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

基于改进的YOLOv3口罩佩戴检测和识别

计算机工程与科学 2022年第10期44卷 1812-1821页

作者：任小康刘行行西北师范大学计算机科学与工程学院甘肃兰州730070

新冠疫情仍在全球肆虐,佩戴口罩可以有效阻断新冠病毒传播,口罩佩戴检测系统能及时提醒公共场所活动的人佩戴口罩。针对该问题及小尺度目标检测困难的问题,提出了一种基于YOLOv3改进的网络模型Face_mask Net用于口罩佩戴检测。由于YOLOv... 详细信息

新冠疫情仍在全球肆虐,佩戴口罩可以有效阻断新冠病毒传播,口罩佩戴检测系统能及时提醒公共场所活动的人佩戴口罩。针对该问题及小尺度目标检测困难的问题,提出了一种基于YOLOv3改进的网络模型Face_mask Net用于口罩佩戴检测。由于YOLOv3算法训练的网络模型对小目标检测率低,IoU值相同时不能反映预测框和目标框是否相交,以及传统NMS对于遮挡经常产生错误抑制情况,Face_mask Net改进了残差块和神经网络结构,引入SPP模块和CSPNet网络模块,并采用DIoU作为损失函数,DIoU-NMS算法作为分类器。实验结果表明,Face_mask Net可以有效提高目标检测准确率,AP75下的平均准确率为58.05%,相比由YOLOv3算法训练的网络模型提高了4.11%。

关键词： YOLOv3 DIoU SPP 口罩佩戴检测 CSPNet

在线全文

学校读者我要写书评

暂无评论

基于YOLOv3的轻量化目标检测算法研究

基于YOLOv3的轻量化目标检测算法研究

作者：李洪泉齐鲁工业大学

学位级别：硕士

近年来,随着大规模数据样本和高性能图像处理器的出现,人工智能技术的快速发展为目标检测提供了新思路。基于深度学习的目标检测以优良的鲁棒性和泛化性逐渐取代基于传统图像处理的目标检测方法。但深度模型计算成本和检测效果难以平衡... 详细信息

近年来,随着大规模数据样本和高性能图像处理器的出现,人工智能技术的快速发展为目标检测提供了新思路。基于深度学习的目标检测以优良的鲁棒性和泛化性逐渐取代基于传统图像处理的目标检测方法。但深度模型计算成本和检测效果难以平衡的问题阻碍了目标检测的进一步发展。以YOLOv3为例,YOLOv3因良好的检测效果在工业中广泛应用,但其计算量大、模型体积大、占用较多的物理内存,在一些低性能或廉价设备中难以部署应用。本文为平衡YOLOv3检测效果和计算成本,以安全帽为实验数据,针对其网络结构进行改进,提出一种轻量化目标检测算法ML-YOLOv3(Mini and Lightweight YOLOv3)。具体研究内容如下:YOLOv3的残差网络结构可有效提取特征,但大量常规卷积的堆叠造成一定程度的计算资源浪费,这也是导致网络结构复杂的主要原因之一。为优化残差网络结构,本文融合跨阶段局部网络和GhostNet,设计了一种高效的残差网络CSPGhost-ResNet。此外,本文摒弃了YOLOv3中“1,2,8,8,4”的残差块组合,在CSP-Ghost-ResNet中采用“1,2,2,2,2”的堆叠模式,以保证模型足够轻量。基于VoVNet网络,本文以每个残差提取模块为单位,设计了一种多路径传播的特征提取网络ML-Darknet,ML-Darknet在梯度传播路径中采用梯度分流的模式,使每个路径仅包含部分梯度信息,在保证通道参数差异化的同时,进一步减少模型计算成本,提高检测帧率。在骨干网络中,特征图通道数会随着网络的加深逐渐增加,导致多尺度融合网络占据了较高的计算成本。本文融合CSP-Ghost-ResNet和路径聚合网络,重新设计了YOLOv3的多尺度网络,提出一种自上而下和自下而上的双通道融合网络PAN-CGR。因CSP-Ghost-ResNet具有的轻量化特征,网络计算成本得进一步降低。实验证明,ML-YOLOv3以低于YOLOv5m的计算成本,达到了优于YOLOv5l的检测效果和检测速度。以少量的精度损失为代价,相比YOLOv3在模型推理时间上减少了43.6%,在检测速度上提高了69.1%。ML-YOLOv3在保持高效检测效果的同时,相比主流算法具有明显的轻量化优势。

