基于YOLOv3的船舶实时监测识别

针对水面环境复杂多变、远处小目标识别准确率低和目前目标检测算法实时性差的问题,分析以Darknet-53为主干网络的YOLOv3框架相较于其他算法的改进特点,提出一种基于YOLOv3的船舶实时监测识别方法,并在训练阶段对难识别样本进行精细训练。该方法增强了系统在不同情况下船舶分类检测与识别的准确率,提高了整个算法的鲁棒性。〖JP3〗实验数据表明,最终在整个数据集上单类平均准确率最高可达到91.82%。本文方法可应用于船舶智能驾驶的辅助支撑系统。     

基于YOLOv3的手势识别算法

随着手势识别技术和人机交互技术的不断进步,出现了很多人机交互的汽车控制方式。手势交互具有便捷、直观、形象的特点,能够改善传统的方向盘控制模式。基于此,设计基于YOLOv3的手势识别算法。该算法通过优化训练方式调整非极大值抑制（Non-Maximum Suppression,NMS）阈值,进一步提高了手势识别算法的性能。     

基于改进型YOLOv3的目标识别与跟踪技术

针对传统YOLOv3模型在小目标检测和跟踪方面存在的不足,提出了一种基于多尺度特征融合的改进型YOLOv3模型。该模型通过引入特征金字塔模块和预测分支,有效地提升了对小尺度目标的感知能力和定位精度。本研究使用MOTChallenge数据集对该模型进行实验评估,并与标准YOLOv3模型进行了对比。实验结果表明,基于多尺度特征融合的YOLOv3模型在精确率、召回率和平均精确度等评价指标上均取得了显著提升。     

基于YOLOv3算法的机械零件智能识别方法

为提高零件识别准确率,缩短识别耗时,提出一种基于YOLOv3算法的机械零件智能识别方法。该方法先对采集图像进行预处理,然后通过增强固定特征、提取图像缺陷特征点等方式识别机械零件特征,然后基于YOLOv3算法建立智能识别模型,实现机械零件智能识别功能。实验结果表明,该方法的检测准确率高于94.3%,检测耗时不超过2.1 ms,优于对比方法,应用效果较好。     

基于改进YOLOv3网络的学生特定行为识别

为了提高卷积神经网络在学生行为识别应用的检测精度,本文使用K-means聚类对特有数据集进行聚类得到更适应的anchor box,并且提出一种基于改进损失函数的YOLOv3网络模型。该网络模型将原有的平方和损失函数权重进行动态转化,注重计算连续变量的损失。新的损失函数能有效减低Sigmoid函数梯度消失的影响,使模型收敛更加快速。实验结果表明,基于改进损失函数的深度卷积神经网络应用对“抬头”“低头”“说话”3种姿态的识别均有提高。     

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...     

改进的YOLOv3算法在棉花识别中的应用

棉花是一种密集性农作物,传统YOLOv3算法在识别密集性目标方面准确率较低。为了解决此问题,提出了一种基于改进的YOLOv3算法的棉花识别方法。在传统的YOLOv3算法框架基础上,先加上一道多尺度特征检测通道,使算法更能识别密集性目标,再自制棉花识别数据集,并使用改进的YOLOv3模型进行实验。结果表明,检测速度高达56.4 fps,目标精度为88.55%,可以完成实际环境中的棉花识别任务。     

基于YOLOv3的人员照片标识识别算法研究

军队人员着装配饰信息数量较大以及时效性强,人工录入信息存在工作量大、时效性低的问题。开展军人人员证件照片识别技术的研究,设计和实现深度学习算法完成军兵种、军衔、级别等要素的自动识别。通过对军人证件照片各个区域进行标注,完成了对军人证件照片训练及测试数据集构建,对所有照片脱密处理。基于使用GIoU改进损失函数,并加入通道注意力机制以及自适应特征融合的YOLOv3算法对军官数据集进行训练,得到了军官数据集训练模型,实现了对军官照片军兵种、军衔、级别等要素的自动识别。     

