实验结果表明,改进的YOLOv3算法平均精...     

基于改进YOLOv3的电力设备智能巡检技术

随着牵引变电所数量逐年增加,人工巡检逐渐被无人值守代替,基于深度学习的目标检测算法被更多的应用到电力设备智能巡检中.但是在实际应用中发现,由于待检测目标较小,当拍摄角度倾斜并且光线条件差时,深度学习模型的准确率会降低,这是因为算法的鲁棒性低,出现与样本中的角度或者光照差异大时会严重影响模型的检测能力.基于此,对YOLO...     

改进Vibe前景提取的YOLOv3烟雾目标检测方法

在使用计算机视觉方法对烟雾目标进行检测时需要考虑环境因素的影响,直接进行检测易出现漏检、误检问题。因此提出一种基于改进Vibe前景提取的YOLOv3烟雾目标检测方法。首先使用CLAHE增强图像对比度,通过改进的Vibe前景提取方法检测并提取疑似的烟雾目标区域,最后整合样本并使用目标检测算法YOLOv3对烟雾目标进行识别与定位。实验结果表明所提出的方法对复杂环境的烟雾目标检测具有更高的性能,更适用于烟雾目标检测任务。     

基于YOLOv4的空间红外弱目标检测

在空间红外弱目标检测问题中,相关模板法和帧间差分法等传统算法判别率较低,且对数据质量要求较高.针对这一问题,本文提出了一种基于改进YOLOV4的空间红外弱目标检测方法,该算法首先针对空间不同红外目标建立了相应的数据集;以YOLOv4为基础建立了空间目标检测任务专用的神经网络框架,利用k-means聚类算法重新构造先验框...     

一种基于DexiNed改进的红外图像边缘检测算法

相对于可见光图像边缘检测,目前针对红外图像边缘检测的研究较少,且大多基于传统方法,如边缘检测算子、数学形态学等,其本质上都是只考虑红外图像局部的急剧变化来检测边缘,因而始终受限于低层次特征.本文提出了一种基于深度学习的红外图像边缘检测算法,在DexiNed(Dense Extreme Inception Network...     

基于改进YOLOv3算法的带钢表面缺陷检测

针对热轧带钢表面缺陷检测中存在的检测速度慢、检测精度低等问题,提出了一种改进的YOLOv3算法模型.使用加权K-means聚类算法来优化确定先验框参数,提高先验框（priors anchor）与特征图层（feature map）的匹配度;同时,调整YOLOv3算法的网络结构,融合浅层特征与深层特征,形成新的大尺度检测图层,提高网络对带钢表面缺陷的检测精度.实验结果表明,改进后的YOLOv3算法在NEU-DET数据集上平均精度均值达到了80%,较原有的YOLOv3算法提高了11%;同时检测速度保持在50fps,优于目前其它深度学习带钢表面缺陷检测算法.     

基于TA-YOLO的电力设备红外图像检测方法

为了更迅速准确地实现智能电力巡检,针对实际采集的电力设备红外图像有遮挡、分类不准确和特征提取不充分等问题,提出了一种基于TA-YOLO的新型电力设备红外图像检测方法.首先对采集的电力设备红外图像通过数据增强扩增,标注绝缘子、套管等7类电力设备制作标准数据集;其次,通过迁移学习的方法将经过可见光电力设备数据集预训练的卷积...     

一种基于YOLOv3的水下声呐图像目标检测方法

将目标检测框架应用于水下声呐图像处理是近期的高热度话题,现有水下声呐目标检测方法多基于声呐图像的纹理特征识别不同物体,难以解决声呐图像中由于形状畸变造成的几何特征不稳定问题。为此,该文提出一种基于YOLOv3的水下物体检测模型YOLOv3F,该模型将从声呐图像中提取的纹理特征和从深度图中提取的空间几何特征相融合,利用深度图中相对稳定的空间几何特征弥补纹理特征表述能力的不足,再将融合后的特征用于目标检测。实验结果表明,所提改进模型的检测性能相较于3个基线模型在识别精度方面具有明显提升;在对单个类别的物体进行检测的情况下,与YOLOv3相比,改进模型也表现出了更出色的检测效果。     

