检索结果-南通市图书馆

基于边云协同框架的煤矿井下实时视频处理系统

在线全文

学校读者我要写书评

暂无评论

工矿自动化 2021年第12期47卷 1-7页

作者：李敬兆秦晓伟汪磊安徽理工大学电气与信息工程学院安徽淮南232001

目前煤矿井下智能视频监控主要采用云计算方式处理实时视频,视频传输占用的网络资源多,时延高,无法实时响应监控区域发生的紧急事件。针对该问题,提出了基于边云协同框架的煤矿井下实时视频处理系统,将实时性强的目标识别任务下放至边缘... 详细信息

目前煤矿井下智能视频监控主要采用云计算方式处理实时视频,视频传输占用的网络资源多,时延高,无法实时响应监控区域发生的紧急事件。针对该问题,提出了基于边云协同框架的煤矿井下实时视频处理系统,将实时性强的目标识别任务下放至边缘端,将计算量大且实时性弱的边缘设备整合等任务放至云端处理。在视频监控现场,利用部署在边缘设备上的神经网络模型对视频监控图像进行本地处理;通过井下异构融合网络将不同网络环境中边缘设备的处理结果和模型参数等信息发送给云服务器;云服务器针对性地对各场景中的边缘设备进行模型更新、推送,最终实现边云数据实时交互和边缘端服务的在线优化。针对目标检测模型tiny-yolov3无法提取到图片的深层特征、易出现梯度消失和过拟合现象等问题,依据残差结构设计了下采样残差模块,对tiny-yolov3进行改进,以提高模型的深度特征提取和泛化能力。在边云数据交互的基础上,对边缘设备上的目标检测模型进行针对性场景优化,以提高边缘设备端模型检测的准确率。测试结果表明:改进型tiny-yolov3模型的稳定性与数据泛化能力优于YOLO和tiny-yolov3;经过单一场景的特化训练后,改进型tiny-yolov3模型的目标识别更加精准;与云计算相比,边云协同框架可显著降低监控视频处理时延。

关键词：井下智能视频监控边云协同框架边缘计算云计算井下异构融合网络 tiny-yolov3 下采样残差模块

在线全文

学校读者我要写书评

暂无评论

融合深度学习的机器人目标检测与定位

计算机工程与应用 2020年第24期56卷 181-187页

作者：黄怡蒙易阳南京工业大学电气工程与控制科学学院南京211816

tiny-yolov3是目标检测领域常用的检测算法,相比较yolov3,其优点是神经网络层比较简单,计算量少,且对硬件的配置要求较低,因此可以保证检测的实时性,但由于网络层比较少,检测的精度也较低。为了提高tinyyolov3在网络中的检测精度,提出一... 详细信息

tiny-yolov3是目标检测领域常用的检测算法,相比较yolov3,其优点是神经网络层比较简单,计算量少,且对硬件的配置要求较低,因此可以保证检测的实时性,但由于网络层比较少,检测的精度也较低。为了提高tinyyolov3在网络中的检测精度,提出一类tiny-yolov3改进模型,调整检测网络架构的损失结构层,以卷积层和特征图的相关系数矩阵表征特征图分布,设计损失函数优化损失特征层分布,增强网络特征的表达能力。结合NAO机器人平台,采用三角函数定位将基于图像的目标检测位置转换为机器人坐标系位置。根据4 000张VOC数据格式自制数据集进行模型训练与测试,针对不同物体在变化位置下进行50次机器人手臂抓取实验。相比原始tinyyolov3模型,改进的网络模型在分辨率为640×480单张图片的检测速度35帧/s前提下,检测mAP值提高了4.08%,置信度提高20%。实验结果表明算法在兼顾目标检测时间效率的前提下有效提高了目标检测准确度,可满足机器人在分拣、采摘、监控、服务等多样实时性应用场景需求。

关键词：目标检测机器人网络结构 tiny-yolov3 损失函数

在线全文

学校读者我要写书评

暂无评论

面向嵌入式平台的安全帽实时检测方法

计算机工程与应用 2022年第9期58卷 161-167页

作者：农元君王俊杰徐晓东赵雪冰中国海洋大学工程学院山东青岛266100

针对当前基于深度学习的安全帽检测方法因结构复杂和计算量大,难以在嵌入端实现实时检测的问题,提出一种适用于嵌入式平台的轻量化安全帽实时检测方法。该方法以tiny-yolov3检测网络为基础,通过改进特征提取网络和多尺度预测优化网络结... 详细信息

