检索结果-南通市图书馆

作者：游大朋合肥学院

学位级别：硕士

近些年来由于受疫情影响,工厂对于钢材的需求量下降,由于后疫情时代已经来临,工厂对于钢材的需求量逐步增高,中国是钢材生产的大国,生产率处于国际领先位置,然而伴随着生产率的上升,越来越多含有缺陷的钢材也同样被生产出来,这些缺陷会... 详细信息

近些年来由于受疫情影响,工厂对于钢材的需求量下降,由于后疫情时代已经来临,工厂对于钢材的需求量逐步增高,中国是钢材生产的大国,生产率处于国际领先位置,然而伴随着生产率的上升,越来越多含有缺陷的钢材也同样被生产出来,这些缺陷会带来很多安全隐患,我国的很多钢材制造企业由于生产出的钢材的缺陷率一直居高不下,导致了每年损失数百万的财产,因此如何控制所生产钢材的缺陷率也是至关重要的。近些年来随着深度学习技术的发展,很多学者将深度学习用于钢材缺陷检测研究,提升了钢材缺陷检测的效果及可靠性。然而,目前相应的检测技术还不是很成熟,无法做到准确率与速度的平衡。本文针对工业钢材生产过程中产生的钢材缺陷,根据工业部署需求,综合考虑精度与速度,在YOLOv5的基础上进行改进,结合结构重参数化的方法,构建了Re-YOLOv5工业钢材的缺陷检测模型。具体内容如下:(1)研究了基于训练和推理解耦架构的结构重参数化。构造了一系列用于训练的结构,并将其参数等价转换为另一组用于推理的参数,从而将一系列用于训练的结构等价转化为另一系列用于推理的结构。在训练的时候,使用多分支结构,加入了残差模块,注重精度,节省内存;推理时使用单分支结构,注重速度,使得模型可以在不失去精度的同时提高速度。在ImageNet、NEU-DET和GC10-DET数据集上进行了图像分类实验,验证了结构重参数化的有效性。(2)提出了Re-YOLOv5模型。采用one-stage的YOLOv5算法,融入repvgg模块,能在加深网络提升性能的同时提高推理速度,达到精度与速度的平衡。将YOLOv5的Neck层与Head层合并为Head层,用作预测,并且加入repvgg模块和卷积,输出预测结果。Rep VGG模块采用了结构重参数化方法,训练时采用多分支架构,可以让模型更好的进行特征学习,实现精度的提升;推理时,进行等价转换,将多分支结构重参数化为单分支结构,实现推理的加速。(3)网络模型中引入改进的SPP*层,可以增加感受野,加强网络特征融合能力,提升对于不同类型目标的检测精度;将CSP组件改进为CCBL组件,有助于模型的加深,可以更好的获取感受野的信息,其组成的Backbone用作特征提取,可以在改善模型推理速度的同时实现检测准确率的提升。(4)在公开的NEU-DET钢材缺陷数据集上进行测试,本文模型Re-YOLOv5的检测准确率可达77.8%,略低于YOLOv5l,但其参数量上缩减了7.65倍,模型也减小了80.6MB。相较于YOLOv5s,Re-YOLOv5的单帧图片处理耗时仅仅增加了3.4ms,但其准确度上实现了6.0%的提升,对应的参数量和模型更小。此外,我们在更复杂的GC10-DET数据集上进行了测试,结果显示Re-YOLOv5的准确率依然比YOLOv5s提高了1.4%,体现了本文所提模型的优势。此外,该模型所占内存更小,便于部署到工业设备中。

关键词：结构重参数化 YOLOv5 repvgg 钢材缺陷检测轻量化

基于知识蒸馏的轻量化Faster-RCNN算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于知识蒸馏的轻量化Faster-RCNN算法研究

作者：赵留阳安徽理工大学

学位级别：硕士

近年来,目标检测作为人脸识别、自动驾驶、工业检测等领域的关键技术,受到越来越多的学者关注。随着深度学习技术的快速发展,目标检测网络也从传统人工设计到更深层次网络框架的转变,不仅从速度上带来了提升也从检测精度上带来了质的飞... 详细信息

