检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于改进YOLOv3的绝缘子目标检测研究

电瓷避雷器 2022年第3期 166-171页

作者：朱有产郑怡秦金磊华北电力大学控制与计算机工程学院河北保定071003

为实现复杂背景下绝缘子快速、准确识别,提出了一种基于改进YOLOv3的绝缘子目标检测算法。采用K-means++算法调整anchor box,再改进Darknet-53特征提取网络,减少卷积层数和残差单元的使用次数来降低网络深度和运算量,然后增加一个尺度预... 详细信息

为实现复杂背景下绝缘子快速、准确识别,提出了一种基于改进YOLOv3的绝缘子目标检测算法。采用K-means++算法调整anchor box,再改进Darknet-53特征提取网络,减少卷积层数和残差单元的使用次数来降低网络深度和运算量,然后增加一个尺度预测,将浅层特征信息加入到预测结果中以提升对小目标的检测敏感度。实验结果表明,改进的YOLOv3算法在绝缘子测试集上的表现良好,提高了检测速度并且准确率也有一定的提升。

关键词： YOLOv3算法 Darknet-41 绝缘子检测 K-means++算法多尺度预测

在线全文

学校读者我要写书评

暂无评论

面向嵌入式平台的安全帽实时检测方法

计算机工程与应用 2022年第9期58卷 161-167页

作者：农元君王俊杰徐晓东赵雪冰中国海洋大学工程学院山东青岛266100

针对当前基于深度学习的安全帽检测方法因结构复杂和计算量大,难以在嵌入端实现实时检测的问题,提出一种适用于嵌入式平台的轻量化安全帽实时检测方法。该方法以Tiny-YOLOv3检测网络为基础,通过改进特征提取网络和多尺度预测优化网络结... 详细信息

针对当前基于深度学习的安全帽检测方法因结构复杂和计算量大,难以在嵌入端实现实时检测的问题,提出一种适用于嵌入式平台的轻量化安全帽实时检测方法。该方法以Tiny-YOLOv3检测网络为基础,通过改进特征提取网络和多尺度预测优化网络结构,引入空间金字塔池化模块丰富特征图的多尺度信息,采用K-means聚类算法确定适合安全帽检测的锚框,引入CIoU边界框回归损失函数以提高检测精度。实验结果表明:在608×608的输入尺寸下,所提方法的平均准确率、召回率、F1值分别达到87.50%、84%、83%,较Tiny-YOLOv3检测方法分别提升了11.27、11和7个百分点;且在嵌入式平台NVIDIA Jetson Nano上实现了20.58 frame/s的实时检测速度,可满足在嵌入端实现安全帽实时检测的需求。该方法在光线不佳、小目标、密集目标等复杂施工环境下具有良好的适应性和泛化性。

关键词：安全帽检测 Tiny-YOLOv3 嵌入式平台多尺度预测空间金字塔池化

在线全文

学校读者我要写书评

暂无评论

基于改进级联R-CNN的酒瓶瑕疵检测

计算机工程与设计 2022年第2期43卷 434-442页

作者：高林张玉蓉李升凯朱庆港姜旭辉青岛科技大学自动化与电子工程学院山东青岛266100

为降低厂家因瓶装酒瑕疵带来的不必要损失,提出一种改进的Cascade R-CNN算法模型,对酒瓶瑕疵进行检测。采用基于聚类算法的Anchor生成策略,将多尺度预测的骨干网络用作特征提取,使用感兴趣对齐层取代原先的感兴趣池化层。将改进的模型... 详细信息

为降低厂家因瓶装酒瑕疵带来的不必要损失,提出一种改进的Cascade R-CNN算法模型,对酒瓶瑕疵进行检测。采用基于聚类算法的Anchor生成策略,将多尺度预测的骨干网络用作特征提取,使用感兴趣对齐层取代原先的感兴趣池化层。将改进的模型与其它基于Faster R-CNN和Cascade R-CNN的酒瓶瑕疵检测模型做消融实验,实验结果表明,该模型能够更加准确识别和定位出多类酒瓶瑕疵情况。在检测速度方面虽然略逊于其它模型,但模型检测的准确度达到了79.6%,远高于其它模型。

关键词：级联卷积神经网络酒瓶瑕疵锚框聚类多尺度预测感兴趣对齐层

基于改进YOLOv3的无纺布表面缺陷检测研究

在线全文

学校读者我要写书评

暂无评论

基于改进YOLOv3的无纺布表面缺陷检测研究

作者：朱空军郑州大学

学位级别：硕士

无纺布作为医疗卫生等领域的原材料,其生产的产品与我们的生活息息相关。在无纺布生产制造过程中,由于生产环境和制造工艺等客观因素的影响,在无纺布表面会产生黑点、白点、断裂、划痕等缺陷。目前,在我国大部分的无纺布生产车间中,都... 详细信息