基于YOLOv3和光流的船舶火灾检测

为了提高船舶火灾检测的检测效率,在基于视频的方式下,提出将原始帧和光流融合的深度学习检测方法。首先,利用模拟试验和部分公开数据集建立火灾视频数据集;其次,对火灾视频进行处理,提取原始帧和对应的光流;然后,使用像素级融合的方法融合原始帧和光流,充分利用视频的静态信息和动态信息;最后,使用YOLOv3算法,并利用迁移学习方法,实现火灾检测模型的训练。实验结果表明,所用算法能够更有效地识别烟雾和火焰,显著地减少了火灾视频中的误检情况,进行抽帧检测时能够满足实时检测的要求。     

基于YOLOv3的可变时间窗自校正船只跟踪与计数

能够自动识别、统计航道上的船只类型与数量,对建设"智慧航道"、水上智能预警、通航辅助决策等具有重要意义.通过使用YOLOv3预训练模型,对船只样本图片进行训练,调参优化得到航道中船只检测模型,然后利用深度学习模型善于进行目标特征提取的特点,结合目标HSV颜色直方特征和LBP局部特征来实现目标选择,针对跟踪目标容易出现的漂移和抖动问题,设计校正网络融合使用了基于回归的方向判断和可变时间窗的目标计数方法,较好地实现了水上运动目标的自动检测、跟踪和自校正计数.测试表明本文方法稳定健壮,适合用于自动分析航道视频,提取统计数据.     

基于传统图像处理算法和YOLOv4的水位识别方法研究

水位监测是水利建设的重点问题,为及时掌握水情、预防洪涝灾害,提出了一种智能图像水位识别系统解决方案。对多种情况下的水尺图片利用传统图像算法进行图像预处理后,使用基于YOLOv4的深度学习水位识别算法,对采集的图像进行训练,实现水位自动识别。实验结果表明,基于YOLOv4的深度学习水位识别算法能够有效的通过水尺图像读取当前的水位,算法误差仅在1~2cm左右,符合工程水位监测误差要求。     

复杂场景下基于增强YOLOv3的船舶目标检测

为提升水上交通安全监管的智能化水平，进一步提高基于深度学习的船舶目标检测算法的定位精度和检测准确率，在传统YOLOv3算法基础上，提出用于船舶目标检测的增强YOLOv3算法。首先，在网络预测层引入预测框不确定性回归，以预测边界框的不确定性信息；然后，使用负对数似然函数和改进的二值交叉熵函数重新设计损失函数；其次，针对船舶形状使用K均值聚类算法重新设计先验锚框尺寸并平均分配到对应预测尺度；在网络训练阶段，使用数据增强策略扩充训练样本数量；最后，使用加入高斯软阈值函数的非极大值抑制（NMS）算法对预测框进行后处理。对各种改进方法和不同目标检测算法在真实海事视频监控数据集上进行对比实验。实验结果显示，与传统YOLOv3算法相比，带有预测框不确定性信息的YOLOv3算法的假正样本（FP）数量降低了35.42%，真正样本（TP）数量提高了1.83%，所以提高了准确率；增强YOLOv3算法在船舶图像上的平均准确率均值（mAP）达到87.74%，与传统YOLOv3算法和Faster R-CNN算法相比分别提高了24.12%和23.53%；所提算法的每秒钟检测图像数量达到30.70张，满足实时检测的要求。实验结果表明，所提算法在雾天和低照度等不良天气条件与复杂通航背景下，均能实现船舶目标的高精度稳定实时检测。     

