基于改进YOLOv4颈部优化网络的安全帽佩戴检测方法

针对安全帽佩戴检测时易受复杂背景干扰,解决YOLOv4网络检测速度慢、内存消耗大、计算复杂度高、对硬件性能要求较高等问题,引入改进YOLOv4算法优化安全帽佩戴检测方法。引入MobileNet网络轻量化YOLOv4、跨越模块特征融合,实现高层语义特征和低层语义特征有效融合。针对图像中小目标分辨率低,信息特征少,多尺度并存,导致在连续卷积过程中易丢失特征信息等问题,采用改进特征金字塔FPN和注意力机制等颈部优化策略聚焦目标信息,弱化安全帽检测时背景信息的干扰。仿真结果表明,基于改进的YOLOv4颈部优化网络安全帽佩戴检测算法在CPU平台下的检测速度为34.28 FPS,是基础YOLOv4网络的16倍,检测精度提升了4.21%,检测速度与检测精度达到平衡。     

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.     

基于改进型YOLO v5算法的安全帽佩戴检测

提出一种基于改进型YOLO v5算法的安全帽佩戴检测方法,通过安全帽区域与头部区域的位置关系判断安全帽佩戴情况,对算法中候选框、卷基层、输入端和量化方法进行改进.通过与其他安全帽佩戴检测方法进行试验对比分析,改进后的算法可以提高识别精度与速度,更好满足实时监控的需求.     

改进SSD的安全帽佩戴检测方法

在施工的过程中,需要对人员安全帽佩戴情况进行快速准确地检测并及时预警,实现减少生命和财产的损失。但现有的安全帽佩戴检测算法存在检测速度慢、检测精准度不高等问题,为解决此类问题,提出了一种基于目标检测算法SSD(Single Shot Multi Box Detector)的改进安全帽佩戴快速检测算法。通过使用轻量型卷积神经网络Mobile Net V3-small替换SSD检测算法的卷积神经网络VGG-16,实现减少模型参数,提升检测速率的目的;同时使用特征金字塔网络结构将深层更抽象的特征与浅层更细节特征进行信息的融合,提升检测精确度;以自主制作安全帽数据集HWear的方式进行训练和测试实验,训练时利用数据增强技术提高模型的检测性能。实验结果表明,改进的SSD算法提升了人员安全帽佩戴检测速率,达到108 fps,同时相比于SSD算法平均精确率(mAP)提升了0.5%,具有一定的实践意义。     

基于深度神经网络的口罩佩戴检测

深度神经网络在物体识别和分类中应用广泛,将其用于口罩佩戴检测,有利于提高新冠疫情防控管理工作效率.首先,收集佩戴口罩图片,将样本图片数据集扩充到12000张.然后用Pytorch搭建ResNet-34深度神经网络,经适当预处理,调整学习率大小和批数据量大小,网络在验证集上准确率为98.41％,在测试集上准确率为97.25％.该网络对单张图片的检测用时为0.103秒,拥有较高的检测准确率和效率,能够满足公共场所对口罩佩戴检测的应用需求.     

基于改进型Yolov4的室内安全帽佩戴状态检测算法

为实现智能检测室内作业人员是否佩戴安全帽,提出了一种改进的Yolov4算法．首先,针对目前室内安全帽佩戴状态检测实验数据较为匮乏的问题,自建了一个用于室内场景的安全帽佩戴状态检测数据集．随后,为提升室内监控图像中模糊、微小目标的安全帽佩戴状态检测准确率,设计了自校准多尺度特征融合模块并将其嵌入原Yolov4网络中．该模块首先通过深度超参数化卷积从上至下、从下至上融合不同尺度下的特征,加强待检测目标的特征纹理,使得模型能够检测出这两类目标．再通过特征自校准模块对融合后的特征进行过滤,加强或抑制特征图上的每一像素点,使得模型可以在融合后的特征图上进行精确的检测．此外为加速模型收敛,使用解耦合的检测头替换原Yolov4中的耦合检测头,使目标定位任务与安全帽佩戴状态的分类任务相互独立．最后为提升模型对于重叠目标的检测能力,提出了软性非极大值抑制后处理算法Soft-CIo U-NMS．实验结果表明,该改进的Yolov4模型能够准确地识别出室内作业人员是否佩戴安全帽,准确率达到了95.1%．相比于原Yolov4模型,该模型对位于监控摄像头远端的模糊、微小目标和监控图像中重叠目标的检测能力有明显提升...     

基于YOLO改进算法的远程塔台运动目标检测

远程塔台由于其低成本高时效远程实时控制技术正越来越受到民航业界的青睐,其中运动目标自动检测和显示是远程塔台的核心技术,作为增强现实技术更好地为管制员提供服务。本文在分析了远程塔台机场场面背景复杂、场面目标多为远场景、小目标等特点基础上,提出了一种改进的YOLO算法来实现远程塔台运动目标的检测,算法核心思想以Darknet-53为基础网络,多尺度预测边界框,以运动目标图像坐标（x,y）的偏移量作为边框长宽的线性变换来实现边框的回归,改善了传统YOLO算法损失函数不同大小的边框未做区分的问题,提高了检测准确性和速度。机场真实数据实验表明,该算法能快速、准确的检测出远程塔台的运动目标,并准确的回归运动目标边框及分类。     

基于YOLO算法的手势识别

研究YOLO算法在手势识别中的应用,提升在近肤色和光线明暗不一的背景下检测的速度和精度.YOLO算法是端到端的检测方法,通过卷积神经网络自动提取目标的特征,可以大幅度提高运算速度.鉴于YOLO算法在目标检测任务中的优良表现,将YOLO算法应用到手势识别问题中.通过对YOLO系列算法的研究对比表明,YOLO算法在手势识别中具有良好表现.同时,在YOLOv3算法的快速版本YOLOv3-tiny的基础上提出了YOLOv3-tiny-T算法.YOLOv3-tiny-T在包含5种手势的UST数据集上,平均精度均值为92.24%,较YOLOv3-tiny获得了5%左右的提升.      