无纺布作为医疗卫生等领域的原材料,其生产的产品与我们的生活息息相关。在无纺布生产制造过程中,由于生产环境和制造工艺等客观因素的影响,在无纺布表面会产生黑点、白点、断裂、划痕等缺陷。目前,在我国大部分的无纺布生产车间中,都是由人工来检测表面缺陷,检测效率和精度都比较低。近年来,深度学习模型成功的应用于目标检测领域,并且将逐步取代传统的机器视觉对产品缺陷的检测。为此,本文基于改进YOLOv3算法对无纺布表面缺陷进行检测,主要研究内容如下:首先,构造无纺布表面缺陷数据集并对原始YOLOv3算法进行分析,在原始YOLOv3算法的基础上对无纺布表面缺陷进行检测,实验结果表明:原始YOLOv3算法在检测无纺布表面小缺陷目标时不敏感,存在漏检现象并且生成预测框的位置不够准确。然后,针对无纺布表面缺陷检测中小缺陷目标存在漏检及识别率不高的问题,本文结合深度学习理论,在原始YOLOv3算法的基础上进行三处改进:改进多尺度特征预测,在网络模型当中生成一个新的特征尺度104×104,来提取更多无纺布小缺陷目标的特征信息;引入K-Means++聚类算法改进聚类先验框中心点的选取,生成更加符合无纺布缺陷数据集的Anchor Box,使预测框的定位更加精准,提高检测精度;进行GIoU损失函数优化,将GIoU的损失函数替代原始损失函数中的定位损失函数,更好的对训练模型进行优化,获得收敛性能更佳的网络模型。在前面部分工作的基础上,分别对三种改进算法和整体改进的YOLOv3算法进行检测实验,结果表明:三种改进方法的检测性能均优于原始YOLOv3算法,整体改进后的YOLOv3算法的m AP为88.05%,比原始YOLOv3算法提高了7.96%,FPS为25,也高于原始YOLOv3算法,检测准确率和检测速度均有很大的提升。

关键词：无纺布缺陷检测 YOLOv3 多尺度预测 K-Means++ GIoU

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向小目标的目标检测技术研究

面向小目标的目标检测技术研究

作者：翟文哲桂林电子科技大学

学位级别：硕士

目前的通用目标检测算法已经在许多应用场景下展现了它的能力,但在针对小目标场景(如无人机检测,航天任务等)下的物体检测仍然存在很大困难。其原因是:首先图像里面的一些目标相对或绝对尺寸太小,在进行目标检测时容易被忽略,除尺寸问... 详细信息

目前的通用目标检测算法已经在许多应用场景下展现了它的能力,但在针对小目标场景(如无人机检测,航天任务等)下的物体检测仍然存在很大困难。其原因是:首先图像里面的一些目标相对或绝对尺寸太小,在进行目标检测时容易被忽略,除尺寸问题外小目标还经常出现模糊、遮挡以及聚集等问题,这给神经网络去提取小目标物体的特征提出了很大考验。因此,这也使得目前通用的目标检测网络直接应用到小目标场景下的结果不够理想。为解决上述问题,本文对此进行了详细地研究,主要内容如下:(1)YOLOv5算法目前在精度、速度和模型大小等方面有着很优异的表现,现在YOLOv5的基础上提出了改进YOLOv5的小目标检测算法。一是针对小目标的相对尺寸或绝对尺寸过小的问题,对YOLOv5的多尺度预测结构进行了改进,将主干网络特征提取过程中的4倍下采样的特征图和YOLOv5的Neck端进行结合,修改原有的特征融合结构,最后通过特征图对应的检测头进行更小目标的检测,以此提高小目标的检测率。二是从YOLOv5算法中集成了融合通道和空间的注意力模块,特征图先通过通道注意力模块去调整通道之间的权重来增强小目标的特征,再通过空间注意力去提升对小目标区域的关注,减弱对背景区域的影响。最后通过实验可得,改进后方法的检测精度相对原算法有所提升。(2)针对小目标场景下高分辨率图像目标相对尺寸过小和小目标普遍存在图像模糊、缺乏足够的外观信息等问题,本文提出了基于图像增强的小目标检测算法。首先介绍了图像分块方法,并提供了该方法与通用目标检测网络结合的方法。然后提出了基于超分辨率重建(SR)的小目标检测算法,通过引入SR-多任务网络对通用目标检测网络检测成背景的小尺寸预测框进行一次再检测,最终将SR-多任务网络的检测结果和通用网络的检测结果进行合并。基于图像增强的小目标检测算法则是将上述两个方法进行结合,先通过分块方法增强目标的相对尺寸,再通过SR-多任务网络增加它的绝对尺寸和外观信息。通过最后的实验可得,基于图像增强的方法可有效提高目标检测的精度。