关键词：安全帽检测 YOLOv3 轻量化算法 CSPNet GhostNet

基于YOLOv5-seg的多模型电石检测分割系统

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

现代计算机 2023年第16期29卷 1-7,14页

作者：郝俊峰李玉涛来博文河钢数字技术股份有限公司人工智能工作室石家庄050035 河钢数字技术股份有限公司技术中心本部石家庄050035

针对实际的电石业务场景,基于YOLO系列模型设计了电石检测分割的方法,并开发了相应的系统。首先,通过采集大量的图像样本构建了较大规模的数据集并进行标注;为了节省算力和提高准确率,将检测和分割分为两个模块,模型分别为YOLOv5-l和YOL... 详细信息

针对实际的电石业务场景,基于YOLO系列模型设计了电石检测分割的方法,并开发了相应的系统。首先,通过采集大量的图像样本构建了较大规模的数据集并进行标注;为了节省算力和提高准确率,将检测和分割分为两个模块,模型分别为YOLOv5-l和YOLOv5-seg-m。在实验中,对模型的内部结构进行了一系列的改进,提高了算法的运算速度;并在此基础上对模型进行了参数量化,进一步节省了带宽、降低了模型的存储和运算所需的空间。相比于MaskR-CNN算法,在分割效果接近的情况下,速度得到了极大的提升。很好地完成了检测和分割电石的任务,为后续的生产自动化和无人化打下了基础,填补了相关检测的空白。之后将会针对排除光照影响、提高分割精度和评判电石质量模型继续研究。

关键词：电石 YOLOv5-seg CSPNet 参数量化

在线全文

学校读者我要写书评

暂无评论

一种面向密集场景的轻量化人群检测网络

电子科技 2023年第8期36卷 35-42页

作者：潘昊刘翔赵静文张星上海工程技术大学电子电气工程学院上海201620 上海工程技术大学管理学院上海201620 江苏大学汽车工程学院江苏镇江212023

针对密集场景下行人检测的遮挡问题,文中提出了基于YOLO(You Only Look Once)的SC-YOLOv4人群检测网络。在YOLOv4的CSPNet(Cross Stage Partial Network)结构基础上,结合ShuffleNetv2网络思想改进普通卷积结构,将原来普通的残差模块替换... 详细信息

针对密集场景下行人检测的遮挡问题,文中提出了基于YOLO(You Only Look Once)的SC-YOLOv4人群检测网络。在YOLOv4的CSPNet(Cross Stage Partial Network)结构基础上,结合ShuffleNetv2网络思想改进普通卷积结构,将原来普通的残差模块替换为Shuffle Module模块,提出了基于S-CSPDarkNet53(Shuffle CSPDarkNet53)的骨干网络结构,在保留精度的同时降低了网络参数量。文中在保留原来PANet(Path Aggregation Network)结构的基础上设计中心点预测模块,将原来的3个输出特征层改用基于中心点的预测方法,即对目标的中心点进行回归和训练计算损失,摒弃了原来的NMS(Non-Maximum Suppression)操作,进一步提高遮挡情况下的检测精度。实验结果表明,在CrowdHuamn数据集上采用S-CSPDarkNet53结构的YOLOv4较原网络的参数量显著减少,检测速度提升了5.2 frame·s^(-1),而最终的SC-YOLOv4网络在检测速度上较YOLOv4提升了4.9 frame·s^(-1)。

