检索结果-南通市图书馆

检索条件"主题词=Mobile NetV3"

共 3 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于深度学习和颜色特征的服装流行色研究

基于深度学习和颜色特征的服装流行色研究

引用

作者：刘兆琪中原工学院

学位级别：硕士

时装业瞬息万变,时装设计师需要紧跟最新潮流,创造出令人兴奋的新设计。分析服装色彩趋势可以洞悉最新的流行趋势,帮助设计师打造时尚的服装。然而,人工分析服装色彩趋势既费时又费力。因此,需要一种服装色彩趋势分析的自动化方法。现... 详细信息

时装业瞬息万变,时装设计师需要紧跟最新潮流,创造出令人兴奋的新设计。分析服装色彩趋势可以洞悉最新的流行趋势,帮助设计师打造时尚的服装。然而,人工分析服装色彩趋势既费时又费力。因此,需要一种服装色彩趋势分析的自动化方法。现有的研究方法在数据的实时性和权威性不理想,所得到的结论的信服度不高。因此,本文针对研究数据的实时性和权威性进行研究,提高了流行色研究的准确度,主要贡献如下:(1)本文对基于电商平台的服装流行色进行了研究,提出采用改进的mobile Net V3模型更快处理服装分类问题,以时序化的电商平台销售数据为样本,结合Grab Cut算法分析服装的主颜色,再通过KMeans算法统计主颜色以及混合颜色占的比例,最后对服装主颜色进行时间维度、服装种类维度和品牌维度的分析,得到服装流行色趋势数据。研究发现基于改进的mobile Net V3的服装流行色相较于目前的研究方法的数据实时性更高,数据容量更大,分析速度更快。(2)提出了监控场景下服装流行色的研究流程,该方法结合了YOLOv5目标检测算法和Grab Cut图像分割算法,用于服装流行色分析。其主要步骤包括数据采集、目标检测、图像分割和流行色分析。在数据采集方面,本文采用Deep Fashion2数据集用于训练和测试模型。在目标检测方面,本文利用训练好的YOLOv5模型来检测输入图像中的服装物体,并提取出相应的ROI(感兴趣区域)。在图像分割方面,本文采用Grab Cut算法来对目标区域进行图像分割,以分离出服装物体和背景。最后,在流行色分析方面,将分割后的服装物体进行颜色提取和分析,以得出服装的流行色。总的来说,该方法通过结合YOLOv5目标检测算法和Grab Cut图像分割算法,能够快速、准确地分析出服装的流行色,提高了整个流程的效率和准确性,对于服装设计和营销等方面具有重要意义,并通过分析海量的服装商品数据,可以更加准确地把握市场需求和消费者喜好,将本文的研究成果应用于工业生产,可为服装品牌和商家提供更好的产品和服务,也能对公共安全贡献力量。

关键词：流行色 mobile netv3 GrabCut KMeans DeepFashion2 YOLOv5

来源：

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

基于深度学习的隧道漏缆卡具故障检测系统研究与实现

基于深度学习的隧道漏缆卡具故障检测系统研究与实现

引用

作者：马海月河北科技大学

学位级别：硕士

随着高速铁路的不断发展,铁路沿途的隧道数量不断增长,给隧道泄漏同轴电缆（简称漏缆）卡具检修人员的工作带来了巨大的挑战。漏缆是隧道内保证通讯安全的重要设施,对铁路列车安全运营起着重要作用。目前我国主要以人工步行查看的方式... 详细信息