近年来,目标检测作为人脸识别、自动驾驶、工业检测等领域的关键技术,受到越来越多的学者关注。随着深度学习技术的快速发展,目标检测网络也从传统人工设计到更深层次网络框架的转变,不仅从速度上带来了提升也从检测精度上带来了质的飞跃。然而越复杂的深度学习算法框架也意味着占用更多的资源与内存,复杂的网络结构,昂贵的运行成本也导致很多算法无法在实际生活中得到应用。Faster-RCNN作为一种检测精度较高的算法,拥有复杂的网络结构和参数量,难以实际应用,针对此问题,本文使用知识蒸馏对Faster-RCNN算法进行轻量化处理,本论文的主要研究如下:(1)构建基于RV-C(Rep VGG-CBAM)的Faster-RCNN算法模型。将算法轻量化后,精度会有所下降,因此在轻量化之前对算法特征提取网络进行处理。FasterRCNN算法使用VGG16作为特征提取网络,网络层次深,含有较多的卷积层和池化层,但在卷积和池化过程中会丢失图像中的部分特征信息,针对此问题,本文使用Rep VGG特征提取网络与Faster-RCNN算法进行融合,Rep VGG网络中含有残差模块,减少卷积操作,提高特征提取的效果,并在特征提取网络中嵌入CBAM注意力机制,获取图像中的重要特征,对输入的图像从空间和通道双重维度上处理,从而提高Faster-RCNN算法对小目标的检测精度以及算法的平均检测精度。(2)构建基于D-RV-C(Distillation-Rep VGG-CBAM)的Faster-RCNN算法模型。单阶段目标检测算法在网络提取特征后直接将图片送入后续网络中进行目标的分类和回归,而Faster-RCNN是一种两阶段目标检测算法,在特征提取网络提取图像特征图后需要将特征图片送入算法RPN部分中得到目标的候选框,提高目标的定位精度,但RPN含有较多参数量,使算法的检测速率受到一定程度的影响。因此本文对Faster-RCNN算法进行模型压缩处理,采用知识蒸馏的方法,对算法各部分进行蒸馏处理,减小模型尺寸,提高算法的检测速度。改进后的算法在PASCAL VOC 2007、PASCAL VOC 2012以及COCO数据集进行实验,与原始Faster-RCNN算法相比,经过知识蒸馏后的模型尺寸缩小了1/3,平均检测精度只下降0.7%,与其它使用知识蒸馏改进的Faster-RCNN算法进行比较,在检测精度方面也有所提升。图 [33] 表 [13] 参 [71]

关键词： repvgg CBAM注意力机制知识蒸馏 Faster-RCNN

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

有遮挡人脸图像识别算法设计与实现

有遮挡人脸图像识别算法设计与实现

作者：崔玉鹏大连交通大学

学位级别：硕士

当今深度学习技术的发展日新月异、应用于人脸识别技术的神经网络更是百花齐放。绝大多数人脸识别在可控范围内的准确率已经达到了非常理想的效果,然而,真实条件下获取的人脸图像往往因为光线遮挡、实物遮挡、自遮挡而难以识别。2019年... 详细信息

当今深度学习技术的发展日新月异、应用于人脸识别技术的神经网络更是百花齐放。绝大多数人脸识别在可控范围内的准确率已经达到了非常理想的效果,然而,真实条件下获取的人脸图像往往因为光线遮挡、实物遮挡、自遮挡而难以识别。2019年末爆发的新冠疫情更是迫使全民进入戴口罩阶段。本论文针对遮挡条件下人脸识别准确率不高、稳定性差的问题进行研究,具体地:(1)在原repvgg网络中的卷积层后增加轻量化的通道注意力机制ECA模块,以提高网络模型识别准确率;(2)在池化层中采用Softpool代替原有的池化方法,以提高精度;(3)将Focal loss损失函数代替传统的交叉熵损失函数,以增强网络的学习性能。为了验证本文改进算法的有效性,分别在AR人脸数据集上进行三种实验:(1)基于Haar分类器的人脸关键点检测实验;(2)基于改进前后repvgg网络模型下有遮挡人脸识别对比实验、不同改进点的消融实验及改进模型后十折交叉验证实验;(3)基于YOLOv5网络模型的有遮挡人脸遮挡检测实验及改进后repvgg网络模型下不同遮挡人脸识别实验。上述实验结果表明,改进后算法对常见的人脸眼部及嘴部遮挡类型以及对于光照、表情变化引起的遮挡有着比较高的识别率,提高了网络模型的识别精度与速度。

