检索结果-南通市图书馆

改进的YOLO模型及其在舰船目标识别中的应用

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

电讯技术 2019年第8期59卷 869-874页

作者：马啸邵利民金鑫徐冠雷海军大连舰艇学院航海系

针对传统目标识别方法资源消耗大、精度和可靠性低、泛化能力不强的问题,提出了一种基于改进yolo(You Only Look Once)模型的舰船目标识别方法。通过精简YOLO模型,设计了一个10层的卷积神经网络用于舰船目标的自动特征提取和分类识别,... 详细信息

针对传统目标识别方法资源消耗大、精度和可靠性低、泛化能力不强的问题,提出了一种基于改进yolo(You Only Look Once)模型的舰船目标识别方法。通过精简YOLO模型,设计了一个10层的卷积神经网络用于舰船目标的自动特征提取和分类识别,模型训练过程中引入迁移学习的概念防止模型过拟合并加速模型参数的训练。在自建舰船目标图像测试集上的实验分析结果表明,该方法能够正确识别出航母、除航母外的其余军舰及民船三类舰船目标,识别精度达到93.7%且识别效率较高,验证了所提舰船目标识别方法的有效性。

关键词：舰船目标目标识别 YOLO模型卷积神经网络

基于YOLO模型的机器人电梯厅门装箱状态快速识别方法

在线全文

学校读者我要写书评

暂无评论

包装工程 2019年第7期40卷 180-185页

作者：赵海文李锋赵亚川齐兴悦河北工业大学机械工程学院天津300130

目的针对电梯厅门柔性生产线机器人装箱后厅门状态识别问题,提出一种基于YOLO模型的电梯厅门装箱状态快速识别方法。方法采用工业相机采集装箱后厅门图像信息,并制作成样本训练集,然后将训练集输入到目标识别分类检测模型中,通过调整网... 详细信息

目的针对电梯厅门柔性生产线机器人装箱后厅门状态识别问题,提出一种基于YOLO模型的电梯厅门装箱状态快速识别方法。方法采用工业相机采集装箱后厅门图像信息,并制作成样本训练集,然后将训练集输入到目标识别分类检测模型中,通过调整网络结构参数进行迭代训练。结果经过测试验证,文中提出的识别方法对装箱后厅门的状态分类识别成功率在99%以上,而且识别速度明显优于传统机器视觉处理算法。结论文中提出的厅门装箱状态快速识别方法,可有效解决工业环境中复杂多变光照因素对传统机器视觉处理算法造成的识别效率低、误判率高等问题,并能满足生产系统节拍要求。

关键词：电梯厅门机器人装箱 YOLO模型状态识别

基于深度学习YOLO模型的植物图像识别算法研究

在线全文

学校读者我要写书评

暂无评论

矿山测量 2022年第1期50卷 78-82页

作者：剧成宇师艳孙步阳中国电建集团河南省电力勘测设计院有限公司河南郑州450007 河南地矿职业学院河南郑州450007

为提高YOLO模型进行植物图像快速识别的准确率,对基于深度学习YOLO模型算法进行研究。在传统网络模型的基础上,引入了可变形卷积,将损失函数加入分类函数层中,有效的提高了模型的泛化性能,结合cuDNN库进行并行计算,提高了算法的效率。... 详细信息

为提高YOLO模型进行植物图像快速识别的准确率,对基于深度学习YOLO模型算法进行研究。在传统网络模型的基础上,引入了可变形卷积,将损失函数加入分类函数层中,有效的提高了模型的泛化性能,结合cuDNN库进行并行计算,提高了算法的效率。采用改进的yolov3网络模型结合公开数据集进行测试,实现了102种植物的有效识别,平均检测时间为1.275 s,在Top-2、Top-3准确率上均达到96%,与传统yolo算法相比,识别的准确率和效率均有提高。结果表明,所建立的基于深度学习YOLO模型,在复杂多种类植物识别方面有推广应用价值。

