检索结果-南通市图书馆

Novel multiple object tracking method for yellow feather broilers in a flat breeding chamber based on improved YOLOv3 and Deep SORT

在线全文

学校读者我要写书评

暂无评论

International Journal of Agricultural and Biological Engineering 2023年第5期16卷 44-55页

作者： Xiuguo Zou Zhengling Yin Yuhua Li Fei Gong Yungang Bai Zhonghao Zhao Wentian Zhang Yan Qian Maohua Xiao College of Artificial Intelligence Nanjing Agricultural UniversityNanjing 210095China College of Engineering Nanjing Agricultural UniversityNanjing 210095China Faculty of Engineering and Information Technology University of Technology SydneySydneyNSW 2007Australia

Aiming at the difficulties of the health status recognition of yellow feather broilers in large-scale broiler farms and the low recognition rate of current models,a novel method based on machine vision to achieve precise tracking of multiple broilers was proposed in this paper.Broilers’behavior in the breeding environment can be tracked to analyze their behaviors and health status further.An improved YOLOv3(You Only Look Once v3)algorithm was used as the detector of the Deep SORT(Simple Online and Realtime Tracking)algorithm to realize the multiple object tracking of yellow feather broilers in the flat breeding chamber,which replaced the backbone of YOLOv3 with MobileNetV2 to improve the inference speed of the detection module.The DRSN(deep Residual Shrinkage Network)was integrated with MobileNetV2 to enhance the feature extraction capability of the network.Moreover,in view of the slight change in the individual size of the yellow feather broiler,the feature fusion network was also redesigned by combining it with the attention mechanism to enable the adaptive learning of the objects’multi-scale features.Compared with traditional YOLOv3,improved YOLOv3 achieves 93.2%mAP(mean Average Precision)and 29 fps(frames per second),representing high-precision real-time detection performance.Furthermore,while the MOTA(Multiple Object Tracking Accuracy)increases from 51%to 54%,the IDSW(Identity Switch)decreases by 62.2%compared with traditional YOLOv3-based objective detectors.The proposed algorithm can provide a technical reference for analyzing the behavioral perception and health status of broilers in the flat breeding environment.

关键词： yellow feather broiler flat breeding chamber multiple object tracking improved YOLOv3 Deep SORT

改进YOLOv5s+deepsort的监控视频车流量统计

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

计算机工程与应用 2022年第5期58卷 271-279页

作者：李永上马荣贵张美月长安大学信息工程学院西安710064

针对监控视频中车流量统计准确率低的问题,提出一种改进YOLOv5s检测结合Deep SORT跟踪的车流量统计方法。为了提升检测器识别效果,将注意力模块CBAM与YOLOv5s网络的Neck部分融合,提高网络的特征提取能力;将CIoU Loss代替GIoU Loss作为... 详细信息

针对监控视频中车流量统计准确率低的问题,提出一种改进YOLOv5s检测结合Deep SORT跟踪的车流量统计方法。为了提升检测器识别效果,将注意力模块CBAM与YOLOv5s网络的Neck部分融合,提高网络的特征提取能力;将CIoU Loss代替GIoU Loss作为目标边界框回归损失函数,加快边界框回归速率的同时提高定位精度;使用DIoU-NMS替换NMS,改善目标拥挤时的漏检问题。调整Deep SORT外观特征提取网络的结构,并在车辆重识别数据集上重新训练,降低目标遮挡导致的身份切换。连接改进的YOLOv5s检测器和Deep SORT,在视频中设置虚拟检测线统计车流量。实验结果表明:改进的YOLOv5s相较原始算法平均准确率提高2.3个百分点,结合Deep SORT跟踪,在行车平峰、高峰、夜间三种场景的车流量统计准确率达到93.5%、91.2%、89.9%。

关键词： YOLOv5s Deep SORT 注意力机制 CIoU 车流量统计

基于改进Deep SORT的生猪多目标识别及跟踪技术研究

在线全文

学校读者我要写书评

暂无评论

基于改进Deep SORT的生猪多目标识别及跟踪技术研究

作者：李广博安徽农业大学

学位级别：硕士

随着现代养殖业的发展,生猪生产管理日趋福利化、系统化、智能化,而精准识别与跟踪生猪个体并对生猪行为进行判别与统计是其中重要的组成部分。传统的生猪识别与跟踪费时费力,不利于生猪精细化养殖。近年来随着深度学习的发展,当代养殖... 详细信息

