检索结果-南通市图书馆

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

基于异步交互聚合网络的港船作业区域人员异常行为识别

在线全文

学校读者我要写书评

暂无评论

交通信息与安全 2022年第2期40卷 22-29页

作者：陈信强郑金彪凌峻王梓创吴建军阎莹上海海事大学物流科学与工程研究院上海201306 上海海事大学商船学院上海201306 长安大学运输工程学院西安710064

港船作业区域人员的异常行为识别可为智能航运的管控与决策提供重要数据支撑,有利于推动智慧港口和智能船舶的发展。基于异步交互聚合网络开展了面向港船工作环境下的人员异常行为识别研究。基于YOLO模型对港船图像进行卷积操作,利用特... 详细信息

港船作业区域人员的异常行为识别可为智能航运的管控与决策提供重要数据支撑,有利于推动智慧港口和智能船舶的发展。基于异步交互聚合网络开展了面向港船工作环境下的人员异常行为识别研究。基于YOLO模型对港船图像进行卷积操作,利用特征金字塔优化卷积结果得到图像序列中每一帧的人员位置,结合联合学习检测和嵌入范式输出港船图像序列中的人、物体特征信息以及时序信息;利用异步交互聚合网络中的交互聚合结构更新特征池的多维度特征信息,以识别港区与船舶工作环境下的人员异常行为。实验结果表明:提出的港船作业区域人员异常行为识别方法的平均识别精度为91%,在港区工作环境下的人员异常行为识别精度为85%,在船舶驾驶台环境下,提出的异常行为识别框架对船员的不安全行为识别精度达到97%。所提出的识别框架在不同港船作业区域环境中都能获得较好的精度,验证了其有效性和可靠性。

关键词：交通工程自动化码头智能船舶异步交互聚合网络 YOLO模型异常行为识别

基于大数据驱动的农村电商产品自动化识别系统

在线全文

学校读者我要写书评

暂无评论

现代电子技术 2024年第4期47卷 59-64页

作者：崔巍李慧太原科技大学山西太原030024 山西工程职业学院山西太原030009

农村电子商务的发展和建设,为多样化的电商产品流向农村、服务农村提供了良好契机。促进农村电商产品推广和分销的同时,如何正确甄别面向农村的电商产品是否合适,通过电商产品的参数识别、统计进行分析,从而提高电商产品质量,降低管理... 详细信息

农村电子商务的发展和建设,为多样化的电商产品流向农村、服务农村提供了良好契机。促进农村电商产品推广和分销的同时,如何正确甄别面向农村的电商产品是否合适,通过电商产品的参数识别、统计进行分析,从而提高电商产品质量,降低管理电商产品成本,成为亟需解决的问题。电商产品在电商平台中的介绍往往以图像形式呈现,想要对电商产品进行参数识别,提取参数并进行统计分析,就需要一种时效性好、精确度高的自动化识别系统,针对此种问题,提出以大数据驱动为基础,依靠神经网络学习算法结合OCR技术的方式进行商品图像识别,保证在提高时效性的同时,提高图像识别的精确度。改进的识别系统以YOLO模型为基础依据,并针对其存在的不足进行了进一步优化。系统设计的部分包括检测模型的搭建、文字识别以及图片处理等。

关键词：电商产品识别自动化识别大数据驱动农村电子商务 OCR技术 YOLO模型

基于深度学习的光学遥感图像船舰目标检测研究

在线全文

学校读者我要写书评

暂无评论

基于深度学习的光学遥感图像船舰目标检测研究

作者：李晓芹河北科技大学

学位级别：硕士

船舶是重要的水上运输工具和军事目标,在海上运输日益繁忙的今天,高效、准确地对船舰进行管理对保障经济正常运行和领海安全具有重要意义。随着计算机硬件的发展和深度学习研究的深入,基于深度学习的目标检测无论是在精度还是速度方面... 详细信息