针对当前基于深度学习的安全帽检测方法因结构复杂和计算量大,难以在嵌入端实现实时检测的问题,提出一种适用于嵌入式平台的轻量化安全帽实时检测方法。该方法以tiny-yolov3检测网络为基础,通过改进特征提取网络和多尺度预测优化网络结构,引入空间金字塔池化模块丰富特征图的多尺度信息,采用K-means聚类算法确定适合安全帽检测的锚框,引入CIoU边界框回归损失函数以提高检测精度。实验结果表明:在608×608的输入尺寸下,所提方法的平均准确率、召回率、F1值分别达到87.50%、84%、83%,较tiny-yolov3检测方法分别提升了11.27、11和7个百分点;且在嵌入式平台NVIDIA Jetson Nano上实现了20.58 frame/s的实时检测速度,可满足在嵌入端实现安全帽实时检测的需求。该方法在光线不佳、小目标、密集目标等复杂施工环境下具有良好的适应性和泛化性。

关键词：安全帽检测 tiny-yolov3 嵌入式平台多尺度预测空间金字塔池化

Design of UAV Single Object Tracking Algorithm Based on Feature Fusion

在线全文

学校读者我要写书评

暂无评论

Design of UAV Single Object Tracking Algorithm Based on Feat...

第40届中国控制会议

作者： Changze Li Xiaoxiong Liu Xingwang Zhang Bin Qin Northwestern Polytechnical University

Considering the real-time performance and robustness of the object tracking algorithm,this paper proposes an improved tracking algorithm for single object tracking based on *** algorithm uses tiny-yolov3 for preliminary detection,and the detection results combine histogram of orientation gradient（HOG） and RGB histogram to extract the *** use histogram matching to find the highest similarity between the detected candidate object and the object to be tracked to achieve the purpose of *** tracking strategies are designed when the object is stationary and *** experimental results show that the algorithm improves tracking accuracy and robustness while ensuring real-time tracking.

关键词： Single object tracking tiny-yolov3 HOG histogram matching UAV

来源： cnki会议评论

在线全文

cnki会议

学校读者我要写书评

暂无评论

基于深度学习的工业钢材瑕疵检测研究

基于深度学习的工业钢材瑕疵检测研究

作者：刘洋安徽建筑大学

学位级别：硕士

工业钢材瑕疵检测是行业生产和质量管理的重要环节,钢材表面产生的裂纹,斑点等瑕疵会严重影响产品的质量,带来不可控的危害。钢材瑕疵智能检测是困扰行业多年的技术瓶颈,人工检测效率难以把握,检测标准缺乏一致性。采用深度学习技术的... 详细信息

工业钢材瑕疵检测是行业生产和质量管理的重要环节,钢材表面产生的裂纹,斑点等瑕疵会严重影响产品的质量,带来不可控的危害。钢材瑕疵智能检测是困扰行业多年的技术瓶颈,人工检测效率难以把握,检测标准缺乏一致性。采用深度学习技术的目标检测算法在钢材瑕疵检测领域效果显著,但大多不适用于功耗小,计算资源受限的移动或嵌入式设备上。本文结合深度学习技术,改进了tiny-yolov3算法,采用嵌入式设备构建了钢材瑕疵检测系统模型,保证瑕疵检测的精度和实时性。主要研究成果如下:1、为了平衡钢材目标瑕疵检测的精度和速度,提出一种改进的目标检测算法Rtiny-yolov3。改进的算法基于tiny-yolov3网络结构,首先加入残差网络,提升网络的深度和检测的精度。增加改进的空间金字塔池化SPP模块,提升了网络的特征提取能力。然后结合不同网络层的特征信息,将检测由两个尺度提升到三个尺度。最后选取CIOU作为损失函数,使目标检测的回归更加稳定。采用改进的R-tinyyolov3算法和tiny-yolov3算法进行对比实验分析,R-tiny-yolov3算法对钢材瑕疵的检测精度达到71.5%,相比于tiny-yolov3算法提升了10.8%,检测速度达到39.8帧每秒。实现了检测精度和速度的平衡,也满足嵌入式设备的实时检测要求。2、设计了基于边缘智能的工业钢材瑕疵检测系统模型,该系统模型分硬件检测平台和软件管理平台两部分。硬件检测平台采用寒武纪边缘智能1H8开发板,将改进的瑕疵检测模型移植到1H8边缘智能嵌入式平台,整个检测算法的计算任务全部部署在边缘端并完成实时检测。检测平台可以脱离数据中心独立运行,提升钢材的瑕疵检测效率。然后基于硬件平台设计了瑕疵检测软件系统,提供了用户交互界面。具体分为瑕疵检测模块、报警模块、数据查询模块、和输出检测报告模块。质检人员能远程通过该软件系统控制边缘端检测设备,能够实时对生产线的钢材生产情况进行处理和维护,能够对批次的钢材生产检测结果进行数据查询和报告输出,为后续的产品质量溯源提供数据支持,提升质检人员钢材瑕疵检测任务的效率。图[51]表[9]参[70]

