检索结果-南通市图书馆

基于改进YOLOv5s的复杂环境下新梅检测方法

在线全文

学校读者我要写书评

暂无评论

农业工程学报 2024年第14期40卷 118-125页

作者：董耿耿陈小康樊湘鹏周建平姜宏崔超新疆大学机械工程学院乌鲁木齐830049 中国农业科学院农业信息研究所北京100081 新疆维吾尔自治区农牧机器人及智能装备工程研究中心乌鲁木齐830049

为解决新梅在树干树叶遮挡、果实重叠情况下难以准确检测的问题,该研究建立了新梅目标检测模型SFFYOLOv5s。在真实果园环境下构建新梅数据集,以YOLOv5s模型作为基础网络,首先在Backbone骨干网络C3模块中引入CA(coordinate attention)注... 详细信息

为解决新梅在树干树叶遮挡、果实重叠情况下难以准确检测的问题,该研究建立了新梅目标检测模型SFFYOLOv5s。在真实果园环境下构建新梅数据集,以YOLOv5s模型作为基础网络,首先在Backbone骨干网络C3模块中引入CA(coordinate attention)注意力机制以增强模型对新梅关键特征信息的提取能力并减少模型的参数量;其次在Neck层中引入加权双向特征金字塔网络,增强模型不同特征层之间的融合能力,从而提高模型的平均精度均值;最后使用SIoU损失函数替换原模型中的CIoU损失函数提高模型的检测准确率。试验结果表明,SSF-YOLOv5s模型对新梅检测准确率为93.4%,召回率为92.9%,平均精度均值为97.7%,模型权重仅为13.6MB,单幅图像平均检测时间12.1ms,与Faster R-CNN、YOLOv3、YOLOv4、YOLOv5s、YOLOv7、YOLOv8s检测模型相比平均精度均值分别提升了3.6、6.8、13.1、0.6、0.4、0.5个百分点,能够满足果园复杂环境下对新梅进行实时检测的需求,为后续新梅采摘机器人的视觉感知环节提供了技术支持。

关键词：图像处理模型新梅检测 YOLOv5s 注意力机制双向特征金字塔深度学习

复杂环境下基于改进YOLOv5的手势识别方法

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2023年第4期59卷 224-234页

作者：闫颢月王伟田泽西安工程大学计算机科学学院西安710048 集成电路与微系统设计航空科技重点实验室西安710068

针对目前复杂环境下因光照不均匀、背景近肤色以及手势尺度较小等原因导致的手势检测算法识别率低的问题,提出了一种手势识别方法 HD-YOLOv5s。首先采用基于Retinex理论的自适应Gamma图像增强预处理方法降低光照变化对手势识别效果的影... 详细信息

针对目前复杂环境下因光照不均匀、背景近肤色以及手势尺度较小等原因导致的手势检测算法识别率低的问题,提出了一种手势识别方法 HD-YOLOv5s。首先采用基于Retinex理论的自适应Gamma图像增强预处理方法降低光照变化对手势识别效果的影响;其次构建具有自适应卷积注意力机制SKNet的特征提取网络,提高网络的特征提取能力,减少复杂环境中的背景干扰问题;最后在特征融合网络中构建新型的双向特征金字塔结构,充分利用低层级特征以降低浅层语义信息的丢失,提高小尺度手势的检测精度,同时采用跨层级联的方式,进一步提高模型的检测效率。为了验证改进方法的有效性,分别在具有丰富光照强度对比的自制数据集和具有复杂背景的公共数据集NUS-Ⅱ上进行实验,识别率达到了99.5%和98.9%,单帧照片的检测时间仅需0.01~0.02 s。

关键词：手势识别 YOLOv5 目标检测注意力机制双向特征金字塔

YOLOv5的改进算法及其在自动驾驶多目标检测的应用研究

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2023年第15期59卷 68-75页

作者：宋绍剑夏海姐李刚广西大学电气工程学院南宁530004

车辆、行人等交通参与者的实时检测是自动驾驶汽车与外界环境实现信息交互的重要环节,而在复杂天气条件下多目标检测精度低仍是一个挑战性问题。提出了一种YOLOv5的改进算法及其在自动驾驶多目标检测的应用方法。该方法采用K-means++算... 详细信息

