基于改进Yolov5的遥感光伏检测算法

针对遥感光伏图像分辨率高、环境噪声较大以及背景复杂等问题,提出了一种改进Yolov5目标检测模型,以实现对光伏电厂的定位。首先,在主干特征提取网络的卷积层中添加CA(Coordinate Attention)坐标注意力机制提高网络特征的学习能力;其次,将Ghostconv网络结构加入到Backbone中,用Ghostconv网络模块替换Conv网络模块;设计新的GhostC3网络代替原来的C3网络模块,提高模型的学习效率;最后,将损失函数由GIoU＿Loss函数改为SIoU＿Loss函数。实验结果表明,相比原Yolov5方法,改进算法的平均精度均值mAP、精准率和召回率分别达到了97.5%、98.9%和94.9%,提升了1.8%、1.7%和5.8%,验证了该算法对光伏检测具有很好的效果。     

基于面部表情和双流网络的驾驶员疲劳检测

提出了一种基于面部表情的驾驶员疲劳检测方法,该方法结合了传统特征提取和双流卷积神经网络。首先,对采集的驾驶员图片进行预处理,使用Dlib进行人脸检测以及人脸特征点定位。然后,根据人脸特征点获取人脸表情感兴趣区域以及嘴部区域,并分别提取Gabor特征和局部二值模式(local binary patterns, LBP)特征。最后,利用设计的疲劳表情识别网络对获取的两种传统特征进行信息融合以及疲劳表情识别。结果表明,提出的方法具有较高准确率,能够适应驾驶室内不同光照条件的场景,具有较强的鲁棒性。     

基于人眼状态的驾驶员疲劳检测

为提高驾驶员疲劳检测的准确性, 提出一种改进的眼睛状态检测方法。利用“参考白冶算法对原始帧图像做光照补偿处理, 基于肤色特征检测出人脸; 利用积分投影法将人脸和眼睛分割出来, 结合眉毛和眼睫毛之间距离的变化、眼睛区域黑色像素点的个数变化这两个参数对眼睛的状态做出判断。若连续5 帧图像眼睛均为闭合状态, 则系统给出疲劳警报。实验结果表明, 利用两个参数检测的准确率高于单个参数检测的准确率。     

多特征因素的疲劳驾驶检测方法

疲劳驾驶是导致交通事故的主要原因之一,为了降低交通事故对人们生命财产的危害,本文采用分层梯度方向直方图(pyramid histogram of oriented gradients,PHOG)算法进行人脸识别和关键点检测,提出一种多特征疲劳特征因素的疲劳驾驶检测方法,结合OpenCV对人面部的眼、嘴以及头部空间姿态坐...     

基于改进轻量级SE Yolov4的 热轧钢表面缺陷检测方法

针对传统热轧钢表面缺陷检测存在的检测精度较低、检测速度较慢,传统机器学习检测存在检测速度慢、鲁棒性差等问题,提出一种基于改进轻量级SE Yolov4热轧钢表面缺陷检测方法.Yolov4主干特征提取网络CSPDarknet53的每一层残差网络中嵌入SENet结构,构成SE Yolov4网络,有选择地聚集有效信息;同时在主干特征网络输出不同特征信息后和空间池化金字塔前后增加卷积层数,网络结构复杂化;SE Yolov4算法中嵌入轻量化MobileNet v3结构,减少模型参数量,提高检测速度.实验结果表明:该改进算法在测试集中的mAP值达到93.02%,较Yolov4算法检测精度提升7.2%,检测速度提升近3倍.     

