基于残差网络的弯道增强车道线检测方法

本文以提高弯道检测效果为主要目的,并综合考虑检测速度,提出了一种基于残差网络的弯道增强车道线检测方法。该方法采用残差网络为主体框架,通过在损失函数中加入弯道结构约束条件实现弯道增强;另一方面,为降低模型的复杂度,采用权值稀疏剪枝技术对模型进行缩减。实验结果表明：本文提出的弯道增强策略有效提高了在弯道场景下的算法性能,且对直线车道的检测性能影响较小。加入了权值稀疏剪枝策略之后,算法在性能未明显下降的前提下大幅度减少了计算时间,更符合实际生产需求。     

基于改进YOLOv5s的雾天场景车辆检测方法

为了解决现有的目标检测方法在雾天场景下存在识别准确率低、易漏检的问题,提出一种改进YOLOv5s的雾天车辆检测方法。首先,以VisDrone数据集为基础,通过大气散射模型生成轻雾数据集(LightFogVisDrone)和浓雾数据集(ThickFogVisDrone),并收集真实雾天场景图片组成混合浓度数据集(MixFogData);其次,对原始YOLOv5s的Mosaic数据增强方式进行改进,由原始的4张图片改为9张图片进行随机剪切,减少灰色背景面积,加快模型收敛,提高训练效率,在预测端之前添加CBAM注意力机制,以此来增强模型的图像特征提取能力,改善遮挡目标与小目标的漏检问题;最后,优化NMS非极大抑制值先验框,改善车辆目标的漏检问题。实验结果表明：与原始YOLOv5s相比,改进YOLOv5s在轻雾、浓雾和混合雾气状态下的平均精确率分别提高了16.14、16.16和15.05百分点。改进YOLOv5s对于雾天环境下车辆目标的检测具有有效性和实用性。     

LaneSegNet:一种高效的车道线检测方法

车道线检测在智能交通领域占有重要地位,其检测的准确度和速度对于辅助驾驶以及自动驾驶有重要影响.针对目前深度学习方法识别车道线精度差、速度慢的问题,提出了一种高效的车道线分割方法LaneSegNet.首先基于编码和解码网络原理构建主干网络Lane-Net,用于提取车道线特征信息并分割出车道线;然后使用多尺度空洞卷积特征融合网络,可以极大地扩充模型的感受野,提取全局特征信息;最后使用混合注意力网络获取丰富的车道线特征,并增强与当前任务相关的信息.实验结果表明：在TuSimple数据集上,该方法检测车道线的准确率为97.6%;在CULane数据集上,该方法在标准路面的检测准确率达到92.5%,多种路面综合检测准确率为75.2%.本文提出的LaneSegNet车道线检测方法分割精确度和推理速度优于其他对比模型,且具有更强的适应性和鲁棒性.     

一种基于Hough变换的车道线检测新方法

针对复杂环境中车道线检测易受图像中其它直线段的影响而出现较多误检测的问题,提出一种新的车道线检测方法．对原始RGB图像灰度化,将Otsu阈值提取方法引入Canny边缘检测算法中,得到边缘图像;判断边缘点在原RGB图像中的R、G、B三分量颜色信息,剔除非类似车道线颜色的边缘点,降低其它非车道线的直线段影响;使用Hough变换进行车道线检测．实验结果表明,该方法可以有效地滤除其它直线段的影响,在复杂环境中获得良好的车道线检测效果．     

基于改进YOLOv5s的电厂捞渣机状态异常检测

针对电厂生产作业现场光照条件受限、背景复杂这一现状,为了保障捞渣机的安全高效运行,提出了一种改进YOLOv5s的捞渣机异常状态检测方法。该方法主要是在YOLOv5s网络的基础上,引入ShuffleNet替换原有的主干网络,通过减少网络参数来实现网络的轻量化;同时在ShuffleNet中加入改进的卷积注意力模块,通过串联空间和通道注意力机制,对捞渣机刮板目标特征给予更多的关注;引入加权双向特征金字塔BiFPN和边框回归损失SIoU函数获取特征信息更为有效的特征图提升目标检测精度。研究结果表明,改进后的模型参数量显著减少,模型体积减小了15.2%,平均精确率均值mAP提升了2.2%,检测时间下降了58.0%。在确保检测准确率的同时,实现了对捞渣机异常状态的实时准确检测。     

基于梯度增强和逆透视验证的车道线检测

为解决高速公路和城市道路上复杂条件下的弱线漏检问题,提出了一种基于梯度增强和逆透视验证的车道线检测方法。该方法使用车道线的结构和对比度特征提取车道线区域,利用提取的车道线区域进行车道线和道路样本的选择,并采用基于模糊线性鉴别分析获得从彩色RGB图像到灰度图像变换的最佳投影系数,以确保车道线和道路像素间的灰度差异最大,从而有效突出道路上的弱线;利用逆透视变换对候选车道线间的空间位置关系进一步验证,以此找回漏检的虚线。不同场景、不同天气状况下的实际道路图像的实验表明,方法具有很好的鲁棒性和准确性。     

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...     