关键词：有遮挡人脸识别 repvgg 注意力机制损失函数

面向苹果树花叶病的RSS-YOLOv7算法识别研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向苹果树花叶病的RSS-YOLOv7算法识别研究

作者：王梦婷塔里木大学

学位级别：硕士

苹果是新疆特色林果业的重要支柱产业之一,其中阿克苏地区是新疆苹果栽培面积最大的地区,2022年,阿克苏苹果产值31.2亿元,产量为84.82万吨,占新疆维吾尔自治区林果业总产值的19.4%。苹果产区存在不同程度苹果花叶病症状,对苹果树的生长... 详细信息

苹果是新疆特色林果业的重要支柱产业之一,其中阿克苏地区是新疆苹果栽培面积最大的地区,2022年,阿克苏苹果产值31.2亿元,产量为84.82万吨,占新疆维吾尔自治区林果业总产值的19.4%。苹果产区存在不同程度苹果花叶病症状,对苹果树的生长环境以及果实产量和质量等都有着不同程度的危害,严重威胁苹果产业的可持续健康发展。目前需要农民或专业技术人员逐株逐叶进行观察和判断,耗时耗力效率低下。因此采用图像识别方法对花叶病进行分级识别研究尤为重要。在开展花叶病分级识别研究过程中,首先采集具有代表性的苹果树花叶病病害图像数据集,对于采集到的图像,首先需要进行图像去噪、增强和归一化等预处理步骤,以提升识别的准确性和效率。之后对经过预处理的图像进行标注,标明每张图像所对应的病害类别。其次对YOLOv7进行改进,将Rep VGG模块添加到主干网络中的卷积部分,用于替换复杂的卷积层。这样可以减少参数量和计算量,并提高模型的效率和速度;将Sim AM模块添加到主干网络中的卷积层后,用于提取更加准确和有代表性的特征,帮助模型更好地聚焦于目标区域,提高检测的精度和召回率;将SIo U应用于损失函数的计算过程中,用于衡量预测框和真实框之间的相似度。最后通过多种模型进行对比分析,得到改进后的RSS-YOLOv7效果最佳。因此通过改进后的模型对花叶病进行分级识别,解决了特征提取难度大、识别速度慢、识别率低等问题。实验结果表明,RSS-YOLOv7对花叶病的分级识别的准确率达到97.9%,召回率达97.6%,m AP@0.5达98.5%,相较原模型分别提高了3%,3.7%,2%,时间缩短了0.574h,与YOLOv5、YOLOv7x和YOLOv3进行对比实验,改进后的模型效果仍然是最优。

关键词： RSS-YOLOv7模型花叶病 repvgg SimAM SIoU

基于超声图像的乳腺癌转移风险预测算法研究与实现

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于超声图像的乳腺癌转移风险预测算法研究与实现

作者：魏卓电子科技大学

学位级别：硕士

乳腺癌疾病是我国妇女最常见的恶性肿瘤,严重威胁到中国女性的身心健康。在对乳腺癌患者的临床诊断过程中,首要任务就是判断乳腺癌的转移情况。研究表明,通过超声技术检查患者的前哨淋巴结(Sentinel Lymph Node,SLN)是否发生乳腺癌转移... 详细信息

