检索结果-南通市图书馆

基于改进YOLOv5及危险区域判断的碰撞预警系统研究

在线全文

学校读者我要写书评

暂无评论

汽车技术 2024年第4期 1-6页

作者：衣振兴詹振飞毛青孙博文王菊重庆交通大学重庆400074 汽车噪声振动和安全技术国家重点实验室重庆401120

为提升碰撞预警系统对周围环境的感知能力,提出一种基于YOLOv5及危险区域判断的碰撞预警系统。首先,通过通道注意力模块提高模型的判别能力和准确性,然后,使用路径聚合网络与空间金字塔池化提高模型对多尺度特征的提取能力,最后,通过引... 详细信息

为提升碰撞预警系统对周围环境的感知能力,提出一种基于YOLOv5及危险区域判断的碰撞预警系统。首先,通过通道注意力模块提高模型的判别能力和准确性,然后,使用路径聚合网络与空间金字塔池化提高模型对多尺度特征的提取能力,最后,通过引入预警激活区域过滤相对安全的目标,提高了预警系统的预警精确度。结果表明,引入预警激活区域后,与无预警激活区域相比,预警系统的准确度、精度和召回率分别提高20%、50%和26.7%,运行速度提升49.1%,进一步证明了方法的有效性。

关键词： YOLOv5 通道注意力模块路径聚合网络空间金字塔池化预警激活区域碰撞预警系统

基于改进YOLOv4的航空发动机小目标损伤检测研究

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

航空动力学报 2023年第2期38卷 445-452页

作者：蔡舒妤闫子砚中国民航大学航空工程学院天津300300

智能化的航空发动机损伤检测是飞机故障诊断重要的研究方向,针对现有目标检测模型对航空发动机的小目标损伤检测效果差的问题,提出了一种改进的基于You Only Look Once version 4(YOLOv4)的多尺度目标检测方法。在路径聚合网络(PANet)... 详细信息

智能化的航空发动机损伤检测是飞机故障诊断重要的研究方向,针对现有目标检测模型对航空发动机的小目标损伤检测效果差的问题,提出了一种改进的基于You Only Look Once version 4(YOLOv4)的多尺度目标检测方法。在路径聚合网络(PANet)中构建低层次的特征融合层,将更浅层的特征与深层特征融合,提高网络对小目标损伤的检测性能。为减少网络中的冗余参数,在颈部结构中引入了深度可分离卷积,将标准卷积重构为深度可分离卷积的形式。实验表明:改进后的YOLOv4对小目标损伤的检测精度提升了3.43%,模型大小降低了54.06 MB,同时检测速度提高了31.03%。研究结果表明改进的YOLOv4模型对小目标损伤具有更好的检测性能。

关键词：小目标检测路径聚合网络多尺度特征融合深度可分离卷积 YOLOv4模型

改进目标检测模型在大米外观品质检测中的应用研究

在线全文

学校读者我要写书评

暂无评论

中国粮油学报 2023年

作者：成泞伸张聪魏志慧闫可陈新波武汉轻工大学电气与电子工程学院武汉轻工大学数学与计算机学院

针对现有的大米外观品质检测方法存在识别准确率较低的问题，本文提出一种结合高效通道注意力机制（Efficient Channel Attention，ECA）的改进CenterNet模型（SEP-CenterNet）用于大米外观品质检测。首先，使用图像采集设备获取碎米、... 详细信息

针对现有的大米外观品质检测方法存在识别准确率较低的问题，本文提出一种结合高效通道注意力机制（Efficient Channel Attention，ECA）的改进CenterNet模型（SEP-CenterNet）用于大米外观品质检测。首先，使用图像采集设备获取碎米、整米和黄米图像，为防止由于数据集较小出现过拟合现状，对图像进行旋转、翻转等方式扩充数据集；然后将引入空间金字塔池化（Spatial Pyramid Pooling，SPP）的GhostNet作为CenterNet的骨干网络，用于提取大米的多层次特征，并使用基于ECA注意力机制的路径聚合网络（EPANet）进行语义特征融合。实验结果表明，改进后的CenterNet模型的对碎米、黄米和整米的检测准确率分别达到97.02%、96.73%、98.14%，mAP值较原始CenterNet提升了5.84%，识别准确率均高于SSD、Faster-RCNN、Retinanet、YOLOV4、YOLOV4-tiny和YOLOV5等模型，同时对比基于提取形态特征和傅里叶系数的传统大米检测方法，本文模型准确率更高，且具有较好的泛化性，实现自动化、高效、准确的大米外观品质检测。