关键词：识别算法植物图像 YOLO模型卷积神经网络

在线全文

学校读者我要写书评

暂无评论

基于YOLO模型的目标检测系统设计及实现

中国科技期刊数据库工业A 2023年第5期 0123-0125页

作者：袁雪梅肖巍巍柴功昊朱海荣石佳豪广西科技师范学院广西来宾546199

在新一轮工业化改革浪潮推动下,我国各行业企业结合高质量发展主题,扩大了技术要素的配置比例,促进了提质增效目标的落实。当前正值我国两个“现代化”战略转型之际,需要吸收前期实践经验,持续利用此类技术为其实践赋能。本文以此为出发... 详细信息

在新一轮工业化改革浪潮推动下,我国各行业企业结合高质量发展主题,扩大了技术要素的配置比例,促进了提质增效目标的落实。当前正值我国两个“现代化”战略转型之际,需要吸收前期实践经验,持续利用此类技术为其实践赋能。本文以此为出发点,概述了yolo目标检测算法的发展现状与算法选择。并在此基础上结合农作物病虫害目标检测需求,分别从系统功能设计、病虫害目标识别、系统实现三个方面,对其进行了具体探讨。

关键词： YOLO模型目标检测系统设计实现

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

基于改进YOLO模型的交通标志检测

科学技术创新 2021年第18期 194-196页

作者：黄尚安江门职业技术学院广东江门529090

交通标志检测是当前车辆无人驾驶、辅助驾驶领域中重要的技术问题。原YOLO模型对于交通标志这种小目标检测性能不好,研究基于改进YOLO模型的交通标志检测方法,根据CNN卷积神经网络中感受野的理论,引入“特征加深模块”,并将加强原模型... 详细信息

交通标志检测是当前车辆无人驾驶、辅助驾驶领域中重要的技术问题。原YOLO模型对于交通标志这种小目标检测性能不好,研究基于改进YOLO模型的交通标志检测方法,根据CNN卷积神经网络中感受野的理论,引入“特征加深模块”,并将加强原模型对小目标检测的性能,力求在检测速度和精度上达到平衡,实验结果表明,所提方法在交通标志检测公共数据集GTSDB上获得了0.902的mAP,较好解决了原模型对交通标志检测出现性能下降的问题。

关键词：交通标志检测 YOLO模型特征加深模块公共数据集GTSDB

基于深度学习YOLO模型的高原山区沥青路面病害自动识别

在线全文

学校读者我要写书评

暂无评论

公路交通科技（应用技术版） 2019年第11期15卷 75-78页

作者：陈旭丹姜男董丽娜田卫群吴向菊曾鹏飞杨帆云南省公路科学技术研究院云南昆明650500

高原山区沥青公路地形复杂上下纵坡较多,绿化树木及山体的光线遮挡造成车载式道路检测自动化检测系统采集的图片高光背影大,针对传统图像处理算法在处理此类图片时,存在算法稳定性差、裂缝提取精度较低,缺乏通用性的问题。本文提出一种... 详细信息

高原山区沥青公路地形复杂上下纵坡较多,绿化树木及山体的光线遮挡造成车载式道路检测自动化检测系统采集的图片高光背影大,针对传统图像处理算法在处理此类图片时,存在算法稳定性差、裂缝提取精度较低,缺乏通用性的问题。本文提出一种采用YOLO模型自动检测高速路面缺陷的方法,可实现对高原山区沥青路面病害路面的快速、精确识别。

关键词：高原地区道路检测 YOLO模型

YOLO模型在视频监测中快速识别目标的应用研究

在线全文

学校读者我要写书评

暂无评论

视听 2021年第9期 204-205页

作者：陈旋广西广播电视监测中心

广播电视监测对于视频的监测存在目标不固定、样本少、时间紧的难点。本文探讨了计算机视觉领域的最新科技成果,选择YOLO模型作为该难点的解决办法,找出符合业务要求的模型训练策略。通过在真实的业务环境中检验,发现该模型在样本的数... 详细信息