驾驶员疲劳状态检测方法研究

为解决由于疲劳驾驶导致交通事故的问题,采用视频图像分析技术处理疲劳的相关特征,运用基于训练的 Adaboost 人脸检测算法精确定位司机脸部和眼睛区域,实时采集眼睛二值化区域面积,采用阈值比较法进行眨眼判断,并提取眼皮疲劳参数 AECS( Average Eyelid Closing Speed) 和 PEＲCLOS( Percent Eyelid Closure over the Pupil Time) ,进行综合疲劳状态分析,最终确定是否疲劳驾驶。实验结果显示,人脸和人眼检测的精度都有较大程度提高,设计的软件可实时监测驾驶员疲劳状态,有效防止疲劳驾驶。     

基于多级特征融合的视频火焰检测方法

火焰前期一般多为小目标,但一般的火焰检测方法对于小目标的检测能力较差.为检测早期火焰,提高火灾预防能力,提出了一种融合多级特征的视频火焰检测方法,针对下采样分辨率变小导致丢失目标的问题,引入了反卷积模块,并融合深层具有较强语义信息的特征和浅层具有较强细节信息的特征,从而有效提高了火焰的检测率.所提算法在Bilkent大...     

改进Yolov7的子午线轮胎X光图像缺陷检测

为了实现轮胎缺陷的自动检测,提高轮胎缺陷检测的精度,提出了一种子午线轮胎缺陷检测方法（YOLOv7-DCA）。首先,基于协调注意力和空洞卷积设计了DCA-MP(dilated coordinated attention-max pooling)模块,加强下采样的感受野同时提高缺陷所占权重,提高缺陷检测精度,其次,在Neck层中融合了CARAFE(content aware reassembly of features)模块进一步提高缺陷检测精度。实验结果表明,YOLOv7-DCA模型平均检测精度可以达到97.77%,相比于原YOLO(you only look once)算法提高了3.27%。与当前主流的Faster-RCNN,YOLOv5,YOLOv7-tiny系列模型相比,综合表现效果最好。可见,该模型对于轮胎缺陷自动检测研究提供了参考意义。     

基于计算机视觉的驾驶员疲劳状态检测预警技术研究

疲劳驾驶是造成交通事故的主要原因之一,为提高驾驶员疲劳驾驶状态的智能化检测水平,提出一种基于计算机视觉的面部多特征疲劳驾驶检测算法。该算法采用多线程优化后的Dlib（图像处理开源库）实现对驾驶员面部的定位与追踪,利用Dlib开源库中的人脸关键点检测器对驾驶员面部关键特征点进行提取,实时计算驾驶员眼部的纵横比（EAR）和嘴部长宽比（MAR）,并以自制视频流数据集作为实验样本计算出相关阈值,有效提高了检测算法的普适性,在此基础上,计算出眨眼频率、闭眼次数、眼睛闭合时间百分比（perclos）以及打哈欠频率这四个反映驾驶员疲劳状态的指标,并利用数学方法进行指标实时融合,根据融合指标的数值对驾驶员疲劳状态进行分级,最终通过实验验证该疲劳检测系统的准确性。结果表明,提出的综合疲劳指标能够准确反映在不同环境和光照下驾驶员的疲劳状态和发展趋势,驾驶员疲劳判定的正确率达到97.5%以上。     

基于FS-YOLOv3及多尺度特征融合的棉布瑕疵检测

为解决传统棉布生产工艺中瑕疵检测成本高、精度低、速度慢等问题,提出一种FS-YOLOv3(Four Scales YOLOv3)网络来自动检测棉布瑕疵.该网络结合K-Means++聚类算法,以交并比为距离度量获取较好尺寸的锚框,提高检测速度.设计了4个不同尺度的卷积特征图与深度残差网络中相应尺度的特征图进行融合,有效地...     

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.     

基于改进YOLOv5的自动驾驶目标检测方法

针对目前自动驾驶领域的目标检测算法在交通场景下的漏检目标,目标定位不精确、目标特征表达不充分及目标识别效果欠佳等问题,提出一种基于TPH-YOLOv5的道路目标检测方法。首先为了减轻物体尺度急剧变化带来的漏检风险,增加了用于微小物体检测的检测头,为在高密度场景中精确定位对象,使用Transformer预测头来捕获全局信息;其次为了增强模型的特征表达能力,用SIMAM模块对卷积层的输出进行加权;最后,为了提高目标识别的精度,网络颈部增加了4个SPP块来进行多尺度融合,为了加快收敛速度和提高回归精度采用EIOU作为边界框损失函数。通过消融、对比和可视化验证实验表明,提出的算法比YOLOv5在平均精度上提高了8.1%,漏检率明显减少,目标检测效果明显增强。     

