基于改进YOLOv3算法的水面漂浮物检测方法

针对人工湖中的水面漂浮物检测问题,提出了一种基于改进YOLOv3的水面漂浮物目标检测算法,目标检测包括目标识别与目标定位.首先通过改进的k-means聚类算法获取先验框,以提高定位框与数据集标注框的匹配度,其次在YOLOv3算法框架的3个预测支路中添加类别激活映射(CAM),将原基于边界框的定位方式替换成基于像素点进行...     

基于改进YOLOv3的合成孔径雷达影像舰船目标检测

为了提高合成孔径雷达(synthetic aperture radar,SAR)影像舰船目标的召回率和准确率,降低漏检率,通过以YOLOv3(you olny look once)为检测框架,对锚点框(anchor boxes)生成机制进行改进,提出了利用K-median++生成anchors的聚类算法.结果表明不当的...     

基于改进YOLOv3的加油站卸油检测方法

针对传统加油站生产环境下卸油作业检测效率低,违规操作引发的安全问题,提出一种基于改进YOLOv3的加油站卸油检测方法。该方法通过在Darknet-53主干输出后引入RFB(Receptive Field Block)感受野模块,使模型能选择合适的感受野对不同尺度目标进行匹配,提高检测精度;结合CSP(Cross Stage Partial)网络并提出RFB＿CSP和RFBS＿CSP两种结构,实现两条支路的跨级拼接与通道整合,降低计算成本;用K-means++算法对现场的9类目标重新聚类分析,确定合适的网络anchor参数。实验结果表明,优化后的模型对比原始的YOLOv3模型,其平均精度均值提高了2.3%和2.9%,说明优化后的YOLOv3模型在加油站场景检测具有较高的实用价值。     

嵌入自适应注意力机制YOLOv3的类圆杆物计数方法研究

为解决类圆杆物生产分装过程中传统计数方法计数准确率低和检测速度慢等问题,采用一种融合GIoU优化算法与注意力机制YOLOv3的类圆杆物检测计数方法(adaptive attentional mechanism YOLOv3,AAM-YOLOv3)。首先使用数据增强技术对标定数据进行扩增,减少模型过拟合现象;然后,以K-means算法聚类训练数据,自适应确定锚框尺寸,并采用GIoU算法优化回归损失函数;最后,引入混合注意力模块(CBAM)强化检测网络提取目标位置有效特征,忽略不重要特征信息,以克服传统YOLOv3算法中因特征提取不充分而导致目标漏检的问题。结果表明,所提出的AAM-YOLOv3模型检测mAP值为97.5%,计数准确率为98.9%,较改进前分别提高5.8%和4.4%,检测速度达到40 fps。所提算法以及检测计数方法可快速高效地实现类圆杆物的准确计数,能满足生产分装过程检测要求。     

基于改进YOLOv5的道路目标检测

为提高自动驾驶中的道路目标检测精度,设计了一种基于YOLOv5的道路目标检测模型。该模型在YOLOv5s的网络模型基础上,将原始的初始锚框聚类算法改为K-means++算法来减小随机带来的聚类误差;并在Backbone中SPP模块之前引入SENet注意力机制,以增强道路目标重要特征并抑制一般特征,达到提高检测网络对道路目标的检测能力。在VOC2012改进数据集上训练、测试,基于改进的YOLOv5s的模型比原始YOLOv5s模型平均准确精度提高了2.4%。实验结果表明,改进的YOLOv5s模型能较好地满足道路目标检测的精度要求。     

YOLOv3-ADS:一种基于YOLOv3的深度学习目标检测压缩模型

基于原有YOLOv3模型占用存储空间较大,所需初始化数据集样本和参数较多的问题,本文提出了一种基于YOLOv3的深度学习目标检测压缩模型YOLOv3-ADS.该模型使用拼接、叠加等方法对较少的有代表性的初始数据集进行数据增强,引入了DIoU损失函数,提升了目标检测的准确度.最后,通过稀疏训练和剪枝率阈值设置实现了YOL...     