广播电视监测对于视频的监测存在目标不固定、样本少、时间紧的难点。本文探讨了计算机视觉领域的最新科技成果,选择YOLO模型作为该难点的解决办法,找出符合业务要求的模型训练策略。通过在真实的业务环境中检验,发现该模型在样本的数量、样本标注的工作量、模型训练的耗时、设备的成本等方面均处于可接受范围内,具有较好的监测效果。

关键词：广电监测计算机视觉目标识别 YOLO模型

在线全文

学校读者我要写书评

暂无评论

基于YOLO模型的目标检测软件

科技视界 2019年第21期 118-119页

作者：但唐朋柴永磊姚祉含华中师范大学计算机学院

人工智能领域的发展拖动着社会的进步,而作为人工智能领域的重要部分,图像识别近年来受到了学术界与工业界的广泛关注。图像识别中的目标检测技术能够帮助人们实现自动驾驶、无人机导航、图像检索等应用。而YOLO模型的提出极大地提高了... 详细信息

人工智能领域的发展拖动着社会的进步,而作为人工智能领域的重要部分,图像识别近年来受到了学术界与工业界的广泛关注。图像识别中的目标检测技术能够帮助人们实现自动驾驶、无人机导航、图像检索等应用。而YOLO模型的提出极大地提高了目标检测任务的效率,使得我们可以在本地搭建起系统来完成实时目标检测。本文从YOLO模型出发,对比了基于YOLO模型的深度学习方法与传统目标检测算法的差异,并利用YOLO模型进行编程在桌面端实现了目标检测。

关键词：目标检测 YOLO模型应用实现

基于改进yolov5s模型的地铁屏蔽门与列车门间异物快速检测方法

在线全文

学校读者我要写书评

暂无评论

交通信息与安全 2023年第2期41卷 18-27页

作者：戴愿刘伟铭王珩谢玮龙科军华南理工大学土木与交通学院广州510641 深圳市地铁集团有限公司广东深圳518026 长沙理工大学交通运输工程学院长沙410114

快速准确地检测地铁屏蔽门与列车门间异物对于保障安全具有重要意义。针对当前地铁屏蔽门与列车门间异物检测方法的低效和不准确,提出了1种基于yolov5s模型的快速检测方法。由于原始yolov5s模型在检测异物时仅依赖于候选区域内部特征信... 详细信息

快速准确地检测地铁屏蔽门与列车门间异物对于保障安全具有重要意义。针对当前地铁屏蔽门与列车门间异物检测方法的低效和不准确,提出了1种基于yolov5s模型的快速检测方法。由于原始yolov5s模型在检测异物时仅依赖于候选区域内部特征信息而忽略了全局语义信息,因此引入全局语义模块来解决这一局限。该模块集成了非局部模块和压缩-激励模块:非局部模块采用自注意力机制建模像素对关系,捕获长局信息依赖;压缩-激励模块则起到降低模型计算量的作用。全局语义模块使得模型能够捕获全局语义信息并将其与局部信息相结合,以实现更好的异物检测,同时不会显著增加计算复杂度。此外,原始yolov5s模型中低效的Focus模块被1个完全由标准卷积单元构成的Stem模块所取代,有助于减少模型计算量和提高检测速度。使用桌面级显卡NVIDIA TITAN Xp,在从真实地铁站中采集构建而成的5854张地铁异物数据集,对模型进行验证,实验结果表明:(1)改进后的YOLO模型表现显著优于其它基准模型,检测速度达到385帧/s,相比原始yolov5s提升100%,相比最快的yolov3-SPP提升466%;(2)改进后的YOLO模型实现了88.5%的检测平均准确率,相比原始yolov5s提升0.5%,相比检测平均准确率最高的yolov3-SPP提升0.6%;(3)此外,改进后的YOLO模型仅占用空间14.4 MB的计算机存储空间,相比原始yolov5s减少0.7%,相比所占空间最小的SSD减少85%。

关键词：轨道交通智慧地铁异物检测 YOLO模型注意力机制