检索结果-南通市图书馆

维普期刊数据库博看期刊

基于改进YOLOv8的输电线路小目标检测研究

在线全文

学校读者我要写书评

暂无评论

基于改进YOLOv8的输电线路小目标检测研究

作者：蔡德隆东莞理工学院

学位级别：硕士

输电线路易受自然环境影响导致部件老化或者损坏问题,因此对输电线路的巡检至关重要。利用无人机航拍图像结合深度学习进行图像识别已成为输电线路巡检的主流方法。然而,输电线路本身包含许多小目标部件,加上拍摄距离的不确定性,导致航... 详细信息

输电线路易受自然环境影响导致部件老化或者损坏问题,因此对输电线路的巡检至关重要。利用无人机航拍图像结合深度学习进行图像识别已成为输电线路巡检的主流方法。然而,输电线路本身包含许多小目标部件,加上拍摄距离的不确定性,导致航拍图像出现大量小目标。由于小目标可用信息不足且定位难度大,造成输电线路小目标检测精度低。针对以上问题,本文在YOLOv8算法的基础上进行了一系列改进。一方面,针对输电线路小目标像素点少导致目标信息不足的问题,在YOLOv8的基础上,提出了基于特征改进的网络结构:首先,提出了一种新型的注意力机制ECBAM,并将其嵌入到YOLOv8的C2f模块中,形成了C2f-ECBAM模块,以进一步增强网络对特征的提取能力;其次,设计了一个跨层特征图信息交互模块CVT,用以替换骨干网络和颈部网络FPN横向连接的Concat模块,使得深层特征图与浅层特征图之间建立信息交互能力,充分利用浅层特征图包含的小目标信息;最后,在YOLOv8原有的三个检测头基础上,增加了一个可输出更高维度特征图的检测头SOD-H,以更好地适应小目标检测。将融合以上改进方法的YOLOv8命名为YOLOv8s-SODT。另一方面,针对输电线路小目标定位难度大的问题,在YOLOv8s-SODT的基础上,提出了一个全新的边界框回归损失函数CFIo U Loss,进一步提升YOLOv8s-SODT的定位能力:首先,CFIo U Loss通过在Io U Loss基础上加入角点距离偏差的惩罚项,增强了位置参数的更新能力,有效克服了传统Io U系列损失函数在预测框与目标框中心接近或重叠时退化为Io U Loss的问题;其次,CFIo U Loss还加入了目标的空间信息,即前景区域,以区分不同的回归效果,使得定位不准确的预测框能够更精确地适配目标框。将融合了CFIo U Loss的YOLOv8s-SODT算法命名为YOLOv8s-SODT+。通过多组对比实验表明,相较于YOLOv8s基线模型,YOLOv8s-SODT算法在自建的输电线路小目标测试集上的所有指标均得到提升,特别在小目标平均精确率均值(AP)上取得了最佳提升效果。融合了全新的边界框回归损失函数CFIo U Loss的YOLOv8s-SODT,即YOLOv8s-SODT+,在所有指标上均也得到了提升。此外,YOLOv8s-SODT和CFIo U Loss在公共小目标数据集Vis Drone2019上也展现出了卓越的性能,与其他模型相比具有明显优势,这进一步验证了YOLOv8s-SODT和CFIo U Loss良好的泛化性能。结果表明,本文提出的输电线路小目标检测算法具有一定的学术创新性和工程应用价值。

关键词：小目标检测 YOLOv8 输电线路特征融合边界框回归损失函数

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于YOLOv3的农田鸟类目标检测算法

激光与光电子学进展 2022年第2期59卷 502-510页

作者：潘语豪危疆树曾令鹏四川农业大学信息工程学院四川雅安625000

针对近年来鸟类啄食对农业生产带来的损失,通过实时检测鸟类优化传统驱鸟器开关策略,提出了一种基于YOLOv3检测鸟类的目标检测算法。该方法对YOLOv3网络中特征融合进行改进,将SE模块嵌入进主干网络的Darknet53网络中,关注不同通道特征... 详细信息

针对近年来鸟类啄食对农业生产带来的损失,通过实时检测鸟类优化传统驱鸟器开关策略,提出了一种基于YOLOv3检测鸟类的目标检测算法。该方法对YOLOv3网络中特征融合进行改进,将SE模块嵌入进主干网络的Darknet53网络中,关注不同通道特征的重要程度。采用自适应空间特征融合(ASFF)增强网络中特征金字塔网络(FPN)的特征融合,提升各尺度的检测能力。引入CIOU边界框回归损失函数,将预测框和目标框在有重叠甚至包含等情况考虑进去,使目标框回归变得更加准确和稳定。改进后的YOLOv3模型在自制鸟类数据集上的精度均值(AP)达到96.65%,单张图像检测耗时仅为0.058 s,相比于原YOLOv3模型在检测速度变化不大的情况下AP提高了2.54百分点。该改进方法能达到很好的实时性和更佳的检测精度,对农田防治鸟害优化驱鸟器开关策略提供依据。