关键词：人群检测 YOLO Shuffle Module 中心点检测密集人群 CrowdHuman CSPNet YOLOv4

在线全文

学校读者我要写书评

暂无评论

面向手机部件的目标检测方法研究与应用

面向手机部件的目标检测方法研究与应用

作者：黄哲中国科学院大学(中国科学院沈阳计算技术研究所)

学位级别：硕士

随着通讯产业的飞速发展,手机成为人们日常生活中不可或缺的工具之一。工业生产线逐步向智能化的方向发展,高精度制造业面临诸多挑战,手机的智能制造也变的越来越重要。针对在生产线上检测手机部件种类是否齐全,各个手机部件的位置是否... 详细信息

随着通讯产业的飞速发展,手机成为人们日常生活中不可或缺的工具之一。工业生产线逐步向智能化的方向发展,高精度制造业面临诸多挑战,手机的智能制造也变的越来越重要。针对在生产线上检测手机部件种类是否齐全,各个手机部件的位置是否出现在正确的地方,传统的目标检测方法存在很多缺陷,例如效率低,因检测时的碰撞而导致部件损坏。并且工业生产线检测手机部件时,环境复杂多变,干扰因素较多,目标占比小,难以提高检测精度和效率。随着GPU的发展,利用深度学习来解决以上问题成为可能。利用计算机视觉技术检测手机部件可以提高检测效率,提升检测精度,并且具有较好的鲁棒性,因此,在手机部件的生产过程中,利用计算机视觉技术实现检测变得越来越重要。通过研究近年来已有的目标检测算法,针对手机部件的目标检测算法进行研究,提出了一种CSP＿DSSD（Cross Stage Partial＿Deconvolution Single Shot Muti Box Detector）的单阶段目标检测算法,主要工作如下:1.研究了计算机视觉中的目标检测领域的单阶段检测算法,针对SSD（Single Shot Multi Box Detector）算法识别小占比目标较精确率不高的缺点,提出了基于反卷积结构的改进多次反卷积的算法来提升检测精度。为了降低噪声对小占比目标的识别准确率,本文使用多次反卷积并分段进行操作,减少噪声的干扰。2.针对SSD算法的浅层的语义信息不足,深层边缘信息不足的缺点,提出了基于特征图结构的改进多尺度融合算法,添加新的特征卷积层Conv3＿3来提升手机部件中小占比目标的检测精度。采用不同位置的特征层去检测大小目标。利用这种方法可以有效的避免特征图带来的缺点。3.针对模型准确度比较低,训练过程困难,模型在计算过程中由于梯度下降算法导致计算量过高,内存占用量大的问题,提出了基于CSPNet（Cross Stage Partial Network）改进的梯度融合算法,利用保存重复的梯度信息以缓解大量推理计算的CSP block模块。所提出的网络通过整合网络阶段开始和结束的特征图来避免梯度的重复性,使网络模型能够实现更丰富的梯度组合,同时减少计算量。总之,本文主要面向手机部件的目标检测算法进行研究,结合相关理论研究,利用所提出的CSP＿DSSD算法,在实际采集的数据集上进行试验,得到的实验结果对已有的算法进行比较。实验结果表明,该算法极大提升了手机部件中的小目标的识别准确率,对目标区域的识别错误率也在可接受范围内,具有很高的实用价值。

关键词：目标检测小占比目标卷积神经网络 CSPNet

基于改进的YOLOv3的红外行人目标检测技术研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进的YOLOv3的红外行人目标检测技术研究

作者：汪先锋华中科技大学

学位级别：硕士

YOLOv3算法作为目前最流行的基于深度学习的目标检测算法,具有检测精度高,检测速度快的优点。但是目前基于深度学习的目标检测算法主要是针对可见光图像中的目标,将它们应用到红外目标检测时,由于红外图像缺少颜色、纹理等信息,且容易... 详细信息