基于改进的YOLOv3的实时车辆检测

车辆检测是智能交通系统的关键技术之一,对实时性和准确性有较高的要求。对此,文章提出了一种基于You Only Look Once(YOLO)v3改进的车辆检测算法,该算法能够确保实时检测的前提下,大幅度提高检测准确率。首先,改进了YOLOv3的特征提取网络,使用跨阶段残差模块替换原有残差模块。该结构的特征重用特性可以有效提高提取特征的效率;其次,设计了一种新的特征融合网络,通过融合不同深度网络层的特征信息,进一步提高了算法的检测准确性。实验结果表明,与原YOLOv3相比,该算法既满足检测实时性,平均精确率(mean Average Precision,mAP)又提高了8.7%。     

基于改进YOLOv3的道路目标检测

针对YOLOv3在道路目标检测中漏检率高和检测精度低的问题,提出一种基于改进YOLOv3的道路目标检测方法 。通过将原有YOLOv3的3个特征尺度增至4个,从而提升了对于小目标的检测准确率。使用CIoU损失函数提高模型的准确性,利用K-Means++聚类算法对道路目标重新聚类,得到新的候选框。在BDD100K数据集上的验证结果 表明,改进的YOLOv3算法在降低漏检率和提高检测精度方面效果较好。     

基于改进YOLOv3的交通标志检测

针对交通标志检测小目标数量多、定位困难及检测精度低等问题,本文提出一种基于改进YOLOv3的交通标志检测算法.首先,在网络结构中引入空间金字塔池化模块对3个尺度的预测特征图进行分块池化操作,提取出相同维度的输出,解决多尺度预测中可能出现的信息丢失和尺度不统一问题;然后,加入FI模块对3个尺度特征图进行信息融合,将浅层大特征图中包含的小目标信息添加到深层小特征图中,从而提高小目标检测精度.针对交通标志数据集特点,使用基于GIoU改进的TIoU作为边界框损失函数替换MSE函数,使得边界框回归更加准确;最后,通过k-means++算法对TT100K交通标志数据集进行聚类分析,重新生成尺寸更小的候选框.实验结果表明,本文算法与原始YOLOv3算法相比mAP提升11.1%,且检测每张图片耗时仅增加6.6 ms,仍符合实时检测要求.与其他先进算法相比,本文算法具有更好的检测精度和检测速度.     

基于YOLO改进算法的安全帽和口罩佩戴自动同时检测

针对工地、危险区域等场景需要实现同时佩戴安全帽与口罩的自动检测问题,提出一种改进的YOLOv3算法以提高同时检测安全帽和口罩佩戴的准确率.首先,对网络模型中的聚类算法进行优化,使用加权核K-means聚类算法对训练数据集聚类分析,选取更适合小目标检测的Anchor Box,以提高检测的平均精度和速度;然后,优化YOLO...     

采用改进YOLOv3的高分辨率遥感图像目标检测

由于高分辨率遥感图像存在目标排列密集、尺寸差别大等情况,传统算法难以准确地对其进行目标检测。在YOLOv3算法的基础上,提出一种改进的高分辨率遥感图像目标检测算法(remote sensing-YOLO,RS-YOLO)。利用K-means聚类算法对数据集进行聚类,重新设计适合遥感图像的先验框; 引入高斯模型计算预测框的不确定度,以提高网络对预测框坐标的准确度; 使用弱化的非极大值抑制算法(soft non-aximum suppression,Soft-NMS)对预测框进行处理,增强算法对密集排列目标的检测能力。实验结果表明,改进后的算法能够对高分辨率遥感图像进行有效的目标检测,以NWPU VHR-10数据集为例,RS-YOLO的平均检测精度达到了87.97%。     

基于YOLOv3模型的人脸检测与头部姿态估计融合算法

针对头部姿态估计中的人脸检测框尺寸难于学习问题和将人脸检测、头部姿态估计分为两阶段的模型中流程复杂、耦合程度高、误差累积严重的问题,本文提出一种基于YOLOv3模型的人脸检测与头部姿态估计融合算法。通过K-means聚类方法对训练集中人脸区域的尺寸进行聚类,得出9组聚类结果,以模拟真实情况下人脸区域的尺寸和比例;通过拓展YOLOv3模型,实现人脸检测和头部姿态估计同时进行,并在3个不同层次的特征图上进行人脸检测和头部姿态估计,实现对特征图的多尺度检测,充分利用了特征图中的信息;采用端到端模式进行训练,简化头部姿态估计任务的处理流程。在CAS-PEAL-R1姿态子集上取得99.23%的预测准确率,在Pointing′04数据集上pitch和yaw方向分别取得了3.79°和4.24°的平均绝对误差。结果表明,本模型在满足实时性要求的前提下,能够出色完成人脸区域检测与头部姿态估计任务,充分证实本文方法的可靠性与实用性。     