关键词：视觉光学目标检测 YOLOv3 SE模块特征融合边界框回归损失函数

维普期刊数据库

面向内河航运安全监控的多尺度船舶图像目标识别方法

在线全文

学校读者我要写书评

暂无评论

大连海事大学学报 2022年第1期48卷 62-72页

作者：张煜康哲马杰李斌武汉理工大学物流工程学院武汉430063 武汉理工大学航运学院武汉430063 福建工程学院交通运输学院福州350118

针对YOLOv3算法中IoU边界框回归损失函数对小尺度船舶预测框容易产生误识及漏识问题,利用目标预测框与真实框的最小闭包区域和关键点的归一化距离,提出一种新的损失函数MIoU,该损失函数可显著提升多尺度船舶目标预测框的回归速度及精度... 详细信息

针对YOLOv3算法中IoU边界框回归损失函数对小尺度船舶预测框容易产生误识及漏识问题,利用目标预测框与真实框的最小闭包区域和关键点的归一化距离,提出一种新的损失函数MIoU,该损失函数可显著提升多尺度船舶目标预测框的回归速度及精度。实验表明:提出的YOLOv3-MIoU算法对六类船舶的识别精度均超过97%,mAP值达到98.44%;与采用其他损失函数方法相比,YOLOv3-MIoU在不同尺度及不同类型船舶识别中均具有较高的识别准确率,特别对渔船等小尺度船舶识别准确率较其他方法提升3%以上,可以达到内河航运安全监控的应用需求。

关键词：内河安全监控船舶目标识别边界框回归损失函数多尺度现象深度卷积神经网络

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

面向苹果叶片早期病害的小目标检测方法研究

面向苹果叶片早期病害的小目标检测方法研究

作者：任华坤西北农林科技大学

学位级别：硕士

苹果叶片病害是影响苹果的质量和产量下降的重要因素。因此,在病害发生早期实施准确地病害检测及相应的防治措施,能够有效提升苹果品质,为苹果产业高质量发展提供有力保障。然而,苹果叶片早期病害的病斑较小,在利用基于深度学习的网络... 详细信息

苹果叶片病害是影响苹果的质量和产量下降的重要因素。因此,在病害发生早期实施准确地病害检测及相应的防治措施,能够有效提升苹果品质,为苹果产业高质量发展提供有力保障。然而,苹果叶片早期病害的病斑较小,在利用基于深度学习的网络模型对小病斑进行检测时,存在病斑特征难以提取和病斑定位困难的问题,使得早期叶片病害检测效果不理想。据此,本文从以下方面展开了研究:(1)针对小病斑特征提取困难的问题,提出了一种基于特征增强的小病斑检测模型Representation-Enhanced RCNN(RE-RCNN),实现了病斑特征的深度提取,提升了模型在苹果叶片早期病害检测任务中的检测精度。该模型的核心为目标增强分支,首先通过小病斑特征提取器SDSFEE实现小病斑的特征增强;其次提出特征相似度平衡函数SCMLoss量化相同类别病害中不同尺度病斑之间的类间差异,平衡病斑的同一性和独特性,指导SDSFEE的参数优化更新;最后,利用One2One计算策略对模型训练过程中参与目标增强分支计算的数据进行合理采样。实验结果表明,RE-RCNN在苹果叶片早期病害检测任务中具有较为优异的检测性能。(2)针对小病斑定位困难的问题,提出一种基于IOU的病斑回归定位损失函数Relation-IOU Loss,用于指导检测模型整体参数更新方向,进一步提升检测模型在小病斑检测任务中的定位精度。该函数通过计算病斑候选框与病斑真实框之间的交并比、中心点欧氏距离和高宽差,从几何角度结合模型精度计算方法量化了两者之间的差异。针对候选框回归过程中易出现梯度消失和梯度爆炸的问题,其结合了现有回归损失函数的优势,利用指数函数对边界框之间的差异进行优化计算。实验结果表明,在检测模型进行病斑定位任务时,Relation-IOU Loss损失函数能够有效辅助模型进行苹果叶片早期病害检测任务。(3)开发了苹果叶片早期病害检测系统。依托于本文的研究基础,立足于实际生产需要,研制了基于Django框架的苹果叶片早期病害检测系统。该系统实现了对早期常见苹果叶片病害的准确检测,并对已测得的病害情况进行说明。此外,基于检测结果提供相应的病害防治方法,为病害防治管理及精准施药提供可靠技术保障,有利于降低人力、经济等资源成本的损耗。