关键词：深度学习小目标检测多尺度预测注意力超分辨率重建

基于改进YOLOv4算法的安全帽佩戴检测应用研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进YOLOv4算法的安全帽佩戴检测应用研究

作者：刘兵辽宁科技大学

学位级别：硕士

随着人工智能技术的快速兴起,逐渐有学者将目标检测技术应用于安全监测预警系统以助力安全生产监管。在基建场所及传统冶金制造车间等危险区域,工人佩戴安全帽进行工作生产是自我保护的重要手段。但是,鉴于工人普遍安全意识不强,工作环... 详细信息

随着人工智能技术的快速兴起,逐渐有学者将目标检测技术应用于安全监测预警系统以助力安全生产监管。在基建场所及传统冶金制造车间等危险区域,工人佩戴安全帽进行工作生产是自我保护的重要手段。但是,鉴于工人普遍安全意识不强,工作环境复杂以及安全监管工作不到位等因素,造成安全帽佩戴率低,进而造成人员伤亡和企业财产损失。利用目标检测技术助力安全监管是一种便捷且高效的监管手段。目前,基于深度学习的机器视觉技术发展速度快,应用广泛。但是,基于深度学习的安全帽佩戴检测算法存在小目标检测效果差以及模型参数量大这两个问题,导致安全帽佩戴实时检测应用有待改进。本文选择单阶段目标检测算法YOLOv4进行改进。本文主要内容如下:(1)增加大尺度输出以及改进PANet网络。首先针对YOLOv4算法对小目标的召回率和检测精度均较差的问题,本文通过增加104×104大尺度特征层输出用于检测小目标;同时运用跨特征层进行特征融合思想,改进PANet网络结构,以增强PANet网络的特征融合能力。(2)改进深度可分离卷积。其次针对YOLOv4算法参数量大的问题,本文利用改进的深度可分离卷积改进PANet网络中的make＿five＿conv结构,以及利用深度可分离卷积改进CSPDarknet53网络中的Resblock结构,在尽量不降低特征提取能力的前提下大量减少模型参数。(3)自建安全帽数据集。目前安全帽佩戴检测研究还没有公开的大型数据集作为支撑,各研究学者也是通过自建小型安全帽数据集进行模型验证。为了验证本文改进安全帽佩戴检测算法的有效性,通过现场视频拍摄、网络收集以及小型数据集的整合三种手段,构建了包含8662份安全帽数据的数据集。本文通过纵向对比基于Faster RCNN算法的安全帽佩戴检测模型。实验结果表明:其模型检测速度慢,检测效果较差,并且模型m AP仅达到84.53%,FPS仅为25。然而基于YOLOv4算法改进的安全帽佩戴检测模型m AP达到了93.05%,FPS为34.5。通过将改进的YOLOv4算法横向对比YOLOv4算法以及YOLOv4＿4out算法,实验结果表明:改进的YOLOv4算法不仅参数量减少了约58%,而且m AP也提高了0.49%。从训练过程中模型的损失曲线变化来看,改进的YOLOv4算法的训练损失曲线和验证损失曲线都下降的更多,并且较快的收敛和快速趋于稳定。

关键词：安全帽佩戴检测多尺度预测 YOLOv4 深度可分离卷积

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多尺度特征融合的小目标行人检测

计算机工程与科学 2019年第9期41卷 1627-1634页

作者：张思宇张轶四川大学计算机学院四川成都610065 四川大学视觉合成图形图像技术国家重点学科实验室四川成都610065

针对SSD当前存在的小目标漏检以及误检问题,结合反卷积与特征融合思想,提出hgSSD模型。将原SSD特征层反卷积后与较浅层特征结合,实现复杂场景下小目标行人检测。为了保留浅层网络特征,提高算法实时性,节省计算资源,hgSSD模型基础网络使... 详细信息

针对SSD当前存在的小目标漏检以及误检问题,结合反卷积与特征融合思想,提出hgSSD模型。将原SSD特征层反卷积后与较浅层特征结合,实现复杂场景下小目标行人检测。为了保留浅层网络特征,提高算法实时性,节省计算资源,hgSSD模型基础网络使用VGG16,而非更深层的ResNet101。为了加强对小目标的检测,将VGG16中的Conv3_3改进为特征层加入训练。融合后的网络相对于SSD较为复杂,但基本保证实时性,且成功检测到大部分SSD网络漏检的小目标,检测精度相比于SSD模型也有提升。在选择框置信度得分阈值为0.3的情况下,基本检测到SSD漏检小目标。在VOC2007+2012中相对于SSD行人检测的Average Precision值从0.765提升为0.83。