随着现代养殖业的发展,生猪生产管理日趋福利化、系统化、智能化,而精准识别与跟踪生猪个体并对生猪行为进行判别与统计是其中重要的组成部分。传统的生猪识别与跟踪费时费力,不利于生猪精细化养殖。近年来随着深度学习的发展,当代养殖业逐渐采用神经网络对生猪个体进行非入侵式识别。本文采用深度学习算法实现对生猪多目标识别、跟踪和行为判别与统计,具体如下:(1)引入改进YOLOv5模型的生猪头颈识别方法,本文采用识别精度更高的YOLOv5算法为基础,进行如下改进:首先将K-Means聚类的欧氏距离改为1-IOU,提升模型目标框的适应度;然后在主干网络中使用了坐标注意力机制,以便于更有效地学习小目标特征和目标位置的特征;最后在颈部以改进特征融合方式引入Bi FPN特征融合,扩大模型感受野,增强了多干扰目标的多尺度学习。提升一般情况下的生猪头颈识别准确率,较原版平均精确率提高2.2%,以及改善在生猪密集情景下的漏检情况以及远距离小目标情境下的漏检与分类置信度低的情况。(2)引入改进Deep SORT模型的生猪多目标跟踪算法,本文以跟踪效果较好的Deep SORT算法为基准,并对其进行三处改进:首先将检测器更换为改进YOLOv5最优的模型11,提升检测器的检测精准度;紧接着更换重识别网络模型,提高跟踪算法的外观信息获取能力;最后优化Deep SORT算法的轨迹生成与匹配过程添加了二次IOU匹配,减少了跟踪中ID失配错配的现象。对实验视频序列进行筛选,选取了5段具有不同复杂程度的视频用于测试,改进后的Deep SORT算法在IDS、IDF1、MOTA、MOTP等方面较原版跟踪算法均有不同程度的提升,其中IDS更是降低63.1%,MOTA提升1.3%,从而更有利于生猪头颈的跟踪为生猪康养提供了更好的基础。(3)在生猪多目标检测与跟踪的基础上,引入了生猪行为判别与统计以及生猪康养系统。其中生猪行为判别,通过使用二维坐标实现饮水、饮食判别、利用三维坐标实现高活跃、一般活跃、不活跃行为判别;并对生猪行为次数与持续总时间的统计;最终通过前后端代码以及硬件支持实现生猪头颈检测、生猪多目标跟踪、生猪行为识别与统计等多个模块的功能,建立了一个可供相关从业人员参考的生猪康养系统。

关键词：行为判别 YOLOv5 注意力机制 Deep SORT 目标跟踪

基于YOLO v5和Deep SORT的行人跟踪系统研究

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 v5和Deep SORT的行人跟踪系统研究

作者：成瑶西北大学

学位级别：硕士

目标跟踪技术是机器视觉领域的热门研究方向,广泛应用于智能产业中。随着深度学习的发展,跟踪算法也取得了重大突破,现有的多目标跟踪多是基于检测的目标跟踪算法,检测结果直接影响跟踪性能。在实际监控场景中,行人检测常常会遇到光照... 详细信息

目标跟踪技术是机器视觉领域的热门研究方向,广泛应用于智能产业中。随着深度学习的发展,跟踪算法也取得了重大突破,现有的多目标跟踪多是基于检测的目标跟踪算法,检测结果直接影响跟踪性能。在实际监控场景中,行人检测常常会遇到光照变化、物体遮挡、尺度变化、物体运动等问题,容易发生漏检、误检等情况,特别是在目标较小时,检测性能差。当目标存在遮挡情况时,目标跟踪过程中常常出现跟踪错误和ID-switch等问题。因此亟待解决如何构建一个鲁棒的多目标跟踪系统。本文通过将目标跟踪拆分为目标检测与目标跟踪两个子任务,在目标检测中,寻找一个高效准确的检测器对监控视频中的行人进行检测,在目标跟踪任务中,通过对检测器的检测结果进行数据关联来完成对目标的跟踪。本文主要工作如下:（1）对比Faster-RCNN检测器和YOLO系列检测器,最终选取表现优异的YOLO v5检测器作为行人跟踪系统的前置检测器。同时提出基于小波变换中Gaussian余弦曲线特征提取技术与Distractor分类器结合的识别系统方法来改善YOLO v5模型检测结果,最终检测精度高和准确度均得到提升。（2）使用Deep SORT完成对行人的跟踪,针对跟踪系统中目标由于遮挡等原因导致的行人ID跳变问题,提出基于多维交并比与扩展级联匹配方法的超短距离定位算法,提升了算法匹配效果。改进后Deep SORT跟踪算法,减少误检率的同时提高识别速度和准确度。通过在现有的热门行人多目标跟踪数据集MOT16进行实验,验证了该方案能够有效地提高定位精度,并且在很大范围内对目标进行跟踪,验证其实用性。（3）结合改进后的YOLO v5算法和Deep SORT算法,将YOLO v5作为Deep SORT目标跟踪的检测器,并设计出一款基于日常监控视频的行人检测与跟踪系统,对系统做出了详细的需求分析与设计,完成系统设计后,对系统进行了测试,准确性和稳定性符合预期要求,能够完成对日常监控视频中的行人检测跟踪的工作。