关键词：大米外观品质目标检测空间金字塔池化路径聚合网络注意力机制

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于目标识别的钢材缺陷检测方法

计算机工程与设计 2022年第10期43卷 2977-2983页

作者：程国建卞晨亮西安石油大学计算机学院陕西西安710065

为实现热轧钢板表面缺陷检测,设计一个端到端的缺陷检测算法YOLOv5-MD。为达到各种样本数量均衡分布,使用数据增强算法对钢材缺陷数据集处理,使用通道混洗模块缓解特征融合中计算量的占用问题;引入注意力机制和加权边界框融合(weighted-... 详细信息

为实现热轧钢板表面缺陷检测,设计一个端到端的缺陷检测算法YOLOv5-MD。为达到各种样本数量均衡分布,使用数据增强算法对钢材缺陷数据集处理,使用通道混洗模块缓解特征融合中计算量的占用问题;引入注意力机制和加权边界框融合(weighted-boxes-fusion,WBF)消除重叠度较高的预测框;在PANet(path aggregation network)模块中添加残差的跳跃结构并提取多尺度特征来获取更多的细节图像信息。经实验结果验证,所提模型的平均检测精度(mean average precision,mAP)可达97.2%,相较于YOLOv5提高了10%左右,检测速度和YOLOv5持平,是Faster RCNN的7.1倍,是SSD的1.7倍,验证了该方法的可行性、有效性。

关键词：缺陷检测聚类数据精准增强通道转换卷积注意力机制加权边界框融合路径聚合网络

在线全文

学校读者我要写书评

暂无评论

基于多源信息融合的目标检测方法研究

基于多源信息融合的目标检测方法研究

作者：米佳琛哈尔滨工程大学

学位级别：硕士

随着互联网大数据时代的到来,目标检测已被广泛应用于视频监控、虚拟现实、人机交互和行为理解等众多领域,但只通过单源信息进行目标检测,容易受到设备自身、外界环境和目标多样性等因素影响,导致误检或漏检,从而降低目标检测精确度,而... 详细信息

随着互联网大数据时代的到来,目标检测已被广泛应用于视频监控、虚拟现实、人机交互和行为理解等众多领域,但只通过单源信息进行目标检测,容易受到设备自身、外界环境和目标多样性等因素影响,导致误检或漏检,从而降低目标检测精确度,而多源信息具有各自的优势,能实现优势互补,弥补单源信息缺陷,因此,本文以图像信息和点云信息融合为切入点,研究多源信息融合的目标检测方法。具体研究内容如下:(1)针对目标检测模型在实际应用场景中易受到环境影响问题,提出一种基于点云融合体素网络(Point Fusion Voxel Net,PFVNet)的多源信息融合目标检测模型。首先,以点云目标检测模型Voxel Net为基础,增加图像数据处理流,利用数据投影与特征索引的点对点融合方法,以及点对点特征拼接的特征融合方法融合点云信息与图像信息。其次,采用堆叠体素特征编码层进行数据增强,实现点云中每个点的信息与局部聚合信息的交互。在此基础上,利用中间卷积层与区域候选网络聚集体素局部信息,扩大感受野获取更丰富的形状信息。最后,通过对比实验和消融实验验证提出的PFVNet模型能更有效的抵抗环境带来的影响,提高目标检测精确率。(2)针对目标检测模型不能较好的兼顾小目标的检测以及特征利用不充分的问题,在PFVNet的基础上引入路径聚合网络,提出基于路径聚合点云融合体素网络(Path-Aggregation Point Fusion Voxel Net,PPFVNet)的多源信息多尺度融合的目标检测模型。首先,利用高层特征包含的语义信息获取目标整体特征,利用低层特征包含的几何信息获取小目标边缘特征,融合高层特征和低层特征,丰富特征的上下文信息。其次,采用多尺度特征的互补融合提高目标检测性能。最后,通过对比实验和消融实验验证提出的PPFVNet模型对提高目标检测的性能具有一定的有效性。