关键词：深度学习卷积神经网络 tiny-yolov3 嵌入式平台钢材瑕疵检测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的田间绿色柑橘检测方法研究

基于深度学习的田间绿色柑橘检测方法研究

作者：韩文中国计量大学

学位级别：硕士

在水果生产过程中,信息化和智能化技术对于水果生长态势检测、智能喷施水肥、产量估计和自动采摘具有重要意义。其中,对绿色果实进行准确、快速的目标检测是实现果园智能化生产的关键技术之一。在田间非结构化环境下,光照多变、背景复... 详细信息

在水果生产过程中,信息化和智能化技术对于水果生长态势检测、智能喷施水肥、产量估计和自动采摘具有重要意义。其中,对绿色果实进行准确、快速的目标检测是实现果园智能化生产的关键技术之一。在田间非结构化环境下,光照多变、背景复杂以及果实形态多变,给绿色柑橘目标检测带来极大挑战。深度学习可以从大量图像数据中学习到强大的特征表征,基于深度学习的目标检测方法具有较高的检测精度。本论文采用深度学习技术进行绿色柑橘目标检测方法的研究,主要研究内容如下:(1)建立不同水果数据集。对于采集的绿色柑橘图像,先采用Label Img软件进行人工标注,然后将图像按4:1比例随机划分成训练集和测试集。为增加模型训练时的数据量,对训练集图像采取亮度调整、旋转变换、水平镜像和随机擦除方法进行图像扩增。同时从公开文献中收集了苹果数据集进行测试。(2)提出了一种基于改进tiny-yolov3的绿色柑橘检测方法。在田间自然环境下,场景的背景复杂,tiny网络层数少,提取的特征不够抽象,tiny-yolov3模型检测效果较差。以tiny-yolov3网络为基础,采用卷积层替换tiny的池化层进行下采样以减少目标信息丢失,并增加注意力模块和多层密集块,以提高tiny网络的特征提取能力。特征图可视化结果表明,改进后的特征提取网络较tiny能更好地效抑制枝、叶等背景的干扰。实验结果表明,所建立的TADYv3模型较好地解决了果实的重叠和遮挡等问题,提高了田间绿色柑橘的检测精度。(3)基于TADYv3的视频检测方法研究。由于图像视角单一,部分绿色柑橘被严重遮挡,TADYv3模型难以进行检测。利用视频获取柑橘果实的多视角信息,采用卡尔曼滤波和匈牙利匹配进行绿色柑橘目标的跟踪,实现了绿色柑橘目标的视频检测,分析了不同目标检测模型和间隔帧数对目标跟踪和视频检测结果的影响。实验结果表明,基于TADYv3的视频检测方法不仅进一步缓解了果实重叠和遮挡等现象,还较好的克服了单一视角中果实不可见的问题,较好地实现了田间绿色柑橘目标的实时检测。

关键词：绿色柑橘目标检测 tiny-yolov3 密集连接注意力机制目标跟踪

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

无人驾驶汽车对行人的检测与跟踪

无人驾驶汽车对行人的检测与跟踪

作者：张毅黑龙江大学

学位级别：硕士

近年来,随着人工智能技术的快速发展,无人驾驶汽车成为研究热点,将成为未来汽车行业的发展趋势。无人驾驶汽车的关键技术就是车辆对于道路环境的感知,利用感知信息下达正确的行车指令,从而保障行车的安全性。行人作为道路环境中最常见... 详细信息