船舶是重要的水上运输工具和军事目标,在海上运输日益繁忙的今天,高效、准确地对船舰进行管理对保障经济正常运行和领海安全具有重要意义。随着计算机硬件的发展和深度学习研究的深入,基于深度学习的目标检测无论是在精度还是速度方面都远超传统算法。将深度学习应用于船舰目标检测,为海运交通的管理带来极大的方便,但存在小目标检测效果不佳,复杂背景对检测效果造成干扰等问题。本文对其进行了研究,针对目前出现的一些问题进行了改进,主要工作内容如下。1)介绍了船舰目标检测的研究背景和意义,对基于深度学习目标检测的算法进行了研究,分析了每个算法的优缺点。基于DIOR数据集制作了用于船舰目标检测的水平框数据集和旋转框数据集。2)使用yolo v5算法进行船舰目标检测,对三种边界框损失函数进行了对比,选择效果最优的对yolo v5算法进行了改进。引入了Mobile Net v3网络对yolo v5算法进行轻量化改进,同时引入了Focal Loss以平衡正负样本的数量。通过实验证明使用本文改进方法可以在精度损失很小的情况下大大提高模型的检测速度。3)使用yolo v5算法分别使用水平框和旋转框进行船舰目标检测。在基于水平框的船舰目标检测中,首先进行了对比实验,验证了yolo v5在同系列算法中的优越性。针对使用yolo v5进行船舰目标检测时出现的问题,本文进行了以下改进。一是在特征融合阶段引入了动态特征融合模块,赋予底层特征和高层特征不同的权重,以增强对小目标的检测能力。二是在主干提取网络中分别添加了两种注意力机制,并对其检测效果进行对比,选择效果较优的对网络进行改进。三是引入了多特征提取模块,在保证检测精度的同时使yolo v5的检测速度得到了提高。通过实验,本文提出的方法使得AP值提高了0.15个百分点,检测速度提高了3.79FPS。证明了本文改进的有效性。此外,本文还使用了旋转框对船舰目标进行了检测,引入了环形平滑标签,并将对于水平框目标检测的改进方法应用到旋转框目标检测中,通过实验证明旋转框能够更好地完成对船舰目标的检测,本文提出的改进措施对于旋转框船舰目标检测方法同样有效。

关键词：深度学习目标检测船舰检测 YOLO模型注意力机制旋转框

基于改进yolo的复杂场景车辆检测算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进YOLO的复杂场景车辆检测算法研究

作者：宋滢锟浙江理工大学

学位级别：硕士

随着我国经济飞速发展,车辆保有率逐年增加,交通密度增大,导致道路拥堵和交通事故频发。如何利用有限的人力资源条件满足高负荷的交通管理需求是一个亟需解决的问题。为解决这一问题,众多学者在深度学习和计算机硬件发展的基础上,提出... 详细信息

随着我国经济飞速发展,车辆保有率逐年增加,交通密度增大,导致道路拥堵和交通事故频发。如何利用有限的人力资源条件满足高负荷的交通管理需求是一个亟需解决的问题。为解决这一问题,众多学者在深度学习和计算机硬件发展的基础上,提出了智慧交通和无人驾驶等解决方案。车辆检测作为智慧交通和自动驾驶的关键技术,是一个研究热点。车辆检测依赖目标检测模型来精准地识别不同图片中车辆的位置和类别信息。从两阶段到单阶段目标检测模型,模型的检测速度和准确率不断提高,但在检测小尺寸车辆和复杂场景中的车辆时,仍然存在着性能方面的不足。本文对现阶段先进的车辆检测模型进行了总结和探究,并进行了改进和创新。主要工作如下:(1)为了减少车辆检测过程中出现的漏检和误检现象,对图像中不同尺度的物体进行更好地检测,本文提出了一种基于yoloX-s模型改进的车辆检测算法MEB-yolo。首先使用Mosaic+Mixup数据增强方法对数据集进行处理,增加小目标的数量,丰富背景信息,提高模型的鲁棒性;其次,在骨干网络中融入ECA注意力机制,减少了复杂的背景信息对于检测效果的影响;最后使用Bi FPN作为特征融合网络,提高了模型融合高层特征的能力。经过在UA-DETRAC数据集和KITTI数据集上进行大量的实验,结果表明MEB-YOLO模型的检测性能优于对比方法。(2)为了能够让模型更好地实时检测更为复杂的工厂、农村、工地等场景上的车辆,我们收集到了3万多张上述场景下的图像与UA-DETRAC数据集结合作为一个新的数据集。本文基于yolov7模型提出了一个新的的车辆检测算法SMA-yolo。首先使用Mobile Net V3作为新的特征提取网络来将模型轻量化,接下来使用Sim AM注意力机制来减少背景信息对于检测效果的影响,此外还使用ACON激活函数替换yolov7模型中初始的Si LU激活函数,最后使用SIo U替换CIo U来优化损失函数。这个模型达到了模型轻量化的效果,显著地减少了模型的大小、计算量和参数量,并有效地提升了模型的检测速度和精度,为将车辆检测模型部署到嵌入式设备上进行实时检测提供了可行性。