关键词：多源信息多尺度融合路径聚合网络目标检测

基于深度学习的口罩佩戴实时检测算法研究与系统实现

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

基于深度学习的口罩佩戴实时检测算法研究与系统实现

作者：曹小喜安徽工程大学

学位级别：硕士

自2019年12月以来,新冠肺炎疫情肆虐全球,时至今日,除中国以外的世界很多国家的疫情仍然没有得到有效控制,严重威胁世界人民的生命健康安全。呼吸道飞沫是新型冠状病毒传播的主要媒介之一,在公共场所佩戴口罩是防止病毒感染最有简单有... 详细信息

自2019年12月以来,新冠肺炎疫情肆虐全球,时至今日,除中国以外的世界很多国家的疫情仍然没有得到有效控制,严重威胁世界人民的生命健康安全。呼吸道飞沫是新型冠状病毒传播的主要媒介之一,在公共场所佩戴口罩是防止病毒感染最有简单有效的防护措施。商场、车站等人流量大的场所是疫情防控的重要阵地,为了实现高效智能化的无接触式佩戴口罩检测,本课题开展了基于深度学习技术的口罩佩戴检测方法的研究,具体如下:（1）利用开源的人脸检测数据集,再加上个人拍摄以及从互联网搜集的图片,构建了本文的口罩佩戴检测数据集,共包含经过详细标注的8 700张场景丰富的图片,接着利用聚类算法对数据集进行聚类分析获取合适的先验检测框。（2）针对口罩佩戴检测任务中存在的密集人群、远小目标、遮挡目标等检测难题,提出一种针对复杂应用场景的口罩佩戴检测方法。首先,通过在YOLOv4的主干特征提取网络中引入一种轻量级的通道注意力机制,使得模型能够自适应学习到不同通道特征的重要程度,对不同通道特征间的关系及各自对当前检测任务的重要性进行建模,从而重点关注关键特征信息,同时抑制无关特征的干扰。其次,通过复用空间金字塔池化模块构建了新的特征增强网络,进一步提升了模型在不同的感受野提取并融合空间特征的能力,将全局特征和局部特征进行融合,大大增强了特征图的表达能力。通过实验验证改进后的算法对人脸目标和佩戴口罩的人脸目标检测的平均准确率均值由原来的89.05%提升到了94.81%,且在RTX3090显卡上检测速度依然可以达到39FPS左右,实现了高精度的实时检测。（3）为满足在配置相对低端硬件设备上进行实时口罩佩戴检测的需求,提出一种轻量化的人脸佩戴口罩实时检测算法。首先,将融合了通道和空间双重注意力机制的CBAM模块嵌入到YOLOv4-tiny的主干特征提取网络当中,使模型能够学习特征信息在空间及通道维度的分布,提升模型对关键细节特征的表达能力。其次,引入空间金字塔池化模块对主干网络的深层特征执行多尺度感受野的池化并将所得特征与原特征进行堆叠融合,提升模型对深层特征的融合利用效率。最后,结合路径聚合网络的设计思路,在原有特征金字塔网络的基础上增加一条从低层到深层的特征聚合路径,进一步提升了模型对不同层次特征的融合能力,增强了特征的利用效率。实验结果表明,改进后算法的口罩佩戴检测精度相比YOLOv4-tiny提升了7.47%,且在RTX2060显卡上取得每秒90FPS左右的实时检测速度。（4）利用PyCharm、Python、PyQt等工具完成了口罩佩戴检测的系统设计,实现了静态图片检测、本地视频检测和调用摄像头采集实时视频流进行口罩佩戴检测等功能。经过算法测试和鲁棒性实验,本课题所研究的两种改进型算法的检测性能均有了大幅提升,能够以较高的检测精度和实时性完成多种场景下的口罩佩戴检测任务,实现复杂场景下的高精度口罩佩戴检测,同时轻量化的算法能够满足在普通硬件设备上进行实时检测的要求,进一步降低了算法落地的硬件成本,具有很好的应用价值。