乳腺癌疾病是我国妇女最常见的恶性肿瘤,严重威胁到中国女性的身心健康。在对乳腺癌患者的临床诊断过程中,首要任务就是判断乳腺癌的转移情况。研究表明,通过超声技术检查患者的前哨淋巴结(Sentinel Lymph Node,SLN)是否发生乳腺癌转移可以有效地判断和预测乳腺癌的整体转移情况。目前临床过程中一般采用人工阅片的方式来判断是否发生乳腺癌转移,但人工审阅过程主观性强,漏诊误诊率较高,准确率较低。针对这些问题,本论文对乳腺癌患者SLN超声图像进行研究,结合深度学习相关理论技术,以实现高精度的预测乳腺癌转移风险,辅助医生临床诊疗,实现无创化医疗。本论文的主要研究内容如下:1.针对本论文的场景,制定了数据规范化采集标准,通过手动标注四川省人民医院相关科室收集的972例乳腺癌病例的双模SLN超声图像,制作得到3个数据集,分别是SLNUS数据集、TDUS数据集、CEUS数据集。研究了如何实现自动检测超声图像中淋巴结病灶区,基于SLNUS数据训练YOLOv7网络,优化网络参数,最终在测试集上m Io U达到0.815,且两类图片均能正确分类。2.研究了repvgg网络,在特征提取层引入添加Softpool池化的CBAM注意力机制,最终得到repvgg-CBAM优化算法。经过实验,优化后的网络,在TDUS数据集上分类的正确率提升了3.59%,假阴性率降低了18.19%;在CEUS数据集上分类的正确率提升了1.51%,假阴性率降低了38.23%。3.研究了利用SLN超声图像高精度的预测乳腺癌转移风险算法。算法以训练的YOLOv7模型作为病灶区检测模块,repvgg-CBAM算法作为淋巴结良恶性分类模块,并设计双模超声图像的结果融合策略,量化转移风险,设计风险分级评估模型。在独立数据集上测试了146例患者的数据,结果表明本文设计的预测算法较之医生的判断结果,正确率提升了10%,假阴性率降低了66.01%。4.利用PyQt5框架设计并开发乳腺癌转移风险预测系统。系统的主要功能是导入乳腺癌患者的SLN超声图像,即可自动检测淋巴结并进行良恶性判别,最终输出对应的转移概率,量化乳腺癌转移风险,从而辅助医生诊断。本论文设计实现的乳腺癌转移风险预测系统,能准确预测出乳腺癌的转移风险,在部署时对设备的算力要求较低,可应用于各级医院进行乳腺癌辅助诊断,提高医生的工作效率,降低其漏诊和误诊风险,具有较大的实际应用价值。

关键词：乳腺癌 SLN超声图像目标检测算法 repvgg 注意力机制

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PCB缺陷检测研究

基于深度学习的PCB缺陷检测研究

作者：周昱辰华东师范大学

学位级别：硕士

近年来,随着电子产品需求的日益复杂及多样化,PCB设计的发展方向也越来越趋向于小型化、高密度化,而作为连接电子设备的关键材料,PCB表面的缺陷可能会导致电子设备出现功能故障、能耗增加等问题,甚至产生安全隐患,因此,在当今批量自动... 详细信息

近年来,随着电子产品需求的日益复杂及多样化,PCB设计的发展方向也越来越趋向于小型化、高密度化,而作为连接电子设备的关键材料,PCB表面的缺陷可能会导致电子设备出现功能故障、能耗增加等问题,甚至产生安全隐患,因此,在当今批量自动化生产的工业环境下,必须对PCB表面进行缺陷检测,以确保产品质量,降低经济损失。YOLOv5相较于二阶段网络而言推理速度较快且YOLO系列的算法经过了多个版本的迭代优化,本文在此模型的基础上进行改进,以确保模型在保持轻量化的同时,缺陷检测精度有所提高。YOLOv5原始模型采用的是COCO数据集,在检测大目标时比较有优势,而PCB缺陷目标小、种类多、分辨难度较大,且在实际工业生产环境下干扰因素较多,导致检测精度不理想,为了更好的实现对小目标的PCB缺陷的检测,本文进行了如下的工作:(1)提出了 RS-YOLOv5算法,该算法相较于YOLOv5有以下几点创新:a.首先基于Res2Net网络构建了 Res2RepVNet模型,该模型融合了repvgg网络,利用结构重参数化技术使模型的参数量得到降低,从而提高推理速度。其次,将Res2RepVNet模型引入YOLOv5的Backbone和Neck模块,增强了模型对多尺度特征的表征能力。b.基于SPPF构建SPPSMALL模块,该模块将三个串联的5×5最大池化改为5×5、3×3、3×3、5×5的最大池化,通过改进池化空间,加强了对PCB小目标缺陷的特征提取,并且对Backbone和Neck模块输出的特征图尺度进行调整,进一步获取更多小目标的特征信息。c.在Neck模块中引入了置换注意力机制(Shuffle Attention),以克服目标检测过程中冗余信息的干扰,降低网络的误检率和漏检率。d.选用EIoUoss作为边界框的损失函数,不同于原始YOLOv5中计算边界框宽高纵横比的CIOU损失函数,EIoUoss直接分别最小化了真实框和预测框之间的高、宽差,加快了模型的收敛速度。经实验,RS-YOLOv5与YOLOv5相比,mAP提高了 13.7%,模型大小减少了10.87MB,参数量在YOLOv5的基础上降低了约90.6%;与YOLOv3相比mAP提高了 26.3%,模型减小了 120.57MB,参数量在YOLOv3的基础上降低了大约98.9%;与YOLOv7相比,mAP提高了 3.2%,模型减小了 68.37MB,参数量在YOLOv7的基础上降低了约98.2%。(2)实现了 PCB缺陷检测管理系统为了增强RS-YOLOv5算法的应用价值,本文基于React和NodeJS分析设计并实现了前后端分离的PCB缺陷检测管理系统,该系统运用Flask对RS-YOLOv5算法进行了部署。按照功能划分,可将该系统分为缺陷检测、缺陷记录管理、报表管理、用户权限管理四个功能模块。经测试,系统能较好地满足日常工业生产环境下用户的使用需求。