YOLOv3算法作为目前最流行的基于深度学习的目标检测算法,具有检测精度高,检测速度快的优点。但是目前基于深度学习的目标检测算法主要是针对可见光图像中的目标,将它们应用到红外目标检测时,由于红外图像缺少颜色、纹理等信息,且容易受到复杂背景干扰,算法的检测性能有所下降。为了研究将YOLOv3算法应用到红外行人目标检测后行人目标识别率不高的问题,本文改进了YOLOv3算法使得它对红外场景下的行人目标具有更高的识别率。基于以上问题,本文针对YOLOv3目标检测算法做出改进,主要工作如下:(1)针对YOLOv3算法中的先验框是对COCO可见光数据集聚类得到的,不太适合本文的红外行人目标数据集的问题,对数据集中的目标框重新聚类分析得到修改后的先验框,比YOLOv3算法的原有先验框更加适合,有利于提高算法对于红外行人目标的识别率。(2)针对现有红外行人目标数据集较少的问题,对现有数据集进行数据增强,利用数据增强技术可以在一定程度上扩充数据集,还可以提高算法的鲁棒性。(3)针对YOLOv3算法的特征提取网络对于红外场景下的行人目标的特征难以提取的问题,在YOLOv3算法的特征提取网络中引入CSPNet,增加了特征提取网络的层数,将输入分成两部分进行特征提取,再将不同感受野的特征进行融合,可以更好地提取红外行人目标的特征,进一步提高算法对于红外行人目标的识别率,同时还能减少网络运算量和模型的参数数量,在保持高识别率的同时还能保持较快的检测速度。本文对公开的OTCBVS数据集进行数据增强,并在扩充后的数据集进行实验验证改进后的算法的检测效果,实验结果表明改进后得到的目标检测算法比YOLOv3目标检测算法的m AP提升了11.26%,同时检测速度和YOLOv3目标检测算法基本相同,本文改进后得到的算法更加适合红外场景下的行人目标检测。

关键词：行人检测红外目标 YOLOv3 CSPNet

基于YOLO算法的遥感图像飞机目标检测技术研究

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YOLO算法的遥感图像飞机目标检测技术研究

作者：张欣中国科学院大学(中国科学院长春光学精密机械与物理研究所)

学位级别：硕士

在数字图像处理领域中,遥感图像因其独特的成像视角,广泛应用于道路缺陷检测、建筑物提取、资源勘探、农作物病虫害检测、城市规划和军事侦察等领域,是一种重要的空间信息资源。近年来,科研工作者的努力使遥感技术飞速发展。然而,目前... 详细信息