一种基于双曲线模型的车道线检测算法

针对目前车道线检测算法识别率不高、弯道检测不准确的问题,提出了一种基于双曲线模型的车道线检测算法.算法首先运用Canny算子对道路边缘进行检测;采用Hough变换提取道路边界点,并使用扩展的Kalman滤波进行预测跟踪来减小道路扫描范围;最后通过左右车道边界参数与双曲线模型参数进行匹配,利用最小二乘法来求解模型参数,完成车道边界重建.实验结果表明,该算法的准确率达到93.4%,每帧图像的处理速度为87.4ms,有效克服抛物线模型和直线模型在直道与弯道连接处不连续的问题,而且在车道线模糊、对比度较低的情况下也能快速准确的识别出车道线.     

应用模糊逻辑的车道线检测方法

为了实现受大片阴影干扰或强光照等条件下的车道线边缘增强与车道线检测,提出了一种应用模糊逻辑的图像处理方法检测车道线,通过最大信息熵求取直方图的谷底作为隶属度函数的参数值,利用模糊逻辑增强了车道线像素与柏油路像素之间的对比度.在车道线检测过程中,对预处理后的图像利用HT检测直道,利用3次曲线方程拟合弯道.为了节省数据处理时间,根据上一帧的车道线参数,利用Kalman滤波器动态建立感兴趣区域,并且预测当前帧的车道线拟合参数,实现道路的实时检测.对比分析表明,该算法提高了受大片阴影干扰或强光照等条件下的车道线边缘像素和柏油路像素之间的对比度,强化了车道线边缘信息.车道线检测结果表明,经过模糊逻辑处理能准确提取大片阴影干扰或强光照等条件下的车道线参数,稳定检测多种光照条件下的车道线.     

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YOLOv5的沥青路面裂缝检测方法

针对YOLOv5在裂缝图像目标检测中未能考虑到裂缝图像背景复杂,检测目标较小导致检测效果不佳和易出现误检漏检的问题,提出了一种改进YOLOv5的沥青路面裂缝检测方法。该算法首先将轻量级Mobilenet v3的网络作为YOLOv5的特征提取骨干网络,以降低模型复杂度并加快推理速度。同时,在网络预测端引入高效通道注意力机制,提升网络局部特征捕获和融合能力。最后,通过一个嵌入Panet模块来强化裂缝图像的多尺度特征表达能力,提高对小目标的检测效果。实验结果表明,相比于原始YOLOv5算法,改进后的YOLOv5进行沥青路面裂缝检测的平均精度提高了5.6%,模型参数量降低了86.3%,图像检测时间减少了75.8%。     

Power Plant Indicator Light Detection System Based on Improved YOLOv5

Electricity plays a vital role in daily life and economic development. The status of the indicator lights of the power plant needs to be checked regularly to ensure the normal supply of electricity. Aiming at the problem of a large amount of data and different sizes of indicator light detection, we propose an improved You Only Look Once vision 5 (YOLOv5) power plant indicator light detection algorithm. The algorithm improves the feature extraction ability based on YOLOv5s. First, our algorithm enhances the ability of the network to perceive small objects by combining attention modules for multi-scale feature extraction. Second, we adjust the loss function to ensure the stability of the object frame during the regression process and improve the convergence accuracy. Finally, transfer learning is used to augment the dataset to improve the robustness of the algorithm. The experimental results show that the average accuracy of the proposed squeeze-and-excitation YOLOv5s (SE-YOLOv5s) algorithm is increased by 4.39% to 95.31% compared with the YOLOv5s algorithm. The proposed algorithm can better meet the engineering needs of power plant indicator light detection.     

一种改进的STATCOM补偿电流检测方法

针对不平衡电网中存在的负序电压分量对STATCOM的影响,提取三相基波正序电压作为同步参考信号,提出一种改进的ip-iq补偿电流检测方法.利用Matlab/Simulink仿真软件,对传统的ip-iq补偿电流检测方法和改进后的ip-iq补偿电流检测方法进行仿真.仿真结果表明,与传统的ip-iq补偿电流检测方法相比,该方法能够快速响应且准确跟踪电流变化,具有一定的可行性和优越性.     

基于YOLOv5的遥感图像目标检测

为了解决在遥感图像目标检测任务中目标背景繁杂难以识别且目标尺寸复杂的问题,提出一种基于YOLOv5的遥感图像检测优化模型.首先,对输入数据进行马赛克增强,增加样本多样性,同时采用自适应锚框计算,寻求最优初值锚框;然后,把通过主干网络提取到的特征层进行特征融合得到最优特征层,再对定位损失进行优化,采用CIoU loss作...     

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。     

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.