随着高速铁路的不断发展,铁路沿途的隧道数量不断增长,给隧道泄漏同轴电缆（简称漏缆）卡具检修人员的工作带来了巨大的挑战。漏缆是隧道内保证通讯安全的重要设施,对铁路列车安全运营起着重要作用。目前我国主要以人工步行查看的方式对铁路隧道漏缆卡具进行故障检测,此方法检测周期长、效率低。本文针对以上问题设计了一个基于深度学习的隧道漏缆卡具故障检测系统。该系统是由图像提取、卡具识别、故障样本扩充、数据可视化四个部分组成,各部分的具体内容如下:mobile netv3网络模型是一种轻量级注意力模型,延用了mobile netv1和mobile netv2的深度可分离卷积和线性瓶颈的倒残差结构,利用两个1×1的卷积层代替全连接层直接输出类别结果。本文使用mobile netv3网络模型提取隧道内图像,实验结果的准确率为97%。提出了一种基于YOLOv4改进的目标检测方法,该方法采用K-means聚类算法获取漏缆卡具的基准框,以Darknet-59结构作为特征提取的主干网络。Darknet-59是在Darknet-53的基础上,在conv25、conv42和conv51后面分别增加了两个卷积核大小是1×1和3×3的卷积层。本改进网络模型在实验中的正常卡具识别率达97.2%,故障卡具识别率为95.33%。经对比实验发现本改进算法就平均识别精度而言比YOLOv3和YOLOv4分别提高了0.08和0.03。使用高斯滤波、叠加噪声、明暗处理等对故障样本做单一和复合处理,解决故障样本不足的问题。实验结果表明故障卡具样本数量得到21倍的扩增。针对检测结果数量庞大造成的分析和浏览结果信息不方便、工作量大等问题,提出使用图像处理的方法对检测结果进行批量显色拼接处理,且最终结果以系统软件界面的形式展现。

关键词：漏缆卡具故障检测深度学习 mobile netv3 YOLOv4 数据扩增图像处理

来源：

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YOLOv4与DeepSORT的生猪多目标检测与跟踪算法的研究

基于YOLOv4与DeepSORT的生猪多目标检测与跟踪算法的研究

引用

作者：李斌安徽农业大学

学位级别：硕士

随着智慧农业的普及,智能化养殖越来越受到人们的重视。快速准确检测出养殖过程中生猪的异常行为,对预警生猪疾病,及时采取应对措施具有十分重要的意义。本文运用深度学习技术,对实际饲养环境下的群养生猪多目标检测与跟踪方法进行研究... 详细信息

随着智慧农业的普及,智能化养殖越来越受到人们的重视。快速准确检测出养殖过程中生猪的异常行为,对预警生猪疾病,及时采取应对措施具有十分重要的意义。本文运用深度学习技术,对实际饲养环境下的群养生猪多目标检测与跟踪方法进行研究。主要研究内容如下:1)提出Mini＿YOLOv4的生猪日常行为检测方法。本文所提出的Mini＿YOLOv4算法,首先使用轻量级的mobile netv3网络结构替换原版的YOLOv4的特征提取网络,以降低模型整体参数量;然后,在检测网络的CBL＿block1、CBL＿block2模块中,采用深度可分离卷积取代传统卷积运算,降低复杂模型所产生的内存不足和高延迟;最后,又把原YOLOv4网络每个检测尺度的最后一层3×3卷积,改用Inception结构,以提高模型在生猪日常行为检测的准确率。实验结果表明,在检测精度上,本文提出的Mini＿YOLOv4相比于原版的YOLOv4算法提升了3.83个百分点。在检测速度上,改进模型相比于原版的YOLOv4算法提高了32帧/s。2)提出基于DeepSORT的生猪多目标实时跟踪算法。在DeepSORT算法中使用准确、快速的Mini＿YOLOv4模型替换原有的Faster R-CNN目标检测算法作为检测器,同时在级联匹配模块中使用CIOU改进原算法中的IOU,应对生猪目标跟踪过程中出现的遮挡和漏检问题。利用卡尔曼滤波与深度特征匹配,完成对实际饲养环境下的生猪目标框关联,在4段含有目标数目不同以及不同复杂程度的测试视频段的平均跟踪准确度为69.3%,同时可以有效地抑制目标ID跳变,表明将DeepSORT算法应用于实际养殖环境下生猪目标的高效跟踪是可行的。3)生猪多目标检测跟踪系统的实现。利用生猪日常行为检测与生猪多目标跟踪的结果,对生猪每日的休息时间、进食及饮水频次进行了统计分析,并通过行为锚定等级评价法,整合有关文献数据,建立生猪每日休息时间,进食、饮水次数评价表和健康状况评分表。最后,利用Py Qt5进行系统用户页面的设计,系统包含生猪日常行为检测、目标跟踪及健康状况评定三个模块。

关键词：行为检测 YOLOv4 mobile netv3 Deep SORT 目标跟踪

来源：

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

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：