基于改进YOLOv4算法的铁路扣件检测

扣件的健康状态是保障轨道车辆正常运行的关键。当前人工检测轨道扣件效率较低,具有缺陷性。针对这一问题,提出了基于改进YOLOv4算法的轨道扣件与检测。在YOLOv4网络中,利用CSPDarknet53第二个残差块嵌入conv卷积结构与YOLO头部结构,增加输出端,并进行网络中的上采样与下采样。与YOLOv4原算法模型相比,提升了准确率与检出率。将使用改进YOLOv4的方法,实现对有砟轨道与无砟轨道上扣件的状态检测。试验结果表明：基于改进YOLOv4算法检出率和准确率比原YOLOv4算法分别提升4.65%和4.88%,并且YOLOv4模型体积与其他模型相比更小,适用于轨道扣件检测。     

基于YOLOv4的轻量级火焰检测算法

为改善现有火焰检测算法参数量大、训练时间长等缺点,本研究提出基于YOLOv4改进的轻量级火焰检测算法。算法以YOLOv4为基本框架,采用MobileNet v3作为主干网络,利用深度可分离卷积替代YOLOv4中颈部网络和检测网络的3×3普通卷积,并将激活函数更换为H-swish函数,构建出一种轻量级火焰检测算法。不仅参数大幅度减少,而且能提升火焰检测精确度,降低火焰漏报率。实验证明,在相同的训练条件下,本研究提出的算法参数量个数降为YOLOv4的18%,训练时间减少44%。当检测相同火焰图像时,与MobileNet v3-DW-YOLOv4算法相比,本研究算法的精确度提升1%,检测速度为每秒46帧,能更好地嵌入到终端设备上进行实时检测。     

基于改进YOLOv5算法的车辆目标检测

为了解决车辆目标检测中准确率低的问题,提出了一种基于改进YOLOv5算法的车辆目标检测.改进后的YOLOv5算法主要是在原来的基础上通过K-means聚类的方法对数据集中的目标边框进行重新聚类、并将CIoU损失函数和DIoU＿nms应用于YOLOv5算法来提高目标识别效果.改进后的YOLOv5算法,目标检测mAP达到了85.8%,比改进前的YOLOv5算法提升了1.3%.     

基于改进路径聚合和池化YOLOv4的目标检测

针对YOLOv4目标检测器存在信息利用率不足的问题,提出了一种新的基于改进的路径聚合和池化YOLOv4的目标检测方法 YOLOv4-P。为了充分利用路径聚合可以有效防止信息丢失这个特点,对YOLOv4的路径聚合网络进行改进,利用主干特征提取网络的第二个残差块,新增一个检测层,加强融合浅层特征层。另外,使用K-means聚类对数据集重新进行处理,获得合适的先验框尺寸。此外,图像经过主干特征提取网络后的感受野比理论感受野小,为了增大感受野,在主干特征提取网络的后端加入金字塔池化模块,利用4种不同尺度的金字塔池化引入不同尺度下的特征信息。最后,在PASCAL VOC2007和VOC2012进行仿真实验,实验结果表明,提出的YOLOv4-P有效提高了检测精度。     

基于改进YOLOv5的拥挤行人检测算法

针对密集场景下行人检测的目标重叠和尺寸偏小等问题,提出了基于改进YOLOv5的拥挤行人检测算法。在主干网络中嵌入坐标注意力机制,提高模型对目标的精准定位能力;在原算法三尺度检测的基础上增加浅层检测尺度,增强小尺寸目标的检测效果;将部分普通卷积替换为深度可分离卷积,在不影响模型精度的前提下减少模型的计算量和参数量;优化边界框回归损失函数,提升模型精度和加快收敛速度。实验结果表明,与原始的YOLOv5算法相比,改进后YOLOv5算法的平均精度均值提升了7.4个百分点,检测速度达到了56.1帧/s,可以满足密集场景下拥挤行人的实时检测需求。     