关键词：深度学习行人检测 YOLO v5 行人跟踪 Deep SORT

基于VFNet-Improved和Deep SORT的棉花黄萎病病情分级

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

智能化农业装备学报（中英文） 2023年第2期4卷 12-21页

作者：黄成龙张忠福卢智浩张晓君朱龙付杨万能华中农业大学工学院湖北武汉430070 华中农业大学作物遗传改良全国重点实验室湖北武汉430070

棉花是全球最重要的经济作物之一,而黄萎病是世界主要棉花生产区的第一大病害,黄萎病病原菌通过感染棉花的根部使叶片萎蔫、褪色以致脱落,导致棉花质量和产量严重下降。国家标准将患黄萎病叶片划分为5个等级,传统检测方法主要依赖人工,... 详细信息

棉花是全球最重要的经济作物之一,而黄萎病是世界主要棉花生产区的第一大病害,黄萎病病原菌通过感染棉花的根部使叶片萎蔫、褪色以致脱落,导致棉花质量和产量严重下降。国家标准将患黄萎病叶片划分为5个等级,传统检测方法主要依赖人工,存在主观、低效、重复性差等问题,因此提出一种以VFNet-Improved、Deep SORT和撞线匹配机制为主要算法框架的棉花黄萎病病情分级方法,实现在旋转视频输入情况下对患病叶片的数量统计和病情等级的划分。研究首先基于VFNet目标检测网络,融合多尺度训练、动态卷积等优化方法,实现对旋转视频中患病叶片的精准定位;然后采用Deep SORT跟踪器实现前后帧同一叶片的相互关联,并针对跟踪过程ID跳变问题设计了掩膜撞线匹配机制;最后使用OpenCV对经过掩膜线的叶片进行特征提取与患病分级的划分。试验结果表明,VFNet-Improved可以有效改善棉花患病叶片识别精度,mAP75达到0.906,较改进前VFNet模型提升了0.012,帧率FPS为12.9帧/s;Deep SORT跟踪器跟踪效果MOTA为0.835,对患病叶片数量统计结果R2、RMSE、MAE与MAPE分别为0.890、5.138、4.300和14.967%,与人工统计值具有较高一致性。本研究为棉花黄萎病病情精准、高效鉴定提供一种新的科学工具,对棉花抗病品种筛选和遗传机制解析具有重要意义。

关键词：目标检测目标跟踪 VFNet Deep SORT 棉花黄萎病病情分级

DS-YOLOv5:一种实时的安全帽佩戴检测与识别模型

在线全文

学校读者我要写书评

暂无评论

工程科学学报 2023年第12期45卷 2108-2117页

作者：白培瑞王瑞刘庆一韩超杜红萱轩辕梦玉傅颖霞山东科技大学电子信息工程学院青岛266590 山东科技大学能源与矿业工程学院青岛266590

基于视频分析技术对生产现场人员安全帽佩戴情况进行自动检测与识别是保障安全生产的重要手段.但是,复杂的现场环境和多变的外界因素为安全帽检测与识别的精确性提出挑战.本文基于YOLOv5模型的框架,提出一种DS-YOLOv5安全帽检测与识别模... 详细信息

基于视频分析技术对生产现场人员安全帽佩戴情况进行自动检测与识别是保障安全生产的重要手段.但是,复杂的现场环境和多变的外界因素为安全帽检测与识别的精确性提出挑战.本文基于YOLOv5模型的框架,提出一种DS-YOLOv5安全帽检测与识别模型.首先,利用改进的Deep SORT多目标跟踪的优势,提高视频检测中多目标检测和有遮挡的容错率,减少漏检情况;其次在主干网络中融合简化的Transformer模块,加强对图像的全局信息的捕获进而加强对小目标的特征学习;最后在网络的Neck部分应用双向特征金字塔网络(BiFPN)融合多尺度特征,以便适应由摄影距离造成的目标尺度变化.所提模型在GDUT-HWD和MOT多目标跟踪数据集上进行了验证实验,结果表明DS-YOLOv5模型可以更好地适应遮挡和目标尺度变化,全类平均精度(mAP)可以达到95.5%,优于其他常见的安全帽检测与识别方法.