关键词：缺陷检测注意力机制 YOLOv5 repvgg Res2Net

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的茶叶嫩芽识别研究

基于深度学习的茶叶嫩芽识别研究

作者：何宇西华大学

学位级别：硕士

茶叶在我国的经济和农业发展中具有重要地位,但是现在的人工采茶效率低下,耗费人力和时间,而已有的机器采茶不易区分茶叶嫩芽和老叶,无法保证茶叶品质。为了提升茶农采茶的效率和茶叶质量,本文对基于深度学习方法自然环境下茶叶嫩芽识... 详细信息

茶叶在我国的经济和农业发展中具有重要地位,但是现在的人工采茶效率低下,耗费人力和时间,而已有的机器采茶不易区分茶叶嫩芽和老叶,无法保证茶叶品质。为了提升茶农采茶的效率和茶叶质量,本文对基于深度学习方法自然环境下茶叶嫩芽识别技术进行研究,具体研究内容如下:(1)茶叶嫩芽数据集的制作。在清明节前后采集自然环境中的茶叶嫩芽图像并进行预处理,首先通过图像增强方法来提升数据集样本数量,使网络模型在训练时的泛化能力更强,然后使用尺寸为3×3的中值滤波器对图像进行降噪处理,接着使用Label Img软件对图像中的茶叶嫩芽目标进行标注,随后选择红(red,R)、绿(green,G)、蓝(blue,B)三原色、HIS、Lab三个颜色模型中的颜色分量对茶叶嫩芽颜色特征的提取效果进行研究,通过对比分析,最终采用了R-B颜色分量来提取茶叶嫩芽颜色特征。(2)基于目标检测算法的茶叶嫩芽识别研究。从目标检测算法模型的类别出发,分别选择了基于VGG-16和Res Net-50的两步式目标检测算法模型Faster R-CNN和一步式目标检测算法模型YOLOv5s来实现对茶叶嫩芽的识别并对实验结果进行对比分析。实验结果表明YOLOv5s的平均精确率均值(Mean Average Precision,m AP)达到了87.59%,FPS达到了23.5帧/秒,在保持高精度的同时有着更快的检测速度,结合采茶应用的实时性等需求,最后选择以YOLOv5s为基础模型进行下一步优化。(3)基于YOLOv5s改进模型的茶叶嫩芽识别研究。针对茶叶嫩芽目标小而密度大、被遮挡目标较多等问题,在YOLOv5的基础上首先利用Rep VGG的重参数化思想改进了网络中的Conv模块并剪掉了一半的冗余通道,提升了在推理阶段的检测速度。再通过引入注意力机制模块提高网络对小目标以及被遮挡目标的检测精度。接着将边界框损失函数改进为EIo U从而减小预测框的回归定位偏差。最后增加了一个小尺寸检测层从而改善网络模型在识别小目标方面的性能。实验结果表明,改进后的网络模型在保持了检测速度的前提下相比于YOLOv5s原模型的精确率提升了2.99%,召回率提升了3.81%,m AP@0.5提升了4.64%,对茶叶嫩芽的识别上有着良好的综合性能。(4)茶叶嫩芽识别系统的开发。在开发平台Pycharm上使用开发语言Python和开发界面工具Py Qt5设计开发了茶叶嫩芽识别系统,系统提供多模型给用户选择,并且集成了多源数据检测、结果可视化等功能,最后在结合改进的算法基础上对系统功能进行了测试。测试结果表明系统功能完好,实现了在茶叶嫩芽识别方面的人机交互。