关键词：深度学习车辆检测复杂交通场景卷积神经网络 YOLO模型

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

道路监控场景下渣土车苫盖检测方法研究

道路监控场景下渣土车苫盖检测方法研究

作者：廖云飞北京交通大学

学位级别：硕士

渣土车苫盖问题在城市环境和空气质量管理中不可忽视。虽然深度学习已经在各领域中得到应用,但基于深度学习的渣土车苫盖检测研究匮乏。在复杂的道路监控场景中实时检测渣土车存在着一定的挑战,如苫盖部位聚集遮挡、不同苫盖类别特征相... 详细信息

渣土车苫盖问题在城市环境和空气质量管理中不可忽视。虽然深度学习已经在各领域中得到应用,但基于深度学习的渣土车苫盖检测研究匮乏。在复杂的道路监控场景中实时检测渣土车存在着一定的挑战,如苫盖部位聚集遮挡、不同苫盖类别特征相似等问题都影响检测的准确性。此外,渣土车苫盖检测领域缺乏可用于研究的数据集。针对渣土车苫盖检测领域的诸多挑战,本文基于深度学习方法识别道路监控录像中苫盖不严的渣土车,主要进行了以下的研究工作:(1)构建了渣土车苫盖检测数据集CPST。渣土车苫盖检测数据集匮乏,本文从现有监控站点资源和互联网媒体图像中采集数据,数据筛选后使用label Img软件进行标注,并基于此进行了数据集划分和数据增广,构建了一个渣土车苫盖数据集CPST,为渣土车苫盖检测提供了必要的研究基础。(2)在道路车流量大或交通堵塞场景下,多辆渣土车聚集在一起导致部分渣土车的苫盖部位被遮挡,模型容易出现漏检。本文提出一种基于注意力机制和非极大值抑制的渣土车苫盖检测模型,加强了模型对聚集场景的捕捉,缓解了苫盖部位相互遮挡下的漏检问题。在数据集CPST上开展实验并对实验结果进行了深入的分析,同时与现有目标检测网络相比,验证了本文方法的有效性。(3)道路监控场景下物体元素繁多且背景复杂,使得特征图金字塔融合过程中不同层级特征之间原本就存在的不一致性进一步放大,导致模型出现漏检和虚检。此外,不同类别样本的特征相似,难以区分,且苫盖部位难以定位,模型的检测能力还有待提高。本文提出了一种有效的特征融合策略应对梯度不一致问题,同时设计了上下文解耦模块融入yolov5,增强了模型的分类能力和定位能力。在数据集CPST上验证了提出模型的有效性,同时与经典和最新的目标检测网络相比,验证了提出方法有更好的鲁棒性。

关键词：渣土车苫盖深度学习目标检测 YOLO模型

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于机器视觉的下茧实时检测方法研究

基于机器视觉的下茧实时检测方法研究

作者：杨宏宽昆明理工大学

学位级别：硕士

在蚕茧加工过程中需按制丝工艺的要求对不能或很难缫丝的下茧进行剔除,从而提高茧丝质量,但目前下茧检测主要依赖人工目测,不利于下茧客观评判和高效检测。针对上述问题,本文提出采用机器视觉的检测方法代替人工检测下茧,主要研究内容如... 详细信息