近年来,随着人工智能技术的快速发展,无人驾驶汽车成为研究热点,将成为未来汽车行业的发展趋势。无人驾驶汽车的关键技术就是车辆对于道路环境的感知,利用感知信息下达正确的行车指令,从而保障行车的安全性。行人作为道路环境中最常见的对象,对于行人的检测与跟踪在无人驾驶技术中起到不可或缺的作用,因此对行人检测与跟踪算法的研究是及其重要的。本文搭建了行人检测与行人跟踪两个框架,在车速为40Km/h时,通过高速运动摄相机在道路上拍摄实时道路场景作为测试样本,验证本文行人检测与跟踪算法的有效性。本文的研究工作将围绕行人检测与行人跟踪两个方面展开:在行人检测方面,提出了基于tiny-yolov3网络改进的行人检测算法。对行人训练集使用k-means聚类,获得最优的候选框尺寸和个数;对tiny-yolov3的网络结构进行改进,提高了网络提取行人特征的能力。本文提出的算法在保证较高检测精度的前提下,提高了检测速度。在行人跟踪方面,提出了基于数据关联的多行人跟踪算法。首先,基于卡尔曼滤波算法搭建了跟踪框架;然后,将IOU距离作为评价矩阵,利用匈牙利匹配算法进行轨迹匹配;使用宽残差网络提取行人深度外观特征,进行二次匹配,用于解决行人目标由于遮挡造成的目标消失问题。该算法在行人被遮挡时,表现出比其他算法更好的效果。经过实验验证,本文提出的算法,对于实时拍摄的道路环境视频具有良好的准确性与实时性,在一定程度上能够满足无人车的需求。

关键词：无人驾驶技术行人检测多行人跟踪 tiny-yolov3 匈牙利算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

轻量级苹果生长状态自动观测方法研究

轻量级苹果生长状态自动观测方法研究

作者：许增太原理工大学

学位级别：硕士

我国是世界上最大的苹果生产国和主要消费国,在世界苹果产业中占有重要地位,因此对其生长发育的观测变得至关重要。作物物候资料不仅仅是研究作物生长过程与农业气象条件关系的重要基础数据,也是指导田间农事管理活动的基础,因此,其是... 详细信息

我国是世界上最大的苹果生产国和主要消费国,在世界苹果产业中占有重要地位,因此对其生长发育的观测变得至关重要。作物物候资料不仅仅是研究作物生长过程与农业气象条件关系的重要基础数据,也是指导田间农事管理活动的基础,因此,其是农业生产、管理和农业气象观测的重中之重。长期以来,作物观测主要是通过人工方式进行的,即通过定点、定时的眼观察、手记录方式,对一年当中生物物候现象的变化进行跟踪记录。对于偏远果园、复杂小气候,这种方法不确定性大,同时,个体具有主观性、耗费的人力成本较高、农事管理效率低下、无法持续跟踪观测。随着计算机视觉、深度学习等技术的发展,作物生长状态的自动观测得以实现。但目前主流的网络体系结构过于复杂,需要更多的计算能力,占用大量的内存,对硬件配置的要求较高,其阻碍着现代化农业的普及的进程。因此,作物观测迫切需要一种高效、连续、全自动、无损的观测方法。在田间架设成像设备,并结合计算机相关技术是可供选择的方法之一,由于其低成本、直观、非接触等优势,它已经被广泛用于作物的自动观测。为实现苹果生长状态的自动化观测,本文以苹果为研究对象,以其生长发育客观规律为理论依据,选用并改进轻量级分类网络,应用于苹果生长状态识别;并针对生成商品果（结果期）的三个关键生长状态,选用并改进轻量级目标检测算法,对其进行重点实时监测。本文的具体研究工作如下:（1）针对苹果生长状态识别以及结果期实时监测的任务,基于课题组原先已建立的数据集（展叶期、开花期、结果期）,进一步完善芽膨大期、芽开放期、结果期（幼果期、果实膨大期、果实成熟期）、叶脱落期的图像采集工作,完善苹果图像数据集,通过预处理加强前后景差异,使用多种图像增强、均衡方法丰富数据集。对处于结果期当中的苹果图像标注苹果目标位置,制作VOC格式的标签文件。（2）针对苹果物候周期当中6类生长状态识别的轻量级任务,选取了网络结构相对简单的图像分类模型AlexNet,对其基本网络结构进行了移除局部响应归一化和引入全局池化的处理,并且采用两个不同尺度的卷积核和一个最大池化构成的并行传输结构进行特征提取和融合,在低内存高速率的运行条件下提升了苹果生长状态分类识别的准确性。（3）针对苹果结果期当中3个生长状态实时监测的轻量级任务,选取了轻量级目标检测模型tiny-yolov3,借鉴ResNet方法对tiny-yolov3的主干网络进行适度深化,并在深化后的模型上应用DenseNet方法强化低分辨率层特征提取,促进了特征的复用和融合,减少了特征损失,在实时条件下提高了结果期各个生长状态检测识别的平均精度。（4）优化并完善了苹果物候期识别监测系统。基于原型系统,设计并引入了图像一键批量导入、苹果生长状态识别、原图与结果按需查询、结果分析等功能,系统的优化进一步提升了系统的智能化、精细化水平,并在省内优质苹果产业基地推广应用,提高了果园管理的自动化水平。