基于深度学习的红外舰船目标识别

本文采用深度学习技术中的YOLOv3(You Only Look Once Version 3)目标识别算法对红外成像仪从海面采集的红外图像中舰船进行识别。红外成像仪采集图像的频率高达50帧/s,为了能减少网络计算时间,本文借鉴YOLOv3的一些思想,采用全卷积结构和LeakReLU激活函数重新设计一个轻量化的基础网络,以此加快检测速度。输出层根据采集回来的红外图像的特点采用Softmax算法回归,在提高检测速度的同时,也兼顾了检测精度。     

基于改进YOLOv5的橘瓣检测方法

针对柑橘罐头厂生产橘子罐头时人工分类橘瓣效率差的问题,本文提出一种基于深度学习的橘瓣检测方法。以柑橘罐头厂生产线上的橘瓣为对象,实地采集图像并制作了一个具有2 500张图像的橘瓣数据集;在YOLOv5s模型的基础上针对橘瓣检测对象多、遮挡大的特点,融合注意力机制并改进了损失函数,得到改进的YOLOv5s模型。试验结果表明,在该模型上橘瓣检测的平均精度达到93.7%,单张图像检测耗时25 ms,基于改进YOLOv5s模型的橘瓣检测方法能够满足工厂生产线的实际应用需求。本方法可以为橘瓣自动化分类设备提供高精度的视觉指导。     

基于改进YOLOv4的红外行人车辆检测算法

智能设备对行人和车辆的目标检测对于建设智慧城市有着重要的意义。随着红外技术的发展和普及,红外成像科技具有强抗干扰和全天候的特性,被越来越多地用于解决可见光受限环境带来的问题。论文提出了一种改进YOLOv4深度学习算法对红外图像下的行人车辆进行检测。改进的YOLOv4算法加入了CA注意力机制模块,将位置信息嵌入到通道注意中,增强了对感兴趣区域的表示。此外还设计了CSP2-DBL模块,替换了原本简单的卷积模块叠加,对高分辨率特征性信息的做出了弥补。为了进一步提高网络计算速度,减少计算量,针对红外图像特性,对Head部分进行了裁剪。实验结果表明改进后的模型在FLIR红外数据集上较YOLOv4模型在mAP上提高了0.85个百分点,检测速度提升了2 f/s。     

改进YOLOv4算法在检测数据分析中的应用

传统检测方法存在检测精度低、检测时间长的问题,提出一种基于YOLOv4网络模型的改进检测方法。首先采用腐蚀、膨胀的形态学运算对原始CT图像进行预处理,将模型中主干网络替换为轻量特征提取网络EfficientNetV2,通过K-Means聚类算法得到数据集的先验框。检测平均精度相对传统网络FasterRCNN提升4.2%,较YOLOv3网络提升6.11%,实验结果表明,改进的网络在训练速度上有较大提升。     

基于改进YOLOv5的红外车辆检测方法

红外图像可在低照度、恶劣天气等条件下工作,红外车辆检测技术旨在使用红外传感器来监测道路上的车辆,实现对车辆数量、车速等信息的收集与分析,该技术不仅可应用于路面车辆,还可应用于铁路、机场、港口等场景,为交通运输行业的安全和便捷提供了有效的技术支持。然而,由于红外图像成像原理的局限和外部环境的干扰,通常导致红外图像成像质量不理想,红外车辆检测仍然存在许多问题。文中提出了一种改进的YOLOv5模型,在YOLOv5的主干部分引入了混合注意力机制,使模型能够更好地关注研究者感兴趣的区域,抑制图像噪声的干扰。此外,在BiFPN基础上提出了一种改进的Z-BiFPN特征融合结构,融合更多的浅层信息,提高浅层信息利用率,并增加一个四分之一下采样的小目标检测层,同时将YOLOv5的检测头替换为解耦头来提升模型的检测能力。在自建的七类红外车辆数据集INFrared-417上进行了实验,验证了算法的有效可行性。与原始YOLOv5相比,m AP从81.1%提升到了85.3%。