基于改进YOLOv3的路面正负障碍物检测研究

针对减速带和凹坑等路面正负障碍物目标检测问题,本文基于YOLOv3算法基本原理,在原YOLOv3算法的基础上,采用扩增检测尺度的方法得到改进的YOLOv3算法。利用减速带和凹坑等路面正负障碍物训练集进行模型训练,通过测试集完成对训练模型的测试。测试结果表明,改进后的YOLOv3算法在路面正负障碍物的检测能力上有所提高,R_Re值提高了0.8%,R_MAP值提高了0.2%,验证了本文对原YOLOv3改进的有效性。该研究可用于智能车辆对减速带和凹坑等路面正负障碍物的检测,具有一定的实际应用价值。     

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...     

架空输电线路无人机巡检视频中避雷器计数器目标检测

针对架空线路无人机智能巡检的应用,开发基于无人机巡检视频的避雷器计数器仪表智能识别系统,研究了利用深度学习对巡检视频中的避雷器计数器进行目标检测定位,以提取避雷器计数器的目标区域位置,用于下一步的读数识别。采用基于拉普拉斯算子方差的模糊检测算法对样本进行筛选,构建用于目标检测模型训练的避雷器计数器样本集;并分别采用更快的基于区域的卷积神经网络（faster region-based convolutional neural network,Faster R-CNN)、YOLOv3(you only look once version 3）目标检测、单步多框目标检测(single shot multibox detector,SSD)3种主流的目标检测模型对视频中的避雷器计数器进行检测定位。研究结果表明:Faster R-CNN对研究中构建的测试集的检测准确率可达到99.21%,远高于YOLOv3和SSD。     

基于YOLOv7的直升机航巡电塔目标检测算法研究

为了提升直升机航巡的智能化水平,解决人工作业效率低下的问题,提出了一种基于YOLOv7的直升机航巡电塔目标检测算法。首先,建立直升机航巡电塔数据集,将其分为训练集和测试集。然后,构建YOLOv7目标检测网络模型,并利用训练样本库进行聚类分析,获取目标候选区域的先验尺寸,使用随机梯度下降迭代地修改网络参数,最终实现直升机航巡电塔目标检测。实验结果表明,该方法精度较高、时效性较好,准确度达到94.9%,召回率达到90.5%,算法时间消耗仅39.5 ms,满足直升机航巡电塔目标检测的需求。     

基于改进YOLOv4的电子元器件表面缺陷检测技术研究

采用人工检测工业生产中电子元器件表面缺陷,检测精度和速度都难以满足实际需求.为此提出一种基于改进YOLOv4的电子元器件表面缺陷检测方法,以期为自动化检测提供支撑.通过对网络结构调整,大幅减少网络结构复杂程度;通过设计先验框尺寸优化方法,加快模型训练时的收敛速度;通过设计样本增强方法,对训练数据进行扩充,使网络模型的检...     

轻量化卷积神经网络目标检测算法研究

为有效解决巡检机器人视觉神经网络在车间精准目标检测实时性相关问题。文中以YOLOv4检测算法为基础框架,通过分析机器人在车间巡检时影响检测速度和精度等主要因素,引入应用深度可分离卷积的MobileNetV3轻量化特征提取网络,利用改进LYOLO的损失函数,构建了一种轻量化网络目标检测算法。实验结果表明：LYOLO算法网络参数量降至44.74 MB,平均检测精度可达93.6%,单张图片检测耗时为0.01 s,对巡检时的综合检测定位及检测实时性均获得较大提升。     

基于密集YOLOv3的印刷电路板缺陷识别

对印刷电路板加工过程中微小缺陷的精准检测是保证电子产品质量的前提。 由于电路板缺陷的特征尺寸极小,电路复杂,现有的目标检测方法存在很多不足。 针对这一问题,在 YOLOv3 算法的基础,提出了一种用于印刷电路板缺陷检测的密集 YOLOv3 目标检测算法。 首先,用密集连接卷积网络模块代替 YOLOv3 算法特征提取网络中的部分残差网络单元,增强网络的特征重用;其次,对损失函数加以改进,用预测框和真实值之间的广义交并比来解决交并比为零时无法继续优化的问题。 所提出的密集 YOLOv3 算法在扩充后的印刷电路板缺陷数据集上得到了有效地验证。 实验结果表明,与其他识别算法相比,所提算法在识别精度提高的同时,算法尺寸也有所减小。     

基于光流改进与YOLOv3的烟雾检测方法

火灾严重威胁着人们的生命和财产安全,而烟雾作为火灾前期的一个重要特征,应当作为火灾检测的首选目标.为了解决传统火灾检测在准确度和实时性上存在的不足,提出了一种基于传统光流改进与YOLOv3结合的烟雾检测模型.该模型针对烟雾的动态特征,通过改进光流算法对动态前景区域进行目标框定完成一次筛选;利用大样本数据集训练的YOLO...     