关键词：茶叶嫩芽识别 YOLOv5s repvgg 注意力机制

基于注意力深度神经网络的遮挡人脸识别研究与应用

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于注意力深度神经网络的遮挡人脸识别研究与应用

作者：刘祥丰中国矿业大学

学位级别：硕士

人脸识别作为机器学习和深度学习重要的分支,一直以来都是热点研究之一。近年来,伴随着卷积神经网络研究的热潮,人脸识别算法也有了全新的进展,人脸识别系统和应用也渐渐出现在人们的日常生活中,成为人工智能时代必不可少的技术之一。... 详细信息

人脸识别作为机器学习和深度学习重要的分支,一直以来都是热点研究之一。近年来,伴随着卷积神经网络研究的热潮,人脸识别算法也有了全新的进展,人脸识别系统和应用也渐渐出现在人们的日常生活中,成为人工智能时代必不可少的技术之一。尽管人脸识别技术发展至今已硕果累累,对于光照、表情、遮挡等条件下识别的研究也不断进步,但是复杂环境的影响一直都是人脸识别最大的挑战和难题,当出现环境卫生危机时,遮挡人脸识别的需求也急剧增加。为此,本文从遮挡人脸识别出发,提出一种基于注意力机制的遮挡人脸识别网络,能够帮助神经网络在特征提取和学习的过程中,给予特征不同的关注度。通过研究和探讨注意力机制,构建了一个能够嵌入不同神经网络的注意力模块,再通过对池化层的研究,探讨了优化注意力机制的方法,最后进行了充分的实验,证明了注意力遮挡人脸识别网络的有效性。本文的主要研究工作如下:（1）为残差神经网络引入注意力机制。构建了基于通道注意力和空间注意力的联合注意力模块,提高残差神经网络对特征的深度挖掘能力和分析能力。探究了混合池化方法对于提高神经网络检测能力的有效性,并将混合池化层嵌入注意力模块,提高注意力机制对关注度的学习能力。经过实验,在AR数据集上的实验准确率比原始的残差神经网络高出1%左右,在带有遮挡的LFW数据集上准确度优于VGG网络近10%。（2）为repvgg神经网络引入注意力机制。引入了新颖的VGG风格的repvgg神经网络,探讨了repvgg神经网络的优势和结构,并构建了嵌入注意力模块的repvgg人脸识别网络。探究了Softpool池化方式的优势,并用Soft Pool池化替代全局最大池化,增强池化层的特征保留能力和特征降维能力。最后在AR数据集以及LFW数据集上进行了充分的实验,在AR数据集上的准确度获得了优于其他网络0.5%的结果,在LFW上的准确率达到高于近5%的结果。（3）构建遮挡人脸识别门禁原型系统。以遮挡人脸识别网络模型为基础,应用和设计了门禁原型系统,探究了门禁系统的框架和模块设计,进一步证明了本文研究的实用意义。

关键词：遮挡人脸识别注意力机制残差神经网络 repvgg

基于YOLOv5的水面可见光图像塑料瓶检测方法研究

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YOLOv5的水面可见光图像塑料瓶检测方法研究

作者：鲁露山东工商学院

学位级别：硕士

愈发严重的水域塑料垃圾污染给生态环境带来巨大威胁,塑料瓶作为污染的主要来源,在水域塑料垃圾检测中具有重要的研究意义。无人船是现如今水面清洁的先进设备,为水域的漂浮垃圾清理提供了一种更为高效环保的方法,其中,水面漂浮目标检... 详细信息