基于改进YOLOv4的车辆目标检测算法

针对公路上高速行驶的车辆检测常常存在错检、漏检的问题,对YOLOv4算法进行改进优化．首先,将CSPDarknet53-tiny作为主干特征提取网络,并对网络中的ResBolck＿body模块中的残差边与GhostModule模块结合代替原始特征网络CSPDarknet53,从而简化网络结构,同时提高其检测精度;然后,将原算法中的SPPNet模块结构替换为ASPPNet,增大网络感受野,降低参数计算量,使模型能够在保持精准度的同时更加轻量化;最后,将注意力机制模块SENet结构嵌入特征金字塔PANet的两个不同位置,使其可对不同重要程度的特征进行相应处理．在BDD100K数据集实验中,原YOLOv4算法训练后得到的模型的平均精度(AP)为88.27%,改进优化后的YOLOv4模型AP为90.96%,改进后的YOLOv4算法相比原算法AP提高了2.69%．在实际真实场景数据集实验中,改进优化后的YOLOv4算法比原算法AP提高了3.31%．实验结果表明,本文提出的方法可以有效提高YOLOv4算法对车辆目标检测的精度．     

YOLOv5算法在山火检测中的应用

随着高新技术的发展,山火的监控、预警方式从过去以人工为主转换成图像、热成像等火焰识别的计算机处理,前者检测成本较高且监视范围小,同时存在环境背景杂乱,灯光、白云等与烟火混淆的因素导致检测误差大,预警延迟等问题。YOLO是基于深度学习的目标检测算法,它对收集到的多元烟火数据集进行以火焰、烟雾为研究对象的目标检测训练,能够得到烟火的自动识别检测模型,同时降低环境中检测混淆因子造成的影响使得分离烟火。对目标检测模型进行优化改进,使最后训练出的检测模型能够对图片或视频有更好的检测效果。     

基于YOLOv4算法在车辆检测中的应用

为解决车辆识别中由于拍摄角度和距离的不同,导致成像后的车辆尺寸较小和车辆存在不同程度的遮挡,从而产生车辆的错检和漏检等问题,在单阶段目标检测网络YOLOv4(You Only Look Once version 4)算法的基础上,提出了基于注意力机制的递归YOLOv4目标检测算法,即RC-YOLOv4(Recursive and CBAM You Only Look Once version 4)算法。为提高算法对成像后小尺寸车辆的检测能力,在YOLOv4算法加入CBAM(Convolutional Block Attention Module)模块,该模块结合了通道和空间注意力机制,能帮助网络模型更加关注检测图像中的重点信息和小目标信息。针对车辆部分遮挡的检测问题,采用递归特征金字塔(RFP:Recursive Feature Pyramid)结构加强模型对深层特征信息提取能力,RFP结构类似于选择性增强或抑制神经元激活的人类视觉感知,将主干网络提取到的特征递归融合,然后反馈给主干网络,多次特征融合增强网络对上下文语义信息的提取整合能力。提高了对遮挡车辆的检测精度。实验结果表明,在自...     

基于改进YOLOv5的轻量化无人机检测算法

针对现有的无人机检测算法无法同时兼顾检测速度及检测精度的问题,本文提出了一种基于YOLOv5s（You Only Look Once）的轻量化无人机检测算法TDRD-YOLO（Tiny Drone Real-time Detection-YOLO）.该算法首先以YOLOv5s的多尺度融合层和输出检测层分别作为颈部网络和头部网络,引入MobileNetv3轻量化网络对原骨干网络进行重构,并将骨干网络后的通道在原YOLOv5s的基础上进行压缩,减小网络模型大小;其次,将骨干网络中Bneck模块的注意力机制由SE修改为（Convolutional Block Attention Module,CBAM）并在颈部网络引入CBAM,使网络模型更加关注目标特征;最后修改颈部网络的激活函数为h-swish,进一步提高模型精度.实验结果表明：本文提出的TDRD-YOLO算法平均检测精度达到96.8%,与 YOLOv5s相比,参数量减小到原来的1/11,检测速度提升1.5倍,模型大小压缩到原来的1/8.5.实验验证了本文算法可在大幅降低模型大小、提升检测速度的同时保持良好的检测性能.     