关键词：目标检测安全帽佩戴 YOLOv5 Deep SORT 自注意力机制

基于深度学习的奶牛运动量统计系统设计与实现

在线全文

学校读者我要写书评

暂无评论

基于深度学习的奶牛运动量统计系统设计与实现

作者：刘瀚晖山东农业大学

学位级别：硕士

随着国家大力倡导“智慧牧场”建设,大规模奶牛养殖条件下对奶牛的精细化管理成为研究重点。识别奶牛身份的同时准确统计奶牛运动量以及根据运动量对奶牛身体状态进行辅助判断,对奶牛的健康管理,保证奶牛产奶量有重要意义。本文运用深... 详细信息

随着国家大力倡导“智慧牧场”建设,大规模奶牛养殖条件下对奶牛的精细化管理成为研究重点。识别奶牛身份的同时准确统计奶牛运动量以及根据运动量对奶牛身体状态进行辅助判断,对奶牛的健康管理,保证奶牛产奶量有重要意义。本文运用深度学习技术,对牛舍中的奶牛目标检测和多目标跟踪进行研究,然后对如何统计运动量、站立时间、躺卧时间等信息进行研究,最后搭建奶牛运动量管理系统。主要研究内容如下:(1)提出一种基于改进YOLOv5s的奶牛身份检测方法。本文提出改进YOLOv5s算法,首先对主干网络进行改进,通过CBAM注意力机制与C3Bottle Neck融合并在最底部添加Transformer注意力机制来提高YOLOv5s对奶牛目标的特征提取能力;然后使用CIo U Loss替换GIo U Loss作为回归损失函数,不仅提高模型检测的精准度,同时加快模型收敛。试验结果表明,精确率相较原始YOLOv5、YOLOv4、YOLOv4-tiny分别提升1.1%、8.7%、6.2%,达到96.4%,在不增加参数的同时实现对25头奶牛身份的准确识别,检测速度为83帧/s。(2)提出基于改进YOLOv5和Mobile Netv2的Deep SORT多目标跟踪算法,使用改进YOLOv5作为检测器,使用Mobile Netv2作为外观信息关联算法,通过卡尔曼滤波和外观信息关联算法实现奶牛目标框监控视频帧间关联,解决奶牛漏检和短暂遮挡的问题。使用7段包含不同数量的奶牛的视频对其进行实验,试验结果表明Deep SORT多目标跟踪算法的平均精度为79.8%,平均速率为32fps,同时对ID跳变的情况能有效抑制。表明在牛舍环境下使用Deep SORT算法能够对多目标奶牛进行实时跟踪。(3)基于监控视频的奶牛运动量统计的实现。识别站立姿态的奶牛身份后对奶牛的轨迹进行刻画,实现奶牛遮挡前后的轨迹重连接,通过设定移动阈值改善奶牛站立时运动量虚增的情况。根据参照物确定监控视频中的像素转化为实际距离的公式,经过试验检验,得出基于监控视频的奶牛运动量统计准确率为87.8%,认为该运动量统计方法是有效的。(4)根据上述目标检测和目标跟踪模型设计并实现奶牛运动量统计系统。奶牛运动量统计系统主要包括两个模块,奶牛运动量日常监测模块和奶牛异常状态辅助检测模块,奶牛运动量日常模块监测牛舍中每头奶牛的运动量、站立时间、躺卧时间和环境温度四个方面,对监控视频使用奶牛目标检测和多目标跟踪对奶牛的前三个方面的数据进行统计。奶牛异常状态辅助检测模块是通过对四个方面每日数据进行比对分析,结合相关文献数据确定奶牛的身体状态,若推断出奶牛患有相关疾病,给出指导意见。

关键词：奶牛运动量 YOLOv5 Deep SORT 统计系统

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

复杂交通监控视频中车辆检测跟踪研究及应用

复杂交通监控视频中车辆检测跟踪研究及应用

作者：刘晓萌石家庄铁道大学

学位级别：硕士

在智能交通发展过程中,道路交通监控视频的智能分析是值得重点关注的技术,其中作为关键环节的车辆检测与跟踪,目前仍存在一些技术难题。当出现行车环境复杂、车辆目标尺度差异大以及车辆相互遮挡等情况时,车辆检测容易出现漏检误检、准... 详细信息

