基于改进YOLOv5s的辣椒采摘机器人识别定位方法

为了准确研究辣椒采摘机器人受不同作业场景影响的规律，利用获取的采摘目标信息构建基于改进YOLOv5s的辣椒采摘识别定位模型.基于光照强度、光照角度、枝叶遮挡和果实重叠等场景建立图像数据库，引入双向特征金字塔网络改进YOLOv5s的特征融合网络进行深层次特征提取，以增强网络的信息表达能力，提高检测精度.探讨不同场景对该模型检测精度P、检出率R和平均精度均值(mean average precision, MAP)的影响规律.结果表明：改进后YOLOv5s模型对辣椒的检测精度高达95.6%,较YOLOv4、YOLOv3、YOLOv2及Faster R-CNN模型分别提高了6.1%,9.3%,44.4%,8.2%;光照角度处于正面90°时的检测效果最佳，MAP达97.3%;模型在白天强光和傍晚弱光场景下的鲁棒性好，MAP值高于90%;模型在枝叶遮挡场景下比果实重叠时的检测精度高；辣椒距离相机坐标系的空间坐标测量值取0.2 m时的误差仅为1 mm,满足辣椒采摘定位精度需求.     

通航机场场面运动目标检测方法

针对传统YOLOv3(you only look once-v3)算法目标检测精度较低、收敛速度较慢等问题,提出了一种改进的YOLOv3算法,分别对主干网络和损失函数进行了改进。采用迁移和冻结相结合的训练方法,以提升目标检测的精确度和速度。基于改进的YOLOv3算法对西南某通航机场3种不同场景下的运动目标检测效果进行了对比分析。结果表明,改进的YOLOv3算法对正常天气场景下的场面运动目标检测效果要明显优于雾天和雨天场景,对飞机目标的检测效果明显优于车辆和行人目标;3类目标的检测精度、召回率、平均精度值(mean average precision, mAP)分别达到92.96%、80.51%、91.96%,GPU处理速度为74.0帧/s,较传统YOLOv3算法和YOLOv4算法性能均有明显提升。     

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。     

基于深度学习轻量化的改进SSD煤矸快速分选模型

针对SSD目标检测模型参数量大、运行速率低的问题，在SSD模型的基础上提出一种新的煤矸快速识别模型DSR-SSD.应用深度可分离卷积代替主干特征提取网络中的普通卷积，减少了模型的计算量；将RFB模块融入到SSD模型中，提高了模型的特征提取能力.经验证，DSR-SSD模型的识别速率为113.99帧/s、精确率为95.17%.将DSR-SSD与SSD,Faster-RCNN,YOLOv3三种模型对比，发现DSR-SSD模型与SSD模型相比，精确率提高了2.29%,识别速率提高了60.89%;同时，DSR-SSD模型的精确率比Faster-RCNN模型高2.86%,比YOLOv3模型高2.71%,识别速率分别是Faster-RCNN模型和YOLOv3模型的14.90倍和3.65倍，证明了DSR-SSD模型性能优越.     

高斯Wasserstein距离改进轻量YOLOv7模型的遥感影像道路交叉口检测

YOLOv7是目前目标检测任务中性能较优的模型,但在处理遥感影像中的道路交叉口时,出现目标背景复杂、先验框定位误差以及模型训练参数量增多的问题。针对复杂场景的道路交叉口提出一种结合归一化高斯Wasserstein距离与轻量级YOLOv7的遥感影像道路交叉口检测模型。首先,使用归一化高斯Wasserstein距离与CIoU(complete-IoU)进行先验框定位损失函数的改进,以提高网络模型对于目标尺寸的鲁棒性;其次,在加强网络特征提取模块中加入三维注意力机制,实现网络处理的特征优化;最后,在主干特征提取网络与加强特征提取网络中加入改进的FasterNet模块,提升网络模型的训练速度,减少了模型训练的参数。实验结果表明,改进后的YOLOv7网络模型相比原网络模型,漏检测情况得到明显改善,准确率(precision,P)、召回率(recall,R)、平均准确率(average precision, AP)和F₁分别提升了6.2%、4.9%、6.7%、6.5%,对道路交叉口的检测效果优于原网络模型。其成果对不同环境的影像具有较强适应能力,为道路交叉口检测的发展提供了参...     

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;受DenseNet的启发,在Darknet-53中引入密集连接,实现了特征重用,提高了提取特征的效率;根据数据集的特点,利用K-means算法对数据集进行维度聚类,获得合适的预选框.在行人车辆数据集Udacity上进行实验,结果表明:DX-YOLO算法与YOLOv3相比,平均准确率(mean average precision,mAP)提升了3.42％;特别地,在中等目标和小目标上的平均精度(average precision,AP)分别提升了2.74％和5.98％.     