在数字图像处理领域中,遥感图像因其独特的成像视角,广泛应用于道路缺陷检测、建筑物提取、资源勘探、农作物病虫害检测、城市规划和军事侦察等领域,是一种重要的空间信息资源。近年来,科研工作者的努力使遥感技术飞速发展。然而,目前遥感图像获取能力和处理能力严重失衡,使得大量的遥感图像不能有效应用于实际工程中,造成资源浪费。在遥感图像处理这一研究领域中,由于飞机既是重要的交通工具,又是战场上重点关注的军事目标,因此其检测技术具有重要的研究价值。目前,基于传统方法的遥感图像飞机目标检测算法由于其灵活性、鲁棒性较差,难以适应复杂背景下的检测任务,因此,如何在复杂背景下快速准确地提取遥感图像中的飞机目标成为遥感图像处理工作的重点之一。近年来,深度学习技术在人工智能领域大放异彩,引发了科研工作者的广泛关注,其中诸多基于卷积神经网络的算法在图像处理领域取得了许多创新性的进展。本文通过实验对比总结,以常用于工程领域的YOLO系列算法为基础,围绕YOLOv4-tiny算法在可见光遥感图像飞机目标检测中的应用展开研究,重点关注算法中激活函数的改进和复杂背景及小目标检测改进两大方面。具体研究内容及创新点概括如下:（1）激活函数在卷积神经网络中主要承担对数据进行非线性处理的任务,其性能的优劣直接影响算法的精度。针对遥感图像飞机目标检测任务,本文基于YOLOv4-tiny算法,列举出目前目标检测算法中常用的激活函数,通过大量的对比实验,并关注不同激活函数在训练中的准确度、召回率和精度的曲线变化及检测时间,最终筛选出训练过程稳定且最适用于遥感图像飞机目标检测任务的激活函数swish,应用此激活函数可提升3%的召回率和0.19%的精度。同时,由于目前尚未有开源的专用于飞机检测的遥感图像数据集,本文实验均使用了自主构建的遥感图像飞机目标数据集。（2）在实际使用YOLOv4-tiny算法进行飞机目标检测任务时,出现了复杂背景及小目标聚集造成检测困难的问题。针对第一个问题,采用改进主干网络的方案,本文深入研究YOLOv4-tiny算法的主干网络,基于Darknet53网络和CSPNet对原主干网络进行改进,并扩大了网络的输入分辨率。经实验验证,改进后的算法在复杂背景干扰和过度曝光的情况下都具有较好的检测效果,召回率和精度分别提升了21%和10.64%。针对小目标检测问题,本文采用空间金字塔池化层缓解算法对目标尺度的敏感,采用两种类型的空间金字塔池化层改进,通过实验对比选出最优的空间金字塔池化层,同时检验筛选出的激活函数对两种改进方案的敏感性。在最终的实验验证对比中,分别从主观评价和客观评价两方面进行评价,改进后的YOLOv4-tiny算法的准确度、召回率和精度分别提升了1%,21%和11.62%。

关键词：遥感图像飞机检测 YOLOv4-tiny 激活函数 CSPNet

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的森林火灾检测方法研究

基于深度学习的森林火灾检测方法研究

作者：于红刚西安理工大学

学位级别：硕士

在自然界中,森林是宝贵的资源。森林火灾对大部分人来说最先想到的是可能导致大片森林被付之一炬。其实还会使森林覆盖面积锐减,森林中的动植物生长受到惨重打击。因此研究森林火灾检测技术具有重要的现实意义。深度学习目标检测算法由... 详细信息

在自然界中,森林是宝贵的资源。森林火灾对大部分人来说最先想到的是可能导致大片森林被付之一炬。其实还会使森林覆盖面积锐减,森林中的动植物生长受到惨重打击。因此研究森林火灾检测技术具有重要的现实意义。深度学习目标检测算法由于其检测精度高和检测速度快,通过与无人机平台相结合,被越来越多的用于森林火灾检测。在这样的背景下,对基于深度学习的森林火灾检测方法研究成为相关领域研究者们关注和研究的热点问题。基于深度学习的森林火灾检测是通过无人机搭载相机对森林进行巡检,通过无线图传系统将巡检视频传回地面平台或将视频直接传入机载处理器,通过使用深度学习检测算法对传回的视频进行实时检测,检测视频中是否有火、烟雾或烟加火。为了解决这一问题,本硕士论文主要做了以下四个方面的工作:1)针对地面服务器提出基于Gaussian YOLOv3的森林火灾检测算法,该算法利用高斯模型对Bounding Box（边界框）进行建模,在基本不更改YOLOv3的结构和计算量的情况下,可以输出每个预测框的可靠性,并重新设计损失函数,以提高检测算法的总体性能,与此同时在检测过程中利用预测的定位不确定性,可以显著降低FP（误报率）,提高正确率（TP）,从而提高检测精度;2)针对地面服务器提出基于改进的PANet森林火灾检测算法,该算法通过自下向上的路径扩展,在较低的层次上用准确的定位信号增强了整个特征层次,从而缩短了底层和顶层特征之间的信息路径。使用自适应特征池,该自适应特征池将特征网格连接所有特征层,使每个特征层中的有用信息直接传播到下面的建议子网中,使用CSPNet改进骨干网络的同时引入GIOU损失函数提高检测精度;3)由于无人机机载处理器运算能力较弱,只能选择网络层数较少的网络,为此提出改进的SSDLite森林火灾检测算法,该算法通过引入线性瓶颈的反向残差网络。使用低维压缩表示作为输入,首先将其扩展到更高的维度,然后通过轻量级深度卷积进行滤波,再通过线性卷积将特征投影回更低的维度。同时引入CSPNet改进骨干网络显著减少所需的操作和内存数量的同时,保持同样的准确性;4)此项研究的难题之一是目前并无公开的、标准的森林火灾数据集,通过从网上下载森林火灾图片和对森林火灾视频分帧,并对所有图片进行人工筛检,选取8000张图片使用LabelImge进人工标注,得到一个包含火焰、烟雾、烟+火的森林火灾数据集,可供后续实验使用。通过大量的对比实验,本文所提出森林火灾检测方法取得了不错的效果。最终的实验结果表明,在地面服务器上Gaussian YOLOv3识别率为94%,检测速度为47fps,改进PANet识别率为91%,检测速度为74.2fps,在无人机机载处理器上改进的SSDLite识别率为85%,检测速度为6.2fps。