一种改进的基于遗传算法的K均值聚类算法

结合遗传算法和K均值聚类算法的优点,提出一种改进的基于遗传算法的K均值聚类算法.将遗传算法的编码方法、初始化、适应度函数、选择、交叉和变异等较好地应用于聚类问题,不仅解决了K均值聚类算法中K值难以确定、对初始值敏感以及遗传算法存在收敛性差和容易早熟的缺点,而且实现了聚类中心的优化选择、K值的自动学习和基因的自适应变异等...     

基于改进YOLO v3的相似外部特征人员检测算法

针对目前异常行为检测中相似特征人员检测方法稀缺、人员和特征检测准确度低、特征量较少,而相似外部特征往往意味着团队行动及潜在异常行为等问题,提出一种基于深度学习的相似外部特征人员检测算法.首先采用加入Fast Guided Filter的暗通道去雾算法对INRIA数据库图像进行前期处理,得到质量更佳的训练样本;然后用得到的样本对改进的YOLO v3进行训练;最后将提取出来的行人进行颜色特征和几种纹理特征提取,组合之后用ELM进行分类.仿真结果表明:加入Fast Guided Filter的暗通道去雾算法明显优于单纯的暗通道去雾算法,保留了更多的边缘和纹理特征,在雾天和强曝光下效果尤为明显.相比HOG+SVM方法,该算法对人员检测的误检率和漏检率都大大降低,且具有较好的实时性.最后ELM分类的准确性能够达到96. 104%.     

基于YOLO算法的探地雷达道路图像异常自动检测

探地雷达(ground-penetrating radar, GPR)是一种可用于道路内部异常目标识别的无损检测方法。GPR工作时往往产生海量的扫描数据,而数据解释是技术要求高、任务繁重的工作,通常需要人工完成。此外,道路内部的复杂性和异常目标的多样性增加了图像异常检测的难度。近年来,人工智能(artificial intelligence, AI)技术的快速发展为基于AI的探地雷达B-scan图像自动解释提供了可行的技术思路,常用的深度学习算法有RCNN(region-convolutional neural network)和YOLO(you only look once)。虽然YOLOv3在目标检测方面已经有了一定的成效,但YOLOv4的改进算法可以进一步提高检测能力。结合YOLOv3算法,对比研究分析YOLOv4目标检测算法的改进对于目标检测任务的影响,以及YOLOv4算法对探地雷达图像异常目标检测效率的提升能力。结果表明,YOLOv4的改进算法更适用于探地雷达异常目标的自动检测,经过训练后的YOLOv4网络模型满足探地雷达道路内部异常目标智能化检测需求,具有较强的实用价值。     

基于SNP系统的改进粒子群聚类算法

脉冲神经膜系统是基于神经生物学的高性能计算模型.在标准粒子群聚类算法中引入脉冲神经膜系统,将初始聚类中心的各种组合作为粒子分配到若干个神经元,在神经元中进行粒子群的迭代与进化.利用脉冲神经膜系统的高并行性,在更短的时间内得到更优化的初始聚类中心,为K-means算法的局部寻优提供更好的聚类初值.实验结果表明,改进后的算法可以进一步提升聚类的准确率,取得更好的聚类效果.     

基于离群点检测的K-means算法

K-means算法以其简单、快速的特点在现实生活中得到广泛应用。然而传统K-means算法容易受到噪声的影响,导致聚类结果不稳定,聚类精度不高。针对这个问题,提出一种基于离群点检测的K-means算法,首先检测出数据集中的离群点,在选择初始种子的时候,避免选择离群点作为初始种子。然后在对非离群点进行聚类完成后,根据离群点到各个聚类的距离,将离群点划分到相应的聚类中。算法有效降低离群点对K-means算法的影响,提高聚类结果的准确率。实验表明,在聚类类别数给定的前提下,在标准数据集UCI上该算法有效降低离群点对K-means算法的影响,提高了聚类的精确率和稳定性。     

基于K-平均值方法的入侵检测系统

介绍了入侵检测系统,将数据挖掘中的K-平均值聚类方法应用于入侵检测系统,对仿真实验的结果进行了分析,证明了将K-平均值方法用于网络入侵检测的可行性。     

基于改进群智能k-means优化算法的侵犯性驾驶行为异常点检测

如何有效地检测侵犯性驾驶行为异常数据,避免它们对后续建模分析产生不利影响是研究的焦点。在综述侵犯性驾驶行为研究现状基础上,借助驾驶模拟仿真实验系统和Ergo LAB人因系统进行侵犯性驾驶实验;并通过不同传感器获取了驾驶行为人车环境高维数据,最后采用优化的K-means聚类算法对该高维数据进行聚类和异常值检测。结果表明,最佳聚类数为2;并有效输出了异常点检测结果,为下一步的侵犯性驾驶行为定量分析提供了优质的数据保证。     

基于改进密度聚类的异常检测算法

提出一种基于改进密度聚类的异常检测算法(ADIDC), 通过在各特征列上分别进行密度聚类, 并根据各特征对正常轮廓的支持度进行特征加权, 解决了聚类分析方法在异常检测应用中误报率较高的问题. 通过大量基于异常检测数据集 KDD Cup 1999的实验表明, 其相对于传统异常检测方法在保证较高检测率的前提下, 有效地降低了误报率, 对某些与正常行为相近的特殊攻击检测率明显提高. 同时利用特征权值进行特征筛选提高了其检测性能和效率, 更适应实时检测要求.