改进YOLOv4的复杂交通场景目标检测方法

针对复杂交通场景下密集小目标居多、目标尺寸差异大、目标间遮挡严重的问题,提出了一种基于YOLOv4框架的复杂交通场景下的目标检测算法。首先,构造多尺度特征融合提取模块作为主干网络特征提取模块,充分提取不同尺度目标特征信息,同时引入轻量化Ghost模块对主干网络特征进行维度调整;其次,将卷积模块与自注意力机制融合,构造倒残差自注意力模块应用到主干网络深层,深层网络在充分提取局部特征信息基础上获得了全局感知;然后,构造轻量级混合注意力模块,抑制背景噪声,增强密集小目标检测能力;最后,在Udacity数据集上进行实验,检测精度达到了84.41%,相比较YOLOv4, mAP(mean average precision)提高了3.07%,对1 920×1 200分辨率图像的检测FPS(frames per second)可达到49,提高了22.5%,精度提升的前提下实现了较好的实时性,更适用于复杂交通场景下的目标检测任务。     

光学遥感图像的目标检测方法研究

如何利用获取的高分辨率遥感图像进行精确的目标检测,是目前需要解决的一个重要问题。提出以一种基于改进YOLO算法的卷积神经网络,给出的模型采用CSPDrak Net为基本网络,并融合Foucs网络模块以进行光学遥感图像的目标检测,以提高目标检测精度。实验结果表明,提出网络的平均检测精度高达92.98%,比DrakNet53基本网络提高了8.55%,且检测时间低于YOLOv3,YOLOv4网络,具有更快的检测速度。     

基于深度学习的公路路面病害检测算法

针对公路路面病害图像存在背景干扰多、病害信息弱、尺度差异大等问题,提出了一种基于深度学习的公路路面病害检测方法。以YOLOv4算法为基础,在检测网络中引入可变形卷积,并提出基于路径聚合网络(path aggregation network, PANet)的自适应空间特征融合结构,充分学习公路路面病害的细节特征,实现不同尺度特征信息的高效融合;采用平均准确率损失(average precision loss, AP-loss)函数作为分类损失函数,促使网络在训练过程中更加注重于正样本。实验表明,在公路路面病害检测中,改进YOLOv4算法的平均准确率达到了95.34%,每张图像的平均检测时间为0.071 s。与快速基于区域的卷积神经网络(faster region-based convolutional neural networks, Faster R-CNN)算法相比,所提出的算法在持有较高检测准确率的同时,减少了运算时间,可以满足公路路面病害检测的准确性与实时性需求。     

基于深度学习无人机影像道路实景三维修复

针对基于无人机倾斜影像实景三维重建中,移动目标对道路实景三维重建造成几何变形和纹理失真的问题,提出一种基于深度学习的无人机影像道路实景三维修复方法。首先,通过添加注意力机制的深度学习网络模型YOLOv8对影像中目标进行检测;其次,在得到影像对应目标标记的基础上,根据已生成三维Mesh模型中各三角面在可视影像集合中的投影位置,结合影像所标记目标的对应范围,统计各三角面的类别信息以此判定移动目标;最后,利用移动目标判定结果对移动目标造成的三维模型几何变形及纹理错误进行修复,实现道路实景三维重建。结果表明：改进的网络模型较YOLOv4、YOLOv5和YOLOv8模型,平均精度(mAP)值平均提升10.82%,移动目标判定准确率达97.43%。与流行国外商业软件相比,所提方法重建修复效果更佳,自动化程度更高。     

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。     

基于改进YOLOv5算法的复杂场景交通目标检测

实时的交通场景目标检测是实现电子监控、自动驾驶等功能的先决条件.针对现有的目标检测算法检测效率不高，以及大多数轻量化目标检测算法模型精度较低，容易误检、漏检目标的问题，本文通过改进YOLOv5目标检测算法来进行模型训练，再使用伪标签策略对训练过程进行优化，然后在KITTI交通目标数据集上将标签合并为3类，对训练出的模型进行测试.实验结果表明，改进的YOLOv5最终模型在该所有类别上的mAP达到了92.5％，对比原YOLOv5训练的模型提高了3％.最后将训练的模型部署到Jetson Nano嵌入式平台上进行推理测试，并通过TensorRT加速推理，测得平均每帧图像的推理时间为77ms，可以实现实时检测的目标.     

基于Android平台的障碍物检测系统的设计与实现

为了提高视觉导盲仪障碍物检测系统的便携性,建立了基于Android平台的障碍物检测系统。对该系统所采用的Android平台采集双目图像、路面平面提取和障碍物检测等算法进行研究。首先,根据Android平台的USB HOST API介绍了Android平台以非ROOT的方式采集双目图像数据;然后,提取并匹配双目图像的特征点得到稀疏的三维点云,在三维点云中用随机抽样一致性算法(random sample consensus,RANSAC)来提取路面平面;最后,在利用双目图像路面平面单应性来区分路面与障碍物的基础上,说明了采用半全局块匹配(semi-global block matching,SGBM)进行障碍物检测的算法。实验结果表明:系统5 m以内的障碍物检测准确率达到90%;检测时间达到1 s/帧。完全满足视觉导盲仪障碍物检测系统的检测准确率高、实时性高、易便携等要求。     

改进的YOLOv3交通标志识别算法

针对复杂场景下交通标志检测存在精度低、检测速度慢等问题,提出一种基于YOLOv3改进的S-YOLO(stronger-YOLO)交通标志算法。首先,合并批归一化层到卷积层,以提升模型前向推理速度;其次,采用二分K-means聚类算法,确定适合交通标志的先验框;然后引入空间金字塔池化模块,提取特征图深度特征;最后引入完整-交并比(complete-IoU,CIoU)回归损失函数,提升模型检测精度。实验结果表明,在重制的中国交通标志数据集(Chinese traffic sign dataset,CTSDB)下,所提算法与YOLOv3相比,平均准确率和检测速度分别提升了4.26%和15.19%,同时相较YOLOv4以及其他算法对交通标志识别有更优的精度和速度,具有良好的鲁棒性,满足复杂场景高效实时检测。     

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。     

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%。