车辆、行人等交通参与者的实时检测是自动驾驶汽车与外界环境实现信息交互的重要环节,而在复杂天气条件下多目标检测精度低仍是一个挑战性问题。提出了一种YOLOv5的改进算法及其在自动驾驶多目标检测的应用方法。该方法采用K-means++算法对数据集中的目标样本聚类,以获得更符合不同目标尺度的锚框,提高多目标定位及其实体分割的精度;在原YOLOv5的骨干网络中添加Coordinate Attention(坐标注意力)模块,以提高模型的特征提取能力;将原YOLOv5网络中的PANet(路径聚合网络)结构替换为BiFPN(双向特征金字塔)结构,实现自上而下与自下而上的深浅层特征双向融合,提高模型对不同尺度目标的整体检测精度。对比实验结果表明:改进后的YOLOv5算法获得了更好的性能,目标检测的mAP达到了92.2%,比改进前的YOLOv5算法提升了8.47%。

关键词：目标检测 YOLOv5 自动驾驶双向特征金字塔坐标注意力

基于改进YOLOv4-tiny的茶叶嫩芽检测模型

在线全文

学校读者我要写书评

暂无评论

茶叶科学 2022年第4期42卷 549-560页

作者：方梦瑞吕军阮建云边磊武传宇姚青浙江理工大学信息学院浙江杭州310018 中国农业科学院茶叶研究所浙江杭州310008 浙江理工大学机械与自动控制学院浙江杭州310018

精准检测茶叶嫩芽是茶叶机械智能采摘的重要前提。针对茶叶大小不一、遮挡造成的小尺度嫩芽特征显著性弱、漏检率高等问题,提出一种基于改进YOLOv4-tiny的茶叶嫩芽检测模型。该模型在颈部网络添加52×52的浅层特征层以提高YOLOv4-tiny... 详细信息

精准检测茶叶嫩芽是茶叶机械智能采摘的重要前提。针对茶叶大小不一、遮挡造成的小尺度嫩芽特征显著性弱、漏检率高等问题,提出一种基于改进YOLOv4-tiny的茶叶嫩芽检测模型。该模型在颈部网络添加52×52的浅层特征层以提高YOLOv4-tiny网络对小目标嫩芽的关注度,通过引入卷积块注意力机制(Convolutional blockattentionmodule, CBAM)以抑制背景噪声,提高嫩芽特征的显著性,采用双向特征金字塔网络(Bidirectional feature pyramid network,BiFPN)以融合不同尺度的特征信息,从而提出一个高性能轻量化的茶叶嫩芽检测模型YOLOv4-tiny-Tea。对同一训练集与测试集进行模型训练与性能测试,结果表明YOLOv4-tiny-Tea模型检测精确率和召回率分别为97.77%和95.23%,相比改进之前分别提高了5.58个百分点和23.14个百分点。消融试验验证了网络结构改进对不同尺度嫩芽检测的有效性,并将改进后的YOLOv4-tiny-Tea模型与3种YOLO系列算法进行对比,发现改进后的YOLOv4-tiny-Tea模型F1值比YOLOv3、YOLOv4、YOLOv5l模型分别提高了12.11、11.66和6.76个百分点,参数量仅为3种网络模型的13.57%、13.06%和35.05%。试验结果表明,YOLOv4-tiny-Tea模型能有效提高不同尺度下嫩芽检测的精确率,大幅度减少小尺寸或遮挡嫩芽的漏检情况,在保持轻量化计算成本的基础上获得较为明显的检测精度,能够满足农业机器人的实时检测和嵌入式开发的需求,可以为茶叶嫩芽智能采摘方法提供参考。

关键词：茶叶嫩芽检测 YOLOv4-tiny 注意力机制双向特征金字塔

在线全文

学校读者我要写书评

暂无评论

面向无人机遥感场景的轻量级小目标检测算法

计算机工程 2023年第12期49卷 169-177页

作者：胡清翔饶文碧熊盛武武汉理工大学计算机与人工智能学院武汉430000 武汉理工大学三亚科教创新园海南三亚572000

在基于深度学习的目标检测算法中,YOLO算法因兼具速度与精度的优势而备受关注,但是将其应用于无人机遥感领域时存在检测速度较慢、计算资源要求较高、小目标检测精度不佳等问题。为此,提出基于YOLO的轻量级小目标检测算法SS-YOLO。使用... 详细信息

