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

基于深度学习的布匹疵点检测方法

毛纺科技 2021年第4期49卷 98-103页

作者：李宇刘孔玲黄湳菥武汉纺织大学湖北省数字化纺织装备重点实验室湖北武汉430200 武汉纺织大学湖北省功能纤维加工及检测工程技术研究中心湖北武汉430200 武汉纺织大学电子与电气工程学院湖北武汉430200

为快速、准确检测布匹疵点,提出以深度学习目标检测框架YOLOv4为基础的布匹疵点检测方式,首先将5种常见疵点图像(吊经、百脚、结点、破洞、污渍)进行预处理,然后将图像输入到YOLOv4算法中进行分类。YOLOv4采用CSPDarknet53作为主干网络... 详细信息

为快速、准确检测布匹疵点,提出以深度学习目标检测框架YOLOv4为基础的布匹疵点检测方式,首先将5种常见疵点图像(吊经、百脚、结点、破洞、污渍)进行预处理,然后将图像输入到YOLOv4算法中进行分类。YOLOv4采用CSPDarknet53作为主干网络提取疵点特征,SPP模块、FPN+PAN的方式作为Neck层进行深层疵点特征提取,预测层采用3种尺度预测方式,对不同大小的疵点进行检测。研究结果表明:经600个测试集样本的验证,该方法对疵点图像的检测准确率达95%,检测单张疵点图像的速率为33 ms。与SSD、Faster R-CNN、YOLOv3方法进行比较,采用YOLOv4方法准确率更高,速度更快。

关键词：深度学习布匹疵点检测 YOLOv4 CSPDarknet53 SPP

在线全文

学校读者我要写书评

暂无评论

改进YOLOv4行人和车辆目标检测算法

黑龙江大学自然科学学报 2023年第1期40卷 120-126页

作者：王玉莹朱福珍黑龙江大学电子工程学院哈尔滨150080

针对传统行人和车辆检测方法中小目标检测精度低、识别效果差以及遮挡的行人目标漏检问题,提出了一种基于YOLOv4改进的行人车辆检测算法。在主干网络与特征融合模块之间增加卷积层,3×3的卷积增大感受野,随后1×1的卷积降维。多层卷积... 详细信息

针对传统行人和车辆检测方法中小目标检测精度低、识别效果差以及遮挡的行人目标漏检问题,提出了一种基于YOLOv4改进的行人车辆检测算法。在主干网络与特征融合模块之间增加卷积层,3×3的卷积增大感受野,随后1×1的卷积降维。多层卷积学习到更多的纹理信息,提高了网络对特征的感知能力。为了解决YOLOv4样本不平衡的问题,利用焦点损失函数在解决正负样本分布不平衡问题上的优势,在分类损失函数中添加了一个调制系数λ,使得算法能够减少分类样本的损失。在Udacity数据集上的实验结果表明,相较于YOLOv4,改进的算法在主观视觉上能够检测出更多的目标,并且mAP提升了3.16%。

关键词：目标检测 YOLOv4 CSPDarknet53 交叉熵损失

在线全文

学校读者我要写书评

暂无评论

基于深度学习的安全帽的佩戴检测算法研究

基于深度学习的安全帽的佩戴检测算法研究

作者：邵国庆宁夏大学

学位级别：硕士

正确佩戴安全帽是在工业生产中保护操作人员的生命与财产安全的重要一环。通过将计算机视觉应用到工业生产中,检测操作人员佩戴安全帽的情况,加强对工业中操作人员的监督。以此来降低意外事故发生造成的损害。通过使用基于卷积神经网络... 详细信息