基于改进YOLOv4算法的动车库接地杆状态检测

工人登顶动车检修库作业前,需确认接地杆接地状态.采用人工视频复核的方式,存在易疲劳、效率低等问题,且有严重的安全隐患,本文提出一种基于改进YOLOv4算法的动车库接地杆状态检测方法.该算法采用改进K-means算法对图片数据集进行聚类分析,筛选出适合图片目标的锚框;之后采用改进的YOLOv4算法对数据集进行特征提取与训练,即通过在网络中添加CBAM注意力模块和改进SPP结构,以增强算法的准确性与检测速度;最后根据训练网络进行测试,改进算法后mAP值比原YOLOv4算法提高了2.51%达到99.09%,检测速度大约提高了5 f/s.算法应用于现场边缘计算模块中,取得了良好的应用效果.     

改进YOLOv3算法的车辆信息检测

车辆信息检测是车型识别在智慧交通领域中的首要任务。针对现有的车辆信息检测技术在检测速度、精度以及稳定性方面存在的问题,提出了基于YOLOv3的深度学习目标检测算法——YOLOv3-fass。该算法以DarkNet-53网络结构为基础,删减了部分残差结构,降低了卷积层的通道数,添加了1条下采样支路和3个尺度跳连结构,增加了一个检测尺度,并通过K-均值聚类与手动调节相结合的方法计算出12组锚框值。最后通过迁移学习机制对YOLOv3-fass算法进行微调。在自研的车辆数据集上,YOLOv3-fass算法与YOLOv3、YOLOv3-tiny、YOLOv3-spp算法以及具有ResNet50和DenseNet201经典网络结构的算法做了对比实验,结果表明YOLOv3-fass算法能够更精准、高效、稳定地检测到车辆信息。     

雾霾天气车辆检测的改进YOLOv3算法

针对传统YOLOv3算法中存在检测框定位不精确的问题,提出了一种改进的YOLOv3算法用来重新估计检测框位置,提高智能汽车在雾霾交通环境下的定位精度。首先运用图像去雾算法对采集到的图片进行预处理,然后构造定位置信度替代分类置信度作为参考项来选择估计检测框位置,并改进非极大值抑制（NMS）算法,引入软化非极大值抑制（soft-NMS）,最后使用加权平均的方式来更新坐标位置,以达到提高定位精度的目的。实验结果表明,先经过单尺度retinex去雾算法处理图片,再通过改进的YOLOv3算法进行车辆检测,与使用原始的YOLOv3算法进行检测相比平均精度均值mAP（mean average precision）提高了0.44%,在满足检测实时性的同时,能够检测到更多的目标,对检测车辆的定位也更加精确。     

基于密度的改进聚类算法比较

针对传统K-means算法的聚类结果依赖初始聚类中心的缺陷,提出了一种基于密度的改进K-means聚类算法,该算法选择位于数据集样本密集区且相距较远的数据对象作为初始聚类中心,实现K-means聚类。针对PAM算法时间复杂度高,且不利于大数据集处理的缺陷,提出了一种基于密度的改进K-medoids聚类算法,在选取初始中心点时根据数据集样本的分布特征选取,使得初始中心点位于不同类簇。UCI机器学习数据库数据集和随机生成的带有噪音点的人工模拟数据集的实验测试证明,基于密度的改进K-means算法和基于密度的改进Kmedoids算法都具有很好的聚类效果,运行时间短,收敛速度快,有抗噪性能。     

改进YOLOv4算法的GFRP内部缺陷检测与识别

为实现航空玻璃纤维复合材料内部分层缺陷的智能识别,搭建了一种多自由度光纤耦合式太赫兹时域光谱系统,对带有模拟内部分层缺陷的样件进行检测,对检测结果图像进行了数据筛选、数据增强和数据标注,构建目标检测所用数据集.同时,提出了一种改进的YOLOv4算法,提高了缺陷智能识别的精度.实验结果表明,改进的YOLOv4算法在测试集得到91.05％ 的准确率和92.02％ 的召回率,分别较原YOLOv4算法提高了5.73％ 和8.51％,具有更强的特征提取能力,并展现出良好鲁棒性,明显消除了应用原YOLOv4算法的错检、漏检现象.