在基于深度学习的目标检测算法中,YOLO算法因兼具速度与精度的优势而备受关注,但是将其应用于无人机遥感领域时存在检测速度较慢、计算资源要求较高、小目标检测精度不佳等问题。为此,提出基于YOLO的轻量级小目标检测算法SS-YOLO。使用轻量的主干网络提升算法的推理速度,根据特征金字塔网络分治思想,加入下采样倍数为4的高分辨特征图P2用于检测微小目标。为解决高分辨率特征图(P2、P3)中语义信息不足的问题,构建结合自适应融合因子的语义增强上采样模块。针对定位损失函数中IoU度量方法对目标尺寸敏感所带来的影响小目标定位精确性的问题,设计结合归一化Wasserstein距离度量方法与中心点距离惩罚项的L_(CNWD)定位回归损失函数。实验结果表明,与YOLOv5s以及最新的YOLOv7-tiny相比,改进后的SS-YOLO模型参数量分别减少了31.3%和20.6%,与YOLOv7-tiny相比,mAP在VisDrone与AI-TOD数据集上分别提升了7.5和7.0个百分点;与YOLOv5s相比,mAP分别提升了2.3和3.6个百分点。当输入图片尺寸为800×800像素时,SS-YOLO的FPS为110帧/s,能够在满足无人机等边缘设备实时检测的同时,显著提升小目标的检测结果。

关键词：小目标检测 YOLO网络轻量级网络双向特征金字塔定位损失函数

在线全文

学校读者我要写书评

暂无评论

基于改进YOLOv5s的茶叶嫩芽检测

中国农机化学报 2024年第4期45卷 168-174页

作者：严蓓蓓纪元浩曲凤凤许金普青岛农业大学动漫与传媒学院青岛市266109 青岛农业大学园艺学院青岛市266109

为提高对茶叶嫩芽识别的准确率,提升自动采摘机器人的工作效率,减少人工采摘成本,提出一种对茶叶嫩芽目标检测的模型。通过拍摄包含白豪早茶叶嫩芽图片,进行筛选后得到179张图像,使用Mosic数据扩增后获得716张图像,建立数据集,按照训练... 详细信息

为提高对茶叶嫩芽识别的准确率,提升自动采摘机器人的工作效率,减少人工采摘成本,提出一种对茶叶嫩芽目标检测的模型。通过拍摄包含白豪早茶叶嫩芽图片,进行筛选后得到179张图像,使用Mosic数据扩增后获得716张图像,建立数据集,按照训练集、测试集和验证集7∶2∶1的比例划分数据集。针对复杂背景下茶叶嫩芽存在重叠以及遮挡所导致的识别精准度低的问题,对YOLOv5s模型进行改动,在骨干网络上增添注意力机制模块SE和CBAM进行比较;Neck网络由原来的PAFPN改为可以进行双向加权融合的BiFPN,Head结构增加浅层下采样的P2模块,提出一种茶叶嫩芽检测的模型。试验表明YOLOv5s添加SE模块结合BiFPN时模型具有更高的检测精度,并对试验结果进行十折交叉验证,相较于基线精确率提高10.46%,达到88.30%,平均精度均值mAP提高6.47%,达到85.83%。最后使用相同的数据集和预处理方法对比YOLOv5m、Faster R-CNN和YOLOv4-tiny,证明该试验方法综合强于其他经典深度学习方法,能更有效地提升茶叶嫩芽检测精准度,可以为茶叶自动采摘机器人提供理论依据。

关键词：茶叶嫩芽检测 YOLOv5s 注意力机制双向特征金字塔

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

一种改进的BR-YOLOv3目标检测网络

计算机工程 2021年第10期47卷 186-193页

作者：宦海陈逸飞张琳李鹏程朱蓉蓉南京信息工程大学电子与信息工程学院南京210044

在目标检测任务中不同目标间尺寸差异较大,导致多尺寸目标难以被有效检测。基于YOLOv3提出BR-YOLOv3目标检测网络。利用空洞卷积提升网络层感受野尺寸的特性,使用不同数量、尺寸、膨胀率的卷积构建多层并行的空洞感受野模块。通过双向... 详细信息