正确佩戴安全帽是在工业生产中保护操作人员的生命与财产安全的重要一环。通过将计算机视觉应用到工业生产中,检测操作人员佩戴安全帽的情况,加强对工业中操作人员的监督。以此来降低意外事故发生造成的损害。通过使用基于卷积神经网络的图像方法,改进YOLOV3算法,首先以CSPDarknet53为网络模型,其次使用K-Means++算法进行先验框检测改进,最终提高了检测的精度和速度。在经过实验的验证后,该算法可以有效识别5类目标,其中包括4种颜色安全帽以及操作人员,具有较高的精确度以及识别效率,为有效地监督生产操作人员正确佩戴安全帽做好准备。具体工作如下:(1)通过网络爬虫的方式得到安全帽图像数据,利用lableimg工具制作安全帽数据集。根据本文的研究需求,收集了 5类图像目标,合计2054张图片。通过imgaug库函数,使采集到的数据集进行空间变化、样本增强、归一化等方法对数据集进行扩充。最后经过筛选,选取五类目标4672张图片作为此次数据集的样本。(2)配置训练环境,选取合适的安全帽识别的算法进行实验。通过对比不同原理的算法以及前人的实验结果,本文选择Faster R-CNN与YOLOV3目标识别网络作为基础的网络模型,在前文制作的安全帽数据集上进行训练。经过实验,YOLOV3模型检测精度和检测速度得适合此次检测任务。(3)为了将识别精度进行提高,本文提出了 CSPDarknet53+YOLO+K-Means++算法,解决了 YOLOV3不足的地方。改进后的算法使用CSPDarknet53代替了 Darknet53作为特征提取网络,不仅减少了计算量并且增强梯度的表现能力,有利于对图像特征进行提取;使用K-Means++聚类算法,通过计算得到anchor boxes的长与宽,在改进的YOLOV3算法在进行识别时,提高了目标检测的准确性。(4)在改进的YOLOV3算法上进行训练,得到适合安全帽识别的算法网络模型,经过对比,改进后的YOLOV3算法更具有实用性。经过本文的研究,CSPDarknet53+YOLO+K-Means++算法对5类目标,其中包括4种颜色安全帽以及操作人员的检测精度为92.03%。经过与其他网络进行对比实验,CSPDarknet53+YOLO+K-Means++算法明显优于其他算法,在原YOLOV3网络的基础上提高了 6个百分点。

关键词：卷积神经网络安全帽识别 YOLOV3算法 CSPDarknet53 K-Means++聚类算法

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

基于轻量级YOLOv4的手势识别算法研究

中文科技期刊数据库（全文版）工程技术 2022年第11期 0150-0153页

作者：王赫杨庆江郭阳杨锋勇范春媛黑龙江科技大学电子与信息工程学院黑龙江哈尔滨150022 正通煤业信息中心陕西咸阳712000

手语是一种自然语言工具,为听力障碍者提供更加有效的交流。通过计算机对手语进行分类识别能够准确给出相应的手语信息,为听力障碍者提供更加便捷的交流,具有更广泛的应用前景。但存在分辨率低、背景杂乱及遮挡情况下识别效果不佳等问题... 详细信息

手语是一种自然语言工具,为听力障碍者提供更加有效的交流。通过计算机对手语进行分类识别能够准确给出相应的手语信息,为听力障碍者提供更加便捷的交流,具有更广泛的应用前景。但存在分辨率低、背景杂乱及遮挡情况下识别效果不佳等问题,利用深度学习目标检测框架可实现对手势的识别,如YOLO系列能够解决上述问题,YOLOv4对遮挡物体等检测性能更佳,检测精度大幅提升,但存在模型复杂度巨大和检测速度不佳等问题为。为实现手语的快速有效识别,本文提出一种基于YOLOv4的改进算法。通过使用残差模块替换YOLOv4的主干网络CSPDarknet53中的CSPBlock模快,来提高模型的检测速度。深度可分离卷积的引入,在保证了模型精度同时,减小了YOLOv4网络模型复杂度。实验结果表明,在单个手势识别检测中,识别率达到95.23%,平均识别率为94.45%,检测速度达到147.94帧/s。解决了YOLOv4模型的计算量复杂和检测速度不佳的问题。

关键词： YOLOv4 手势识别 CSPDarknet53

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

基于YOLOv4的车辆检测与识别研究

物联网技术 2022年第2期12卷 24-27页

作者：王嘉璐王颖钱立峰施恺杰谢剑锋杨昊天南昌工程学院信息工程学院江西南昌330022

对车辆信息进行监控是交通灯智能调控中的重要技术,为了应对当前车辆信息监控技术在精度、速度以及稳定性方面带来的挑战,文中提出了一种基于YOLOv4的车辆检测与识别算法。通过网络爬虫技术采集车辆数据集,并使用旋转、缩放以及加噪声... 详细信息

对车辆信息进行监控是交通灯智能调控中的重要技术,为了应对当前车辆信息监控技术在精度、速度以及稳定性方面带来的挑战,文中提出了一种基于YOLOv4的车辆检测与识别算法。通过网络爬虫技术采集车辆数据集,并使用旋转、缩放以及加噪声等数据增强算法扩充各类车辆的数据集,再手动对数据集进行标注。使用K-means++聚类方式得到适应于该数据集的锚框坐标点,并用CIOU损失函数对训练过程进行优化,再经过CSPDarknet53网络框架进行训练,发现实验结果达到了良好的效果,可满足实际应用的需要。

关键词：车辆检测 YOLOv4 K-means++聚类 CSPDarknet53 CIOU Anchor Box