在蚕茧加工过程中需按制丝工艺的要求对不能或很难缫丝的下茧进行剔除,从而提高茧丝质量,但目前下茧检测主要依赖人工目测,不利于下茧客观评判和高效检测。针对上述问题,本文提出采用机器视觉的检测方法代替人工检测下茧,主要研究内容如下:(1)搭建下茧检测图像采集系统并建立下茧检测数据集。首先,合理选择下茧图像采集系统的软硬件平台;然后,根据图像采集系统成像的景深为线阵扫描相机选择合适的拍摄距离,并通过采样频率的计算进一步配置图像采集系统的参数;最后,用采集得到的线阵图像合成面阵图像,并对图像进行扩充和标注构建下茧检测数据集。(2)设计基于模型通道剪枝与感受野增强的下茧实时检测模型。以yolov3目标检测模型为基础模型,通过K-means聚类分析出适用于下茧检测的候选框以预置yolov3模型参数;根据预设的剪枝率对稀疏化训练后的模型进行基于批量正则化层缩放因子的模型通道剪枝,以此压缩模型权重大小;在剪枝后的模型中嵌入感受野模块,使模型的感受野变大,增强模型的辨别能力和鲁棒性。最终得到的yolov3-MC-RFB下茧实时检测模型权重大小为52.10M,平均检测速度达到48.86帧/s,平均检测精度为94.08%,较原yolov3基础模型模型权重大小压缩了77.74%,平均检测速度提升了19.18帧/s,平均检测精度提高了6.60%。(3)设计基于轻型调控网络的下茧实时检测模型。以yolov4目标检测模型为基础模型,通过K-means算法对下茧检测数据集聚类分析来预置模型候选框参数提升模型精度;采用模型深度调控的方法进行模型压缩,以降低模型权重大小,提升模型速度;设计轻量级卷积模块构建轻量级特征提取网络进一步提升模型的速度。最终得到的yolov4-DM-LCM下茧实时检测模型模型权重大小为145.00M,平均检测速度达到49.37帧/s,平均检测精度为95.55%,较原yolov4基础模型模型权重大小压缩了40.82%,平均检测速度提升了23.61帧/s,平均检测精度提高了1.87%。(4)下茧实时检测模型的嵌入式平台部署。将yolov3-MC-RFB和yolov4-DM-LCM下茧实时检测模型在Jetson Nano B01嵌入式实验平台上进行部署测试。通过对比分析yolov3-MC-RFB和yolov4-DM-LCM在嵌入式实验平台上的检测效果,选取yolov4-DM-LCM模型作为完成下茧实时检测任务的深度学习模型。本文为研制下茧实时检测设备提供图像采集系统设计依据以及有效的黄斑茧、瘪茧、薄皮茧、特小茧实时检测深度学习算法。

关键词：下茧实时检测 YOLO模型聚类分析模型压缩

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的复杂情况下行人检测方法研究

基于深度学习的复杂情况下行人检测方法研究

作者：刘杰青岛理工大学

学位级别：硕士

行人检测是计算机视觉的一个重要研究分支,使用检测算法判断图像中是否存在行人目标,如果存在,标记出行人的准确位置。近年来,随着计算机硬件、深度学习以及卷积神经网络的快速发展,行人检测技术在智能安防、智能驾驶和智能机器人等多... 详细信息

行人检测是计算机视觉的一个重要研究分支,使用检测算法判断图像中是否存在行人目标,如果存在,标记出行人的准确位置。近年来,随着计算机硬件、深度学习以及卷积神经网络的快速发展,行人检测技术在智能安防、智能驾驶和智能机器人等多个领域得到广泛应用。现实生活中,进行行人检测时存在行人尺度姿态多样、行人被遮挡、光线不均匀、背景干扰等众多的影响因素。其中,行人尺度姿态多样和行人被遮挡是本论文的研究重点。一方面,图像中行人目标的尺寸往往会影响检测模型的准确率,当行人尺寸较小时,绝大多数的检测模型很难检测出这类行人,而且实际生活中的行人还会有多种多样的姿态,这也增加了检测难度。另一方面,行人目标被其他行人或物体遮挡时,其轮廓边缘等特征信息会发生改变,多个行人的特征也会重叠在一起,导致误检漏检情况的出现。本文针对上述问题,在基础模型yolo上进行改进,主要工作内容如下。(1)获取并处理带有行人目标的图像数据集。使用监控摄像机采集视频数据样本,而后将视频样本按照帧切成一幅幅图像,标注出图像中的行人。对于图像中的行人缺乏多样化的问题,使用数据增强的处理办法进行扩充,以完成复杂情况下行人数据集的制作。(2)改进yolov4模型并进行行人检测。首先,优化的k-means算法分析训练集中真实框的尺寸,进而明确先验框大小;其次,改进PANet进行多尺度特征融合,使检测模型对多尺度、多姿态行人目标更加敏感,提高检测效果;最后,对于行人被遮挡从而影响检测的问题,以yolov4原有损失函数为基础,引入使预测框尽可能靠近自身目标且排斥远离错误目标的斥力损失函数。改进的行人检测模型的检测结果同Faster R-CNN、SSD和原始yolov4模型进行比较。(3)改进yolov5模型并进行行人检测。首先,输出主干网络中四个有效层的特征,从而获得更多小目标行人的定位信息;其次,在四个有效层上引入多路径聚合神经结构搜索网络,充分利用各个尺度的特征提高模型对多尺度、多姿态行人的敏感度;最后,使用同时基于像素和模态的改进的可见性引导非极大值抑制,提高行人严重拥挤被遮挡情况下模型的检测性能。通过与Faster R-CNN、SSD、yolov4和原始yolov5模型进行对比,证明所提出的改进方法具有更好的检测精度,现实场景中行人的检测结果可以看出,本文提出的行人检测模型能够满足实际生活中复杂情况下行人检测的要求。