复杂场景下基于增强YOLOv3的船舶目标检测

为提升水上交通安全监管的智能化水平,进一步提高基于深度学习的船舶目标检测算法的定位精度和检测准确率,在传统YOLOv3算法基础上,提出用于船舶目标检测的增强YOLOv3算法。首先,在网络预测层引入预测框不确定性回归,以预测边界框的不确定性信息;然后,使用负对数似然函数和改进的二值交叉熵函数重新设计损失函数;其次,针对船舶形状使用K均值聚类算法重新设计先验锚框尺寸并平均分配到对应预测尺度;在网络训练阶段,使用数据增强策略扩充训练样本数量;最后,使用加入高斯软阈值函数的非极大值抑制（NMS）算法对预测框进行后处理。对各种改进方法和不同目标检测算法在真实海事视频监控数据集上进行对比实验。实验结果显示,与传统YOLOv3算法相比,带有预测框不确定性信息的YOLOv3算法的假正样本（FP）数量降低了35.42%,真正样本（TP）数量提高了1.83%,所以提高了准确率;增强YOLOv3算法在船舶图像上的平均准确率均值（mAP）达到87.74%,与传统YOLOv3算法和Faster R-CNN算法相比分别提高了24.12%和23.53%;所提算法的每秒钟检测图像数量达到30.70张,满足实时检测的要求。实验结果表明,所提算法在雾天和低照度等不良天气条件与复杂通航背景下,均能实现船舶目标的高精度稳定实时检测。     

基于特征的江面轮船识别算法*

本文提出了一种江面轮船目标的特征识别方法。首先对江面轮船图像进行预处理,然后通过二维小波变换,提取出边缘轮廓,将目标物体与背景分离开来。结合本文提出的FE（Feature Extract）算法提取出轮船图像的四个特征,根据这些特征建造一个知识库,通过选取适当的知识,采用产生式规则对目标物体进行判别,排除干扰目标,从而识别出轮船目标。最后本文从图片库中抽取几张图片进行实验,相比于之前的单特征方法和Adboost方法可以看出,该方法在识别率上要高于单特征方法,在识别速度上要快于Adboost方法。     

基于LM算法的神经网络语音识别

由于语音识别中朵用标准BP算法存在的训练速度慢、容易陷入局部极小等问题，提出一种基于稳定、快速的Levenberg-Marquardt算法的神经网络语音识别方法，主要包括语音信号预处理、特征提取、网络结构优化设计、网络学习训练和语音识别等过程。其中网络隐含层节点数的选取采用黄金分割优选法。试验仿真表明，LM算法明显提高了网络训练速度，减少了训练时间，其效果优越于标准BP算法。     

基于BP神经网络的定位跟踪算法

提出了一种在NLOS环境下对移动台的定位与跟踪算法。利用BP神经网络对TDOA测量值中NLOS误差进行修正,再利用Chan算法进行移动台位置估计,配合相关检测距离门对移动台进行跟踪。仿真结果表明,该跟踪算法能够有效地实现移动台的静态定位与动态跟踪,性能优于基于Chan算法、LS算法、Taylor算法的静态定位与动态跟踪。     

基于遗传算法和BP网络的物体识别方法

目前常用的物体识别方法,其过程非常复杂,信息量和计算量都很大.结合遗传算法的神经网络方法,充分利用GA的全局搜索能力、BP算法的局部搜索能力和鲁棒性强的特性,提出了一种用遗传算法全局优化神经网络拓扑结构和网络权值的新编码方案进行物体识别方法.仿真结果表明,该方法既解决了BP神经网络对初始权值敏感和容易局部收敛的问题,又加快GA.BP网络的收敛速度,提高收敛精度且识别率较高,从而验证了该方法的有效性.     

基于改进YOLOv3的目标识别方法

在复杂的自然场景中,目标识别存在背景干扰、周围物体遮挡和光照变化等问题,同时识别的目标大多拥有多种不同的尺寸和类型.针对上述目标识别存在的问题,本文提出了一种基于改进YOLOv3的非限制自然场景中中等或较大尺寸的目标识别方法 (简称CDSP-YOLO).该方法采用CLAHE图像增强预处理方法来消除自然场景中光照变化对目标识别效果的影响,并使用随机空间采样池化(S3Pool)作为特征提取网络的下采样方法来保留特征图的空间信息解决复杂环境中的背景干扰问题,而且对多尺度识别进行改进来解决YOLOv3对于中等或较大尺寸目标识别效果不佳的问题.实验结果表明:本文提出的方法在移动通信铁塔测试集上的准确率达97%,召回率达80%.与YOLOv3相比,该方法在非限制自然场景中的目标识别应用上具有更好的性能和推广应用前景.