关键词：新冠肺炎口罩佩戴检测金字塔池化注意力机制路径聚合网络口罩佩戴检测系统

改进YOLOX中特征融合结构的目标检测方法

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

计算机科学与应用 2022年第6期12卷 1518-1528页

作者：杨利李允臣王家宝赵志杰李阳苗壮陆军工程大学指挥控制工程学院江苏南京 31700部队辽宁沈阳

因无人机俯拍视角的特殊性,航拍目标在成像中呈现出小尺度/多尺度、外观相似度高、背景复杂干扰大等特点,导致航拍目标检测相对通用目标检测更具挑战和难度。为了解决该问题,针对通用目标检测中常用于融合多尺度特征的路径聚合网络(Path... 详细信息

因无人机俯拍视角的特殊性,航拍目标在成像中呈现出小尺度/多尺度、外观相似度高、背景复杂干扰大等特点,导致航拍目标检测相对通用目标检测更具挑战和难度。为了解决该问题,针对通用目标检测中常用于融合多尺度特征的路径聚合网络(Path Aggregation Network, PANet)模块,本文提出一种改进PANet的多距离关联依赖MDAD (Multi-Distance Association Dependency)模块,该模块包含跨层连接和同层连接两种连接方式,通过密集的跨尺度交互融合增强不同尺度特征层的弱特征信息。同时,基于YOLOX框架和所提出的MDAD模块,构建了更加适合航拍多尺度复杂目标的检测方法。在公开的典型航拍目标检测数据集VisDroneDet上,实验验证了本文所提方法的有效性。所提模块可适用于在不同模型大小的主干网络上进行扩展,具有较好的实际应用价值。

关键词：目标检测 YOLOX 特征融合路径聚合网络

基于DPPC-YOLO的交通标志检测算法研究

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

软件导刊 2022年第12期21卷 26-32页

作者：周涛刘超江苏大学电气信息工程学院江苏镇江212013

为解决深度学习算法在交通标志检测识别方面存在模型参数量大、实时性弱、识别准确率较低等问题,提出一种基于DPPC-YOLO的交通标志检测算法。该算法在YOLOv3算法基础上,利用深度可分离卷积(DSC)减少特征提取网络参数,引入金字塔池化模块... 详细信息

为解决深度学习算法在交通标志检测识别方面存在模型参数量大、实时性弱、识别准确率较低等问题,提出一种基于DPPC-YOLO的交通标志检测算法。该算法在YOLOv3算法基础上,利用深度可分离卷积(DSC)减少特征提取网络参数,引入金字塔池化模块(PPM)和路径聚合网络(PaNet)优化小目标预测结果,采用完备交并比损失函数(GIoU)提高预测框定位精度,有效提升了算法的检测准确率和实时性。实验结果表明,DPPC-YOLO算法识别精度均值为89.73%,检测速度为11.8 FPS,模型容量为49.5 MB,相较于传统算法更精准、快速,以期为智能识别交通标志提供参考与借鉴。

关键词：交通标志识别 YOLOv3 深度可分离卷积金字塔池化模块路径聚合网络完备交并比

基于SE-YOLOV4的变电站断路器分合状态识别算法

在线全文

学校读者我要写书评

暂无评论

软件导刊 2022年第9期21卷 40-44页

作者：刘超韩懈江苏大学电气信息工程学院江苏镇江212013

针对高压变电站断路器人工检测速度慢、误差大等问题,提出基于YOLOv4改进的变电站断路器分合状态识别方法;针对电力系统背景复杂、断路器分合状态不易识别的问题,加入通道注意力机制,关注目标的显著性特征,忽略非目标区域,然后使用路径... 详细信息

针对高压变电站断路器人工检测速度慢、误差大等问题,提出基于YOLOv4改进的变电站断路器分合状态识别方法;针对电力系统背景复杂、断路器分合状态不易识别的问题,加入通道注意力机制,关注目标的显著性特征,忽略非目标区域,然后使用路径聚合网络有效提取目标特征;针对数据样本单一性的问题,提出SE-YOLOv4算法,在其中加入数据增强技术,提高模型的泛化能力,使算法网络具有更强的鲁棒性。实验结果表明,该算法的精确率为97%,召回率为73.45%,F1为0.84,平均精确率为79.2%,相比原算法的平均精确率提高了2.6%,表明基于深度学习的检测方法可快速、高效地检测目标,避免人工检测出现的问题。

关键词：断路器深度学习注意力机制路径聚合网络