关键词：苹果生长状态识别图像分类 AlexNet 结果期实时监测目标检测 tiny-yolov3

基于机器视觉的白车身焊点智能精确定位方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于机器视觉的白车身焊点智能精确定位方法研究

作者：马亚东湖南大学

学位级别：硕士

白车身在保护车内乘客安全方面有着不可忽视的作用,尤其是在发生交通事故时,白车身的制造质量对整车的安全举足轻重。白车身上采用最多的连接方式是点焊连接,焊点的质量直接影响着整个白车身的安全性,所以对白车身焊点质量的检测有着非... 详细信息

白车身在保护车内乘客安全方面有着不可忽视的作用,尤其是在发生交通事故时,白车身的制造质量对整车的安全举足轻重。白车身上采用最多的连接方式是点焊连接,焊点的质量直接影响着整个白车身的安全性,所以对白车身焊点质量的检测有着非常重要的意义。然而目前对于白车身焊点质量的检测是由人工执行,但是这种人工检测的手段存在着效率低下、人工成本高、不能及时反馈生产线等缺点,所以开发一种能够及时反馈焊点质量情况的装备变得非常迫切。为了满足焊点质量自动化检测对焊点位置的高要求,本文对焊点的精确定位方法进行研究。本文的主要研究内容如下:1、焊点感兴趣区域（ROI）选取。由于基于卷积神经网络的算法有着准确的目标识别能力和很大程度的抗干扰的能力,本文将基于卷积神经网络的目标检测算法应用到焊点的ROI提取任务上,考虑到焊点的大小分布以及焊点质量检测场景对实时性的要求,最终选择采用tiny-yolov3算法对焊点的感兴趣区域进行自动选取。实验表明,经过训练的tiny-yolov3算法有着较强的焊点识别定位能力,通过预测框的扩展,成功选取出准确的、保留焊点所有轮廓信息、几乎不含噪声的焊点感兴趣区域,非常有利于焊点的精细定位。2、焊点轮廓提取。根据焊点的类圆属性,本文采用基于传统图像处理的圆检测算法作为焊点轮廓提取的基本算法。为了尽可能在保留足够多焊点轮廓信息的基础上,减少含有的噪声,通过对比不同的图像去噪、图像增强、图像边缘检测算法,从而选择效果最佳的算法,改善焊点图像质量。为了实现更高效的边缘点采样和检测,本文提出了基于直角三角形采样策略的圆检测算法（RTCD）,实现了更有效的边缘点采样。为了进一步提高算法的精度和鲁棒性,本文提出基于像素距离约束和像素角度约束的优化策略来增强算法的鲁棒性,实验表明提出的RTCD算法在焊点轮廓提取任务上表现出很好的实时性能,轮廓提取速度比CHT和RHT提高近10倍。3、焊点的精确定位方法研究。由于焊点质量超声波检测对于焊点的位置有很精确的要求,并且tiny-yolov3算法和RTCD算法都不能满足实际的定位需要,所以本文探索将二者结合的方法来实现焊点的精确定位。采用tiny-yolov3算法对焊点感兴趣区域进行选取,之后在ROI框的基础上采用RTCD算法进行焊点的精细定位。实验表明,这种结合的方法比单独采用tiny-yolov3算法或者RTCD算法能实现更精确的焊点定位,并且该方法鲁棒性很强,不易受到复杂环境因素的影响,比如明暗不均的光线,铁锈和油污等。并且本文采用超声波的方法进一步验证了tiny-yolov3+RTCD组合方法的有效性。超声波实验表明,该组合方法比单独使用tiny-yolov3算法有更好的超声波波形,对焊点的定位更精确。

关键词：焊点感兴趣区域选取焊点精细定位 tiny-yolov3 直角三角形采样策略像素点距离和角度约束条件