关键词：森林火灾实时检测 Gaussian YOLOv3 PANet SSDLite CSPNet

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的列车检测在道口信号中的研究

基于深度学习的列车检测在道口信号中的研究

作者：李壮壮北京交通大学

学位级别：硕士

随着当下社会的进步,铁路与公路平面交叉处的道口的通行压力逐年增加,本文分析了当前铁路道口预警防护系统在列车信号检测部分存在的抗干扰能力差、存在误报、线缆传输成本高等问题,结合目标检测的相关发展成果,利用视频检测的方式,提... 详细信息

随着当下社会的进步,铁路与公路平面交叉处的道口的通行压力逐年增加,本文分析了当前铁路道口预警防护系统在列车信号检测部分存在的抗干扰能力差、存在误报、线缆传输成本高等问题,结合目标检测的相关发展成果,利用视频检测的方式,提出了基于深度学习的YOLOv4列车检测算法,通过对道口列车进行实时性的检测来为道口预警系统提供一个精准的列车检测信号,从而提高整个预警防护系统的精准度,降低事故发生率,保证通行人员的生命安全、财产安全和行车安全,具体研究如下:（1）针对当前的铁路道口预警防护现状,提出了基于YOLOv4的列车检测方案,为了解决目前公开数据集含有列车样本少的问题,在北京南站和济南西站采集了各种环境下的列车运行图像共计8427副、列车视频共计512段,自行构建了基于PASCAL VOC格式的列车数据集,为列车检测模型提供训练和测试数据。（2）列车检测模型的改进。在路径聚合结构中引入了CSPNet（Cross Stage Partial Network）结构,通过梯度分流的方式降低了计算瓶颈,提高了检测模型的特征学习能力,同时重新聚类了数据集的锚框,生成适合数据集中列车的锚框尺寸,提高了列车定位精准度。（3）剪枝压缩。为了能够将检测模型部署到硬件资源局限的平台上,通过实验选择合适的缩放因子对改进后的模型进行稀疏化训练,选择合适的剪枝率对模型进行剪枝。实验结果表明相对于基础YOLOv4网络模型,经过本文改进后AP增加了1.14%,IOU增加了7.49%,计算复杂度降低了81.43%,权重文件下降到22.19MB,前向推理时间仅为原来的一半,有利于在硬件资源有限的开发平台上部署。图37幅,表19个,参考文献40篇。

关键词：列车检测 YOLOv4 CSPNet 剪枝