关键词：苹果叶片早期病害深度学习目标检测特征增强边界框回归损失函数

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

改进YOLOv5s的车载红外图像目标检测

现代计算机 2022年第2期28卷 21-28页

作者：宋甜李颖王静四川大学电子信息学院成都610065

针对车载红外图像分辨率低、目标小且细节模糊导致检测精度不高的问题,提出了一种基于改进YOLOv5s的目标检测网络。网络对SPP模块进行改进和添加,然后在骨干网络中嵌入了坐标注意力模块,将位置信息嵌入到通道注意力中,使得网络能够在更... 详细信息

针对车载红外图像分辨率低、目标小且细节模糊导致检测精度不高的问题,提出了一种基于改进YOLOv5s的目标检测网络。网络对SPP模块进行改进和添加,然后在骨干网络中嵌入了坐标注意力模块,将位置信息嵌入到通道注意力中,使得网络能够在更大的区域上进行注意力,更多地关注重要的目标特征,提高模型的表现力。最后用EIOU边界框损失函数替换CIOU Loss,进一步提高网络的检测精度。在FLIR车载红外图像数据集的测试集上的实验表明,改进模型较YOLOv5s网络mAP@0.5值提升了3.4%,且几乎不影响检测速度和模型权重大小,满足体积小和轻量化的需求,适合部署到车载嵌入式系统中。

关键词：目标检测 YOLOv5s SPP 坐标注意力机制车载红外图像边界框回归损失函数

维普期刊数据库

基于M-FRCNN的微电连接器表面缺陷检测方法研究

在线全文

学校读者我要写书评

暂无评论

基于M-FRCNN的微电连接器表面缺陷检测方法研究

作者：王梦珂河南理工大学

学位级别：硕士

微精密玻璃封装电连接器(简称微电连接器)是一种高精度的微型精密元件,其质量会影响设备间的通信效果。在生产和运输过程中,常因为温度控制不佳或发生碰撞等原因,在其表面形成缺块、裂缝等缺陷。传统人工检测容易因视觉疲劳而造成误检,... 详细信息

微精密玻璃封装电连接器(简称微电连接器)是一种高精度的微型精密元件,其质量会影响设备间的通信效果。在生产和运输过程中,常因为温度控制不佳或发生碰撞等原因,在其表面形成缺块、裂缝等缺陷。传统人工检测容易因视觉疲劳而造成误检,而现有的目标检测模型对缺陷的位置判断不够准确,并且检测精度不高。基于此,本文提出了基于MIo U损失的Faster R-CNN(简称M-FRCNN)微电连接器表面缺陷检测模型,主要研究内容如下:(1)根据微电连接器体积小、易反光的特点,同时考虑到元件固定方式、图像清晰度等要求,在端面和侧面样本采集时分别选择合适的硬件与光源。对缺陷进行分类后使用Label Img和Labelme工具完成数据集标注,为后续实验做准备。(2)微电连接器端面缺块形态多样、样本图像背景复杂,为精确检测出缺块,对比了不同目标检测模型的检测效果,以Faster R-CNN(FRCNN)为基本模型,设计了M-FRCNN微电连接器端面缺块检测模型。在该模型中,提出了基于MaxMin的MIo U边界框回归损失函数,使得当预测框和真实框处于特殊位置时仍能很好地反映二者的位置关系;在Res Net50主干网络中引入了空间注意力模块,提高模型对微电连接器端面缺块的关注程度;引入了感兴趣区域对齐模块来解决特征图取整操作造成的区域错位问题。本模型对微电连接器端面缺块的检测精度由91.59%提高到95.78%,检测速度从12.3 FPS提高到16.2 FPS。(3)微电连接器侧面缺陷类型多样、形态差异大,提出了一种基于GIo U损失函数的YOLOv5检测模型,该模型将检测精度由80.51%提高到82.5%,检测速度由27.7 FPS提高到29.02 FPS。验证了M-FRCNN模型在微电连接器侧面缺陷数据集的检测效果,使用K-means聚类出符合侧面缺陷数据集的宽高比,提出了基于K-means聚类的M-FRCNN侧面缺陷检测模型,检测精度由原FRCNN模型的81.83%提高到91.66%,最终以此作为微电连接器侧面缺陷的检测模型。(4)为了便于直接观察侧面各类缺陷的大小、形状及位置关系,提出了一种基于SENet的U-Net微电连接器侧面缺陷分割模型,该模型的m PA由71.26%提高到73.98%,m Io U由61.2%提高到63.07%,与基于K-means聚类的M-FRCNN模型结合可以提高不合格元件的筛选效率。图64幅,表13个,参考文献77篇。

关键词：缺陷检测缺陷分割边界框回归损失函数注意力机制感兴趣区域对齐 K-means聚类