增强现实(AR)技术在电网培训中的运用

对增强现实(AR)技术的建模技术、目标识别技术、虚实融合显示技术、人机自然交互技术进行分析,提出了增强现实技术在重庆电网培训中的应用方案,对培训系统的硬件结构、软件结构进行搭建,实现基于AR技术的变电设备运维学习模型建模、变电设备运维学习虚拟融合和交互展示、变电设备运维流程训练模型的建模等系统功能。     

基于混合域注意力YOLOv4的输送带纵向撕裂多维度检测

针对输送带纵向撕裂目标检测维度单一、模型复杂度高等问题,提出一种高效的MobileNetv3及YOLOv4集成网络输送带纵向撕裂多维度实时检测方法.基于YOLOv4目标识别算法,通过将轻量化网络MobileNetv3代替CSPDarknet53作为骨干网络,结合高效通道域ECA模块和空间域注意力机制（STNet）构建混合域注意力网络（ECSNet）,改进了MobileNetv3嵌入ECSNet,并且提升了模型对空间和通道的关注度.引入深度可分离卷积块代替网络中3*3卷积,并将YOLOv4的检测头（Prediction Heads）缩减为2种尺度,轻量化模型降低网络复杂度和训练难度,完成ECSMv3＿YOLOv4模型的搭建,使用K-means聚类6个Anchors预测目标框高宽,提高网络对表面撕裂的检测性能.研制带式输送机多维度智能巡检样机,采集制作输送带多维度面的纵向撕裂数据集,开展网络模型的训练、测试、识别和定位实验.结果表明,提出算法在测试集中的平均识别准确率为97.8%,识别速度为37帧/s,模型的计算量和参数量为4.882 G和8.851 M,通过试验不同的网络模型效果和改变光...     

基于改进YOLOv4的电力高空作业安全带检测

为了让电力工作人员在电力作业中采取规范的防护措施,提出了一种基于改进YOLOv4的电力高空作业识别及安全带佩戴检测算法。首先,该算法采用MobileNetv2作为主干提取网络,在保证较好的特征提取效果同时降低了网络的参数量,提高模型的识别速度;然后使用K-means聚类算法对数据集中的目标边框重新聚类,并调整空间金字塔池化结构,提高模型的检测精度;最后使用Soft-NMS算法替换原NMS算法降低目标的漏检率。实验结果表明,改进YOLOv4网络模型比原YOLOv4模型mAP提高3.2%,检测速度提高30fps,模型的训练权重大小压缩4.16倍,算法在高空作业安全带检测上具有很强的实用性和高效性。     

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.     

基于深度学习的牙模3D打印缺陷检测方法研究

牙模3D打印过程中出现的质量缺陷影响着牙模的外观和使用性能，严重时导致废品率高，造成时间、材料的浪费。为了减少牙模3D打印的废品率，提出了一种基于YOLOv5的牙模3D打印实时缺陷检测方案：首先获取多维度牙模缺陷图片，采用切图分割与数据增强处理等方式制作数据集，然后通过构建YOLOv5深度学习网络模型对牙模3D打印图像进行迭代训练，最后通过YOLOv5程序调用摄像头并使用训练后最佳权重值进行实时在线缺陷检测。通过实验对比，YOLOv5深度学习网络模型的检测准确率要高于Faster R-CNN、YOLOv3、SSD这3种模型，其检测平均准确度高达94.78%,平均检测时间为21 ms。结果表明该方法能够检测牙模3D打印过程中的质量缺陷问题。     