愈发严重的水域塑料垃圾污染给生态环境带来巨大威胁,塑料瓶作为污染的主要来源,在水域塑料垃圾检测中具有重要的研究意义。无人船是现如今水面清洁的先进设备,为水域的漂浮垃圾清理提供了一种更为高效环保的方法,其中,水面漂浮目标检测是无人船研究的关键技术之一。近年来深度学习目标检测的飞速发展给环保领域赋能,其检测性能直接影响无人船清洁系统的效率。随着人们对目标检测更严苛的需求出现,旋转目标检测解决了水平目标检测在目标密集、目标角度多变、以及环境复杂的场景下检测效果差的问题。但现阶段旋转目标检测算法模型庞大、旋转框回归存在边界问题,导致模型训练耗费资源、推理速度慢、准确率低的问题,旋转目标检测移动端应用始终存在壁垒。为解决以上问题,本文提出YOLOv5-OBB-RES旋转目标检测算法,在YOLOv5网络结构上进行轻量化改进,并结合KFIo U有效解决旋转框回归存在的边界问题,加快模型推理速度,提升水面漂浮塑料瓶的检测精度。首先收集视觉可见光图像下的水面漂浮目标数据集,并对目标进行旋转检测框标注,再对数据集进行分析,设计符合本文场景的数据集增强方法,提升模型的泛化性能和检测准确率,并丰富数据集中的角度信息,保证旋转框回归准确性。构建基于YOLOv5的旋转目标检测算法,并结合Rep VGG和Shuffle Net v2轻量化主干网络,采用结构重参数化方法来加速模型的推理速度,实现模型无损压缩;引入ECA注意力机制、增大卷积核尺寸,以增强主干网络特征提取能力与有效感受野,达到目标检测精度与推理速度相平衡的目的。在自定义水面漂浮目标数据集上进行实验,结果表明,主干网络改进后的YOLOv5-OBB-RES旋转目标检测算法推理速度达到125.766fps,mAP达到92.11%。最后,为了解决旋转目标检测损失函数在设计时引入的非线性变换和超参数问题,导致旋转框回归存在偏差。采用KFIo U来保证旋转框的精准回归,增强网络鲁棒性;设计轻量级特征融合结构PAFPN-64,引入坐标卷积,增强了模型空间感知能力。实验结果表明,基于KFIo U改进的YOLOv5-OBB-RES旋转目标检测网络检测性能良好,其中模型参数量为1.21 M,浮点运算量为3.3 GFLOPs,在本文自定义的水面漂浮目标数据集上mAP达到94.87%,fps达到118.533。

关键词：水面目标检测 YOLOv5 旋转目标检测 repvgg KFIoU

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度卷积神经网络的车辆检测方法研究

基于深度卷积神经网络的车辆检测方法研究

作者：曾强强电子科技大学

学位级别：硕士

近年来我国车辆行业迅速发展,交通安全形势严峻,违规的交通行为也时有发生。为了营造更好的交通环境,交通系统需要智慧化,将行人,车辆,道路结合起来,运用这些交通信息去解决交通中的问题。在智慧交通系统中,车辆检测是很重要的环节,通... 详细信息

近年来我国车辆行业迅速发展,交通安全形势严峻,违规的交通行为也时有发生。为了营造更好的交通环境,交通系统需要智慧化,将行人,车辆,道路结合起来,运用这些交通信息去解决交通中的问题。在智慧交通系统中,车辆检测是很重要的环节,通过给定的图像信息来判断图像中是否含有车辆,并且判断车辆所在的位置。本文主要是通过深度学习的方式,对视频流中的车辆信息进行检测。针对YOLOv5在复杂的交通场景下的车辆检测任务下存在模型识别准确度不够高的缺陷。本文改进了YOLOv5算法,分别添加了SE、CBAM和CA三种注意力机制,抑制车辆检测的复杂背景信息,使得模型在检测的时候能够关注到车辆信息。通过对比改进后的检测精度和实时性能,最终选出CA注意力,改进后模型的mAP为98.2%,提升了1.1%,在RTX2060上的FPS为73.5。针对添加了CA注意力的YOLOv5车辆检测算法存在实时性能和模型大小方面的缺陷,本文对其进行以下三个方面的改进:先验信息的优化、多尺度预测的改进、特征提取网络的改进。针对车辆检测算法的使用场景,原始先验框信息不能很好的适配车辆检测的任务场景,首先重新对车辆数据集聚类,获得新的先验信息,然后裁剪大型目标尺度预测,保留了中型目标和小型目标的尺度,减小了模型的大小。之后,为了进一步的提升算法的实时性,将repvgg模块融合进特征提取网络。最终改进的YOLOv5的车辆检测算法的mAP为98.45%,提升了0.25%,在RTX2060上的FPS达到109.9。最后,提出了改进后的车辆检测算法的应用方案车流量统计系统。车流量统计系统能够利用车辆检测算法对视频进行车辆检测,通过SORT算法实现车流量的实时统计。本文采用了虚拟检测线的方法来实现车流量统计的功能,通过对比不同位置的虚拟检测线的计数结果来找到合适的检测线位置,实验发现选择虚拟检测线的位置在整个视频的二分之一处,车流量统计系统的统计结果与真实结果较为接近,准确率可达93.8%,从而证明改进后的车辆检测算法具备实际工程价值。

关键词：车辆检测技术注意力机制车流量统计 repvgg YOLOv5