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。     

基于机器视觉的露天矿司机驾驶疲劳监测

为监测露天矿司机驾驶疲劳状态,利用AdaBoost算法快速实时露天矿司机脸部跟踪检测,基于模板匹配算法和改进型SNAKE算法提取司机眼睛特征,运用眼睛累计闭合持续时间占某特定时间的百分率(PERCLOS)算法判断司机是否处于驾驶疲劳状态,有效地实现了基于机器视觉的、车载的、实时的、非接触的、无干扰的露天矿司机驾驶疲劳状态监测系统.经应用验证了系统可行性,并对保护人员生命,提高矿山经济效益具有重要的意义.     

一种基于改进卡尔曼滤波的姿态解算算法

针对多传感器融合姿态解算精度不高的问题,本文提出一种改进的卡尔曼滤波算法,即高阶线性互补滤波与扩展卡尔曼滤波(Extended Kalman Filter,EKF)相结合的融合算法。该数据的融合是基于加速度计、陀螺仪传感器频率特性和姿态角的微分方程建立的系统模型,将互补滤波的姿态角数据作为该系统模型的观测值,利用EKF算法对加速度计、陀螺仪、磁力计进行数据融合。高阶的互补滤波和EKF的融合算法能够有效的解决陀螺方向的估计偏差,为了证明该算法的可行性,用搭载IMU(InertialSmeasurementSunit)模块的四旋翼飞行器进行了动态和静态的实验,分析对比了最新导航算法、经典卡滤波算法和该融合算法滤波的效果。实验结果表明：本文提出的高阶无源线性互补滤波和EKF相结合的融合算法,无论在静态还是动态的实时性情况下,都能很明显的去除噪声和抑制姿态角的漂移,且提高了姿态角的精度。     

基于头部姿态的眼睛差分定位的驾驶员疲劳检测

基于面部特征的驾驶员疲劳判断是应用最广泛的方法,而眼睛睁闭程度最直接表达驾驶员的精神状态。传统的眼睛检测方法受环境、传输、头部姿态的影响,眼睛的定位精度不高,从而导致疲劳分析不准确。本文提出一种基于脸部图像灰度差进行眼睛检测的方法,正常情况下在人脸上半部只有眼睛进行睁闭的活动,故眼部区域灰度会发生变化,由此来进行标定。该方法主要包括基于adaboost算法的人脸识别、图像预处理、眼睛的检测、积分投影法计算眼睛的高宽比以及基于PERCLOS准则的驾驶员疲劳判断。最后分别基于头部左转、右转和正视三种情况下进行实验,根据结果表明该方法能够较好的进行眼睛的检测,对于进行驾驶员的疲劳判断有极大的意义。     

改进YOLOv3的桥梁表观病害检测识别

针对基于目标检测方法的桥梁表观病害检测存在检测精度低、误检率和漏检率高的问题,提出一种改进YOLOv3的高准确率桥梁表观病害检测识别方法。为实现局部特征和全局特征有效融合,在YOLOv3的检测层中添加固定分块大小的池化模块,并在YOLOv3的特征提取网络中引入了DenseNet密集型连接网络结构以增强桥梁病害特征在网络中的传播和利用效率,提高检测效率,采用数据增强技术来扩充样本图像以解决现有桥梁病害数据集样本数量不足的问题。实验结果表明,改进后的YOLOv3在桥梁表观病害检测上的平均准确率比原YOLOv3提高了3.0%,且模型训练时间减少了33.2%,同时降低了对桥梁表观病害检测的误检率和漏检率。     

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%。     

基于改进的 STU KF 电压暂降检测方法

为了准确检测电压暂降,提出一种基于改进的强跟踪无迹卡尔曼滤波(STUKF)的电压暂降检测方法.该方法在建立的电压信号状态模型基础上,利用改进的STUKF对发生暂降的电压信号状态进行跟踪,从而实时提取出电压的幅值和相位信息.仿真结果和实际数据检测表明,所提方法能够有效地检测电压暂降的幅值、持续时间和相位跳变.与传统的STUKF相比,改进的STUKF跟踪精度更高、鲁棒性更强.