改进YOLOv5的多车辆目标实时检测及跟踪算法

多车辆目标跟踪时间主要花费在车辆检测模块和对每个车辆表观特征提取模块,一般情况下,车辆检测和车辆表观特征提取是在不同的神经网络中进行的,且一张图中的车辆目标越多,对车辆表观特征提取耗费时间的也越多,推理时间也相应变长。针对这一问题,基于经典的Tracking-By-Detection模式,提出一种改进的YOLO模型：在YOLO网络中添加ReID特征识别模块,使YOLO在输出目标位置信息的同时输出目标特征信息,以提高算法的跟踪速度。针对车辆间彼此覆盖的情况,提出一种基于动态IOU阈值的非极大抑制算法,以提高算法的跟踪精度。最后将YOLO输出的信息进行数据匹配,从而实现多目标跟踪。在UA-DETRAC数据集上验证改进模型的有效性,实验结果表明,将YOLOv5网络进行改进后运用在目标跟踪算法中,相对于经典的YOLO+DeepSORT跟踪模型,在车辆密集的情景下平均推理时间减少了17%;在改进后的网络上添加动态IOU阈值非极大抑制,跟踪精度提高了3.9个百分点。改进后的模型有较好的实时性与跟踪准确率。     

一种多尺度YOLOv3的道路场景目标检测算法

针对在自然交通场景中道路不同种类目标的边界框大小差异巨大,现有实时算法YOLOv3无法很好地平衡大、小目标的检测精度等问题,重新设计了YOLOv3目标检测算法的特征融合模块,进行多尺度特征拼接,对检测模块进行改进设计,新增2个面向小目标的特征输出模块,得到一种新的具有5个检测尺度的道路目标多尺度检测方法YOLOv3_5d.结果表明:改进后的YOLOv3_5 d算法在通用自动驾驶数据集BDD100 K上的检测平均精度为0.5809,相较于原始YOLOv3的检测平均精度提高了0.0820,检测速度为45.4帧·s-1,满足实时性要求.     

改进的YOLOv4肺结节检测算法

针对目标检测YOLOv4算法在肺结节检测中存在的小目标漏检和肺结节位置失真等问题,设计了一种改进的YOLOv4肺结节检测算法.在原始YOLOv4网络的基础上,将特征融合网络的上采样过程替换为双线性插值法,并采用张量堆叠的方法使顶层的语义信息与底层的位置信息形成更高通道的特征张量.实验结果表明,与原始的YOLOv4算法相比,改进的YOLOv4算法在公开数据集LUAN16上的平均精确度与预测速度分别提高了4.54%和28.1%,可视化结节位置表达更精准.     

一种轻量化网络的火焰烟雾检测算法

针对算力有限的移动和嵌入式平台,提出了一种基于深度学习的轻量化火焰烟雾检测算法.利用数据增强来解决数据量较少的问题,使用one-stage目标检测方法中的YOLOv4作为火焰烟雾检测的模型框架,采用轻量化神经网络MobileNetV3替换YOLOv4的原主干特征提取网络,减少了模型参数量;再采用深度可分离卷积替换掉YO...     