在目标检测任务中不同目标间尺寸差异较大,导致多尺寸目标难以被有效检测。基于YOLOv3提出BR-YOLOv3目标检测网络。利用空洞卷积提升网络层感受野尺寸的特性,使用不同数量、尺寸、膨胀率的卷积构建多层并行的空洞感受野模块。通过双向特征金字塔结构实现浅深层特征的双向融合,提升浅层预测分支分类、深层预测分支目标定位能力。使用LOSSGIOU定位损失函数实现目标回归过程整体化,从而降低目标漏检率。实验结果表明,BR-YOLOv3目标检测网络在Pascal VOC测试集上的测试平均精度均值达到79.24%,相比原网络提升3.52个百分点,且在检测精度上优于SSD、Faster RCNN等主流目标检测网络。

关键词：目标检测目标尺寸差异空洞感受野模块双向特征金字塔定位损失函数

在线全文

学校读者我要写书评

暂无评论

基于改进YOLOv3的多尺度目标检测算法

计算机应用 2022年第8期42卷 2423-2431页

作者：张丽莹庞春江王新颖李国亮华北电力大学(保定)计算机系河北保定071003 国网山东省电力公司枣庄供电公司山东枣庄277800

为了进一步提高多尺度目标检测的速度和精度,解决小目标检测易造成的漏检、错检以及重复检测等问题,提出一种基于改进YOLOv3的目标检测算法实现多尺度目标的自动检测。首先,在特征提取网络中对网络结构进行改进,在残差模块的空间维度中... 详细信息

为了进一步提高多尺度目标检测的速度和精度,解决小目标检测易造成的漏检、错检以及重复检测等问题,提出一种基于改进YOLOv3的目标检测算法实现多尺度目标的自动检测。首先,在特征提取网络中对网络结构进行改进,在残差模块的空间维度中引入注意力机制,对小目标进行关注;然后,利用密集连接网络(DenseNet)充分融合网络浅层信息,并用深度可分离卷积替换主干网络中的普通卷积,减少模型的参数量,提升检测速率。在特征融合网络中,通过双向金字塔结构实现深浅层特征的双向融合,并将3尺度预测变为4尺度预测,提高了多尺度特征的学习能力;在损失函数方面,选取GIoU(Generalized Intersection over Union)作为损失函数,提高目标识别的精度,降低目标漏检率。实验结果表明,基于改进YOLOv3(You Only Look Once v3)的目标检测算法在Pascal VOC测试集上的平均准确率均值(mAP)达到83.26%,与原YOLOv3算法相比提升了5.89个百分点,检测速度达22.0 frame/s;在COCO数据集上,与原YOLOv3算法相比,基于改进YOLOv3的目标检测算法在mAP上提升了3.28个百分点;同时,在进行多尺度的目标检测中,算法的mAP有所提升,验证了基于改进YOLOv3的目标检测算法的有效性。

关键词：目标检测 YOLOv3 多尺度目标双向特征金字塔注意力机制

基于YOLOv4算法改进的室外场景目标检测

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

计算机仿真 2023年第12期40卷 261-268页

作者：鲁鑫鑫张荣芬刘宇红李宽贵州大学大数据与信息工程学院贵州贵阳550025

室外场景对于人们的日常出行至关重要。为了提高室外目标检测算法的实时性和准确性,采用YOLOv4算法作为基础算法,对其进行改进。首先将Focus模块插入到CSPDarknet主干网络中,其次在YOLOv4算法网络结构中使用空间锯齿空洞卷积结构加强模... 详细信息

室外场景对于人们的日常出行至关重要。为了提高室外目标检测算法的实时性和准确性,采用YOLOv4算法作为基础算法,对其进行改进。首先将Focus模块插入到CSPDarknet主干网络中,其次在YOLOv4算法网络结构中使用空间锯齿空洞卷积结构加强模型对图像特征细节的提取,以替代原网络中的空间金字塔池化结构;对颈部进行了网络裁剪,能够达到减小网络权重的目的;最后为加强模型对于深、浅层特征的融合能力,采用双向特征金字塔结构,从而提高模型在浅层预测方面及深层定位方面的能力。实验表明,在文中构建的室外场景数据集上,改进后的YOLOv4算法的mAP达到87.9%,模型大小也减少了30MB,相比原YOLOv4算法检测在检测精度提升的同时速度也有明显提高。

关键词：室外场景网络裁剪空间锯齿空洞卷积双向特征金字塔