在智能交通发展过程中,道路交通监控视频的智能分析是值得重点关注的技术,其中作为关键环节的车辆检测与跟踪,目前仍存在一些技术难题。当出现行车环境复杂、车辆目标尺度差异大以及车辆相互遮挡等情况时,车辆检测容易出现漏检误检、准确度低的问题,车辆跟踪效果也会变差,直接影响车辆行为识别的准确程度。本文针对上述问题,围绕车辆多目标检测和跟踪算法展开研究,并将所得到的车辆轨迹信息应用于车辆行为识别,旨在降低车辆漏检误检率,提高车辆检测和车辆跟踪的准确率,进而更准确地实现车辆行为识别。快速、精确地获取必要的交通信息,对于解决交通拥堵以及提高交通的安全性具有重要的作用。本文的主要研究工作如下:(1)针对场景复杂、目标尺度差异大可能造成漏检误检的问题,提出了一种基于YOLOv5s的联合多尺度与注意力机制的车辆检测网络模型。首先改进回归损失函数,使用SIOU损失替换原始GIOU损失;然后将CA注意力机制融合到骨干网络;最后在加强特征提取网络引入Bi FPN。在UA-DETRAC数据集和自行采集数据集上的实验结果表明,改进后的模型相较于原YOLOv5s网络,m AP@0.5分别提升了2.4%和3.6%,并在一定程度上改善了车辆漏检误检的问题。与现有方法相比,本文所提出的检测模型取得了相对较好的效果。(2)针对跟踪目标因遮挡等影响因素容易出现目标丢失、跟踪精度低等问题,提出了一种基于改进Deep SORT的车辆跟踪模型。在外观分支,使用大型车辆重识别Ve Ri数据集对外观特征提取网络进行重新训练,并用指数移动平均特征更新策略替换原始Deep SORT算法的特征库;在运动分支,使用NSA算法替换传统的卡尔曼滤波算法;在数据关联阶段,使用GIOU度量方式改进IOU匹配。在公开UA-DETRAC数据集上的实验结果表明,相较于原Deep SORT算法,改进后的Deep SORT算法,其MOTA和IDF1值分别提升了6.9%与3.2%。(3)应用车辆检测跟踪得到的车辆轨迹信息,构建了车辆行为识别模型。首先根据获取每一帧跟踪所得到的车辆外接矩形框的中心点坐标集合,建立车辆轨迹模型;然后根据车辆轨迹模型分坐标转换、确定车辆运动方向,以及根据车辆运动方向和车辆驶入路口方向判断车辆行为这三步建立车辆行为识别模型去识别不同车辆行为。通过在自行采集数据集上的实验验证了该模型的有效性。

关键词：车辆检测车辆跟踪车辆行为识别 YOLOv5 Deep SORT 复杂交通监控视频

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

井下矿工多目标检测与跟踪联合算法

工矿自动化 2022年第10期48卷 40-47页

作者：周孟然李学松朱梓伟黄凯文安徽理工大学电气与信息工程学院安徽淮南232001

针对现有的煤矿井下矿工多目标跟踪算法检测速度慢、识别精度低等问题,提出了一种基于改进YOLOv5s模型与改进Deep SORT算法的多目标检测与跟踪联合算法。多目标检测部分,在YOLOv5s的基础上进行改进,得到YOLOv5s-GAD模型:引入幻象瓶颈卷... 详细信息

针对现有的煤矿井下矿工多目标跟踪算法检测速度慢、识别精度低等问题,提出了一种基于改进YOLOv5s模型与改进Deep SORT算法的多目标检测与跟踪联合算法。多目标检测部分,在YOLOv5s的基础上进行改进,得到YOLOv5s-GAD模型:引入幻象瓶颈卷积(GhostConv)模块和深度可分离卷积(DWConv)模块,分别替换YOLOv5s模型骨干网络和路径聚合网络中的BottleneckCSP模块,以提高特征提取速度;针对井下光线暗、图像噪点多等特点,在最小特征图中引入高效通道注意力神经网络(ECA-Net)模块,以提高模型整体精度。多目标跟踪部分,使用全尺度网络(OSNet)替换Deep SORT中的浅层残差网络进行全方位特征学习,以更好地实现行人重识别,提高目标跟踪的准确性。实验结果表明:在自定义数据集Miner21上,YOLOv5s-GAD模型的平均精度(交并比为0.5时)达97.8%,帧率达140.2帧/s,多目标检测效果优于常用的Faster RCNN,YOLOv3,YOLOv5s模型;在公开行人数据集MOT17上,多目标检测与跟踪联合算法的速度与准确率等综合性能优于IOU17,Deep SORT等常用多目标跟踪算法,人员身份转换次数最少,行人重识别效果最好;采用井下矿工多目标检测与跟踪联合算法能够及时检测并跟踪井下矿工,多目标跟踪效果良好。

关键词：煤矿安全多目标检测与跟踪行人重识别 YOLOv5s YOLOv5s-GAD Deep SORT 全尺度网络