关键词：小目标行人检测多尺度预测特征融合反卷积神经网络深度学习

在线全文

学校读者我要写书评

暂无评论

基于深度学习的多尺度目标检测算法研究

基于深度学习的多尺度目标检测算法研究

作者：焦天驰西南科技大学

学位级别：硕士

目标检测是计算机视觉的基本问题之一,是完成目标跟踪、实例分割等其他视觉任务的基础。随着信息技术的发展,人类生活中存在着大量的图像和视频数据,这使得目标检测技术在人类生活中起到的作用越来越大,当前主要应用于人脸识别、自动驾... 详细信息

目标检测是计算机视觉的基本问题之一,是完成目标跟踪、实例分割等其他视觉任务的基础。随着信息技术的发展,人类生活中存在着大量的图像和视频数据,这使得目标检测技术在人类生活中起到的作用越来越大,当前主要应用于人脸识别、自动驾驶等领域。目标检测的研究有着悠久的历史,但是传统目标检测方法在面对大数据量的样本时有一定的局限性。深度学习的发展给目标检测带来新的思路,利用卷积神经网络进行检测受到了广泛关注。本文基于深度学习技术对目标检测进行了研究,主要工作如下:第一,针对YOLO算法中预测层级单一以及网络加深导致的模型复杂度提高,对YOLO算法进行改进。从以下方面进行改进:利用深度可分离卷积减少计算过程中的参数量,结合残差结构构造反残差块,改善网络加深过程中产生的梯度消失现象,反残差块中采用瓶颈结构避免特征信息丢失;采用多尺度特征融合策略,将32倍降采样后的特征层进行2倍上采样,与对应尺度的特征层进行拼接融合,融合后产生的特征层继续进行2倍上采样,进行拼接融合,所产生的3种不同尺度的特征层级用于目标预测,优化了对于多尺度目标的检测效果;针对数据集目标特点,对目标先验框进行聚类分析,提高模型适用性;针对模型中的正负样本不平衡问题,将改进模型与Focal loss进行结合,与其他目标检测模型进行对比分析,实现模型检测精度的提升。第二,针对SSD算法中基础网络VGG16特征提取能力不足和浅层特征层之间联系单一的问题,对SSD算法进行改进。从以下方面进行改进:通过更改前置基础网络为DarkNet53,利用其更强的特征提取能力,提高模型的整体检测性能;通过引入特征融合结构,将19×19和10×10的特征图通过双线性插值的方式变换尺度为38×38,结合1×1卷积核调整通道数为512,将上述生成的特征层与调整通道数后的38×38特征层进行拼接融合产生新的特征层,最后将新的特征层作为多尺度预测中38×38尺度的预测层。通过这种特征融合结构加强浅层特征层之间的特征信息联系,丰富多尺度特征信息,从而提高SSD算法模型的检测精度。为了验证本文改进的两种算法的有效性,在常用的目标检测数据集上进行改进算法的实验验证。其中采用INRIA行人数据集对改进YOLO算法进行实验验证,将Focal loss应用于改进算法并在PASCAL VOC 2007数据集上与两阶段的目标检测算法进行对比分析,最后将改进YOLO算法应用于焊点缺陷检测;采用PASCAL VOC 2007和2012联合数据集对改进SSD模型进行实验验证,并与其他算法模型进行对比分析。

关键词：目标检测深度学习反残差块特征融合多尺度预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

多尺度上下文融合的交通标志识别算法研究

无线电工程 2022年第1期52卷 114-120页

作者：蔡军邱会然谭静杨平安重庆邮电大学自动化学院重庆400065

针对自然场景中小型交通标志检测漏检和虚警问题,提出了一种多尺度上下文融合的交通标志检测算法。以YOLOv3为检测框架,将特征金字塔网络的深层特征信息融合进更浅层特征层,提高更浅层特征层中高级前景语义信息的利用率;在YOLOv3框架基... 详细信息

针对自然场景中小型交通标志检测漏检和虚警问题,提出了一种多尺度上下文融合的交通标志检测算法。以YOLOv3为检测框架,将特征金字塔网络的深层特征信息融合进更浅层特征层,提高更浅层特征层中高级前景语义信息的利用率;在YOLOv3框架基础上加入上下文模块,重新分配交通标志特征图中的上下文信息权重,加强目标特征信息的复用;使用融合预测目标置信度的网络损失函数来进行端到端的训练。在中国交通标志数据集TT100K上试验75类小型交通标志获得了56.93%的平均精度均值,相比于YOLOv3算法,所提算法精度提高了9.19%,验证了所提算法的有效性,表明了在小目标和多目标的环境下所提算法检测效果提升明显。

关键词：深度学习交通标志检测上下文融合多尺度预测