基于YOLOv4-MP的绝缘子爆裂缺陷检测方法

针对输电线路绝缘子爆裂缺陷检测中缺陷目标小、背景复杂多样导致检测精度低的问题，提出了一种基于YOLOv4改进的检测算法YOLOv4-MP。首先，为减少复杂背景的干扰，在特征提取网络中嵌入Shuffle Attention注意力模块，使模型能够提取到更加有效的特征信息。其次，为增强特征融合的效果，在空间金字塔池化中引入带空洞的池化层，能够有效增大感受野。最后，为减少低层信息的丢失，采用Mish函数作为路径增强网络的激活函数。实验结果表明，YOLOv4-MP的平均精度均值(Mean Average Precision, mAP)达到了93.60%，比YOLOv4算法提升了6.37%。与常用的检测算法相比，YOLOv4-MP具有更好的检测性能，对于绝缘子爆裂缺陷检测具有较大应用价值。     

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%。     

基于改进YOLOv5的冲压件缺陷检测方法研究

冲压件在生产过程中容易出现裂纹、划痕、起皱、凹凸点等缺陷。目前,生产线上的冲压件缺陷检测以人工检测为主,效率低,且容易造成漏检。为此,提出了一种基于改进YOLOv5模型的缺陷检测算法。为了提高缺陷部分的关注度,更好地聚焦缺陷,本文在YOLOv5模型的主干网络中引入CA注意力模块。为了进一步提升模型的精度,本文通过对比实验,将目标框损失函数改为 GIoU,提升了定位精度。实验表明,相较于原模型,改进后的YOLOv5模型精准度、召回率、mAP值均得到提升。     

改进的YOLOv3红外视频图像行人检测算法

针对YOLOv3检测红外视频图像行人时存在准确率低、漏检率高的问题,提出一种改进的YOLOv3红外视频图像行人检测算法。根据行人在红外图像中呈现宽高比相对固定的特点,利用k-means聚类方法选取目标候选框个数和宽高比维度,调整网络参数并提高输入图像分辨率,最后进行多尺度训练得到最优检测模型,从而检测红外视频图像序列中的行人目标,并通过候选框标注行人位置。在CVC-09红外行人数据集上进行对比实验,结果表明,改进的YOLOv3算法在红外行人检测中的准确率高达90.63%,明显优于Faster-rcnn和YOLOv3算法,且改进后的网络能够同时检测到更多目标,降低了漏检率。     

基于改进YOLOv3的车辆前方动态多目标检测算法

现阶段的环境感知目标检测技术多为单类目标检测,或是将一幅图像中所有目标均列为待检目标,较少有对处于车辆前方的目标进行针对性的划分和检测。为了解决以上问题,提出了将车辆前方的待检目标分为两类:一是危险性较大,随时可能发生位移的动态目标,包括四轮车辆、二轮车辆和人;二是危险性较小,不会发生位移的静态目标,包括交通信号灯和交通标识。针对危险性较大的车辆前方动态多目标,提出了一种可以移植于嵌入式端的改进YOLOv3的目标检测算法,针对原始YOLOv3算法得到模型较大,难以在嵌入式端实时检测的缺点,以轻量型骨干网络MobileNetV2替换YOLOv3原始骨干网络Darknet-53进行特征提取,在训练中加入群组归一化操作,并使用Adam作为优化器。使用提取后的BDD100K数据集进行训练,利用未参与训练的BDD100K部分数据集和自采标注的Team_test数据集进行测试。研究结果表明,相比于原始YOLOv3算法,本文算法的漏检率可以维持在5%以内,在mAP提升0.020的基础上,本文模型在参数量上较YOLOv3基础模型减小了约89%,在CPU下的Inference Time缩小了约70%。     

基于改进的YOLOv3在电力设备红外检测中的应用

针对变电站内电力设备的红外图像受到复杂背景、高遮挡、低对比度、相似目标特征的影响,而原始的YOLOv3算法模型很难对红外目标实现精准定位且模型过大无法部署到低计算能力的设备,提出一种改进的YOLOv3算法模型。引入MobileNetv3＿Large主干网络替换原DarkNet53,以降低网络复杂度;在颈部网络添加空间金字塔池化(SPP)和DropBlock模块,以提升模型的泛化能力;加入K-means来优化整体的检测效果。结果表明：改进的YOLOv3超越原始算法,在测试数据集上的Map50达到了96.61%,检测速度达到了34.316帧/s。     

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...