基于改进YOLOv5的农业害虫检测

设计了一种改进的YOLOv5模型实现对小目标害虫识别定位并将其应用于农业虫情分析。首先对数据集中的图片进行数据增强操作,结合目标背景分析,对一半数据进行降低亮度处理以增大训练难度。为了解决目标检测模型中小目标容易随着卷积神经网络的加深而导致目标信息丢失的问题,提出在模型中额外增加特征提取层,以达到丰富小目标的特征信息和位置信息的目的。该模型采用一种切割图像再检测的方法,在降低模型计算量的同时提高了检测精度。最后设计了多组实验并进行对比,验证了模型的有效性,平均检测精度达92%。     

改进YOLOv3的行人车辆目标检测算法

针对YOLOv3(you only look once version 3)对中小目标检测效果不理想的问题,提出改进算法DX-YOLO(densely ResneXt with YOLOv3).首先对YOLOv3的特征提取网络Darknet-53进行改进,使用ResneXt残差模块替换原有残差模块,优化了卷积网络结构;...     

一种改进YOLOv5的课堂异常行为感知检测算法

YOLOv5算法能够对异常行为进行检测,大幅度提高异常行为识别的准确率和速度。然而,其参数规模较大,GPU计算量大,不适合在资源受限的嵌入式终端上进行安装部署;同时,其对目标密集、易产生遮挡的学生课堂异常行为识别表现不佳。针对上述问题提出了融合MobileNetV3的YOLOv5算法,该算法通过改进网络结构提升了算法效率,通过小目标锚框改进了相互遮挡的多目标识识别能力。最后,在基准数据集上的实验结果表明该算法网络模型参数量优于现有的YOLOv5算法,同时该算法在课堂异常行为数据集上表现出更好的识别效果。     

基于改进YOLOv5s的行人车辆目标检测算法

针对传统的行人车辆目标检测算法因参数量大和计算复杂度高而在现实应用中受限的问题,基于轻量化深度学习网络提出改进的YOLOv5s行人车辆目标检测算法.首先,选用ghost模块替换主干网络中部分卷积模块进行模型剪枝,同时向网络中引入注意力机制,使得网络在减少模型参数量和提升模型性能两方面实现更好的平衡;其次,采用边界框的宽高差值计算代替边界框回归损失函数中宽高比距离的计算,加速网络的收敛;最后,通过构建真实交通场景下的行人车辆目标检测数据集检验模型的准确性和实时性.实验结果表明,在保持原算法较高精度的同时,改进后YOLOv5s算法的参数量下降28%,模型大小降低27%,节省了硬件成本,拓宽了YOLOv5s算法的应用场景.     

治安监控视频中暴力行为的识别与检测

为了充分提取治安监控视频中的时空特征和时序特征,并对暴力行为进行准确的识别与检测,提出一种基于三维卷积神经网络(3DCNN)和卷积长短期记忆网络(Conv LSTM)的暴力行为识别算法。首先,采用一种通用视频描述符—3DCNN结构,提取视频的短时特征,这些特征封装了视频中与目标和场景相关的背景信息,然后,构建Conv LSTM网络对3DCNN提取的短时特征在时间轴上进行建模,进而充分提取视频的高层时序特征。最后,利用Sigmoid函数分类行为动作。为了验证该算法的高效性,对所提出的方法在暴力行为数据集Hockey上进行验证,达到了98.96%的识别精度。测试结果表明,该融合模型在检测效果上优于目前人工提取特征的方法和深度学习的方法。     

基于改进的YOLOv5s安全帽佩戴检测算法

针对个人防护用具安全帽的防护检测识别需求,现有的人工检测方法费时费力,无法做到实时监测.提出了一种基于YOLOv5s深度学习模型的安全帽检测算法,能够有效识别检测安全帽是否正确佩戴.并通过添加CA注意力机制,重新分配每个空间和通道的权重;以BoT3替代原有的C3模型,作为主干网络;并将CIOU损失函数改为SIOU等方法,改进原有的YOLOv5s模型,提高安全帽检测识别的精度,提高检测速度.实验结果表明,安全帽识别检测的平均精度比原始模型提高了2.2%,识别检测速度提升了19 ms,实现了更准确地轻量高效实时的安全帽佩戴检测.