关键词：深度学习行人检测 YOLO模型特征融合斥力损失函数非极大值抑制

基于计算机视觉的PIN锁屏密码破解机制研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于计算机视觉的PIN锁屏密码破解机制研究

作者：昝晓勇西安电子科技大学

学位级别：硕士

监控摄像头目前已被广泛应用于公共或私人场所,并在安防活动中扮演着重要的角色,但其带来的隐私安全问题也不能被忽视。监控摄像头通常被安装在酒店前台,超市收银台或售票处等公共场合的角落。在这些场合下,用户输入个人识别码(PIN)解... 详细信息

监控摄像头目前已被广泛应用于公共或私人场所,并在安防活动中扮演着重要的角色,但其带来的隐私安全问题也不能被忽视。监控摄像头通常被安装在酒店前台,超市收银台或售票处等公共场合的角落。在这些场合下,用户输入个人识别码(PIN)解锁或付款的过程可能会在有意或无意中暴露。一旦PIN被破解将会给用户带来严重的隐私泄漏问题和财产损失,然而,几乎没有监控设备的制造商意识到这一隐患。PIN是一种传统的基于知识的认证方式,拥有简单易用,便于输入的特点,因此目前仍广泛应用于手机锁屏、移动支付等场景。已有安全研究人员展示了各种针对传统密码认证方式的侧信道攻击,其中基于视频侧信道的攻击已被证实能够破解PIN码,但因其适用场景的局限性和高成本而未能受到广泛的重视。因此,本文提出了公共场合摄像头下的攻击模型,设计并实现一个用于PIN识别的自动攻击系统。本文的贡献如下:(1)提出了一种基于计算机视觉的PIN锁屏密码破解方案。首先使用基于深度学习的目标检测算法yolov3,训练模型并结合阈值判断使得方案可以自动在视频中检测解锁片段,并结合LK光流算法完成对解锁手指的追踪与运动参数计算;其次,根据手机锁屏界面的通用布局特性,利用局部的数字键位置信息去计算键盘整体布局,因此方案对解锁设备的型号没有限制,同时结合仿射映射的原理,完成键盘遮挡情况下的整体位置估算;最后,设计加分窗口机制,利用指尖的位置信息与运动参数判断按键输入状态,计算解锁流程中的整体输入序列,并根据得分输出最有可能的PIN序列。(2)所提出方案的仿真实现。针对装有监控摄像头且手机解锁频率较高的公共场合,模拟搭建了室内场景,并征集志愿者完成了不同距离、角度和解锁姿态下的实验,以充分评估方案的可行性与影响因素。实验结果表明,使用拍摄性能较好的手机摄像头在1米左右拍摄时,1次尝试的成功率可达到100%。在2米和3米处拍摄时,3次尝试内的识别成功率能保持在85%以上。使用常见的家用监控摄像头在2米左右拍摄时,3次尝试内的成功率也能够达到85%以上,这足以提醒用户注意公共场所的隐私泄露风险。实验最后也对方案的适用性进行了研究,扩展了移动支付界面下支付密码输入的场景。(3)提出了一种针对锁屏破解的防御手段。本文分析了方案得以实施的关键条件,并据此给出不同的防御建议,同时提出了一种作用于摄像头源视频的处理方法,方法同样使用yolo算法去识别解锁流程并提供具体的脱敏操作,经过处理的视频能够有效防御本文方案和其他视频侧信道攻击。

关键词：手机PIN锁屏 YOLO模型 LK光流算法视频侧信道摄像头