检索结果-南通市图书馆

应用yolo v4模型的赛道锥桶检测与识别方法

在线全文

学校读者我要写书评

暂无评论

机械设计与制造 2024年

作者：李强陶立波杨爱喜 Agyei PHILIP 浙江科技学院机械与能源工程学院浙江大学工程师学院

为快速检测与准确识别赛道锥桶，提出了一种基于yolo v4模型的赛道锥桶检测与识别方法。首先依据复杂多变的赛道场景采集了多张锥桶图像作为数据集原始数据，在工控机上进行锥桶数据集制作、训练和模型选取；然后搭建基于yolo v4模型的... 详细信息

为快速检测与准确识别赛道锥桶，提出了一种基于yolo v4模型的赛道锥桶检测与识别方法。首先依据复杂多变的赛道场景采集了多张锥桶图像作为数据集原始数据，在工控机上进行锥桶数据集制作、训练和模型选取；然后搭建基于yolo v4模型的锥桶检测与识别系统，选择三种较为常见赛道场景进行实车试验。试验结果表明，所提出的方法在不同光照条件下仍能快速检测并准确识别目标锥桶，特别是在锥桶较为密集且多个锥桶目标重叠的场景下，置信度达到0.91以上，具有较强的鲁棒性，且实时检测的平均帧率达到35f/s，能够满足无人驾驶方程式赛车对感知系统准确性和实时性的需求。

关键词：无人驾驶方程式赛车 yolo v4 赛道锥桶目标检测锥桶识别

基于改进yolo v4的自然场景下冬枣果实分类识别

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

江苏农业科学 2024年第1期52卷 163-172页

作者：刘天真苑迎春滕桂法孟惜河北农业大学信息科学与技术学院河北保定071001 保定学院信息工程学院河北保定071000 河北省农业大数据重点实验室河北保定071001 石家庄学院未来信息技术学院河北石家庄050035

为实现冬枣园机械化自动化采摘以及冬枣树精准化管理,针对自然场景下冬枣果实的快速、准确分类识别问题,提出一种基于yolo v4模型改进的冬枣果实分类识别模型CC-yolo v4。利用改进的CSP跨阶段部分连接结构和多尺度特征融合的CBAM卷积注... 详细信息

为实现冬枣园机械化自动化采摘以及冬枣树精准化管理,针对自然场景下冬枣果实的快速、准确分类识别问题,提出一种基于yolo v4模型改进的冬枣果实分类识别模型CC-yolo v4。利用改进的CSP跨阶段部分连接结构和多尺度特征融合的CBAM卷积注意力模块,减小网络规模的同时增强特征提取能力,改善果实分类识别的误检和遮挡目标的漏检情况;采用Softmax交叉熵损失函数代替Sigmoid二元交叉熵损失函数作为分类损失函数,引入EIoU损失函数代替CIoU损失函数作为边界框回归损失,进一步改善果实分类识别的误检并提升预测框精度。试验结果表明,CC-yolo v4模型对3类冬枣果实的查准率P均值为81.86%,平均检测精度均值mAP为82.46%,IoU均值为81.35%,模型参数量和大小分别为26.9 M和108 MB,检测速度可达28.8 F/s。与其他模型相比,本模型具有更好的分类识别能力、识别速度和较小的模型复杂度。在不同果实数量情况下进一步试验,本研究方法具有良好的精度和鲁棒性,对解决自然场景下冬枣果实的精准分类识别问题具有重要参考价值。

关键词：冬枣果实识别 yolo v4 损失函数自然场景

基于改进yolo v4的夜间车辆检测算法研究

在线全文

学校读者我要写书评

暂无评论

天津理工大学学报 2024年

作者：刘宏利佀永磊邵磊赵龙天津理工大学天津市新能源电力变换传输与智能控制重点实验室天津百利二通机械有限公司

针对夜间车辆复杂场景下检测率不足、模型体积较大的问题，提出了一种基于深度学习的MobileNet v2-yolo v4（M-yolo）算法。将yolo v4主干特征提取网络换为MobileNet v2、加强特征提取网络中普通卷积替换为深度可分离卷积，后在主干特... 详细信息

针对夜间车辆复杂场景下检测率不足、模型体积较大的问题，提出了一种基于深度学习的MobileNet v2-yolo v4（M-yolo）算法。将yolo v4主干特征提取网络换为MobileNet v2、加强特征提取网络中普通卷积替换为深度可分离卷积，后在主干特征提取网络尾部加入convolutional block attention module（CBAM）卷积注意力模块，此外对数据集进行自适应直方图均衡化增强图像车辆特征。通过实验验证本文算法识别平均精度达到了96.09%，相较于原始yolo v4算法提高了3.11个百分点。

关键词： yolo v4 模型优化卷积注意力模块

基于改进yolo v4的荔枝病虫害检测模型

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

农业机械学报 2023年第5期54卷 227-235页

作者：王卫星刘泽乾高鹏廖飞李强谢家兴华南农业大学电子工程学院(人工智能学院) 广州510642 广东省农业技术推广中心广州510520 广东省智慧果园科技创新中心广州510642

为实时准确地检测到自然环境下背景复杂的荔枝病虫害,本研究构建荔枝病虫害图像数据集并提出荔枝病虫害检测模型以提供诊断防治。以yolo v4为基础,使用更轻、更快的轻量化网络GhostNet作为主干网络提取特征,并结合GhostNet中的核心设计... 详细信息

为实时准确地检测到自然环境下背景复杂的荔枝病虫害,本研究构建荔枝病虫害图像数据集并提出荔枝病虫害检测模型以提供诊断防治。以yolo v4为基础,使用更轻、更快的轻量化网络GhostNet作为主干网络提取特征,并结合GhostNet中的核心设计引入更低成本的卷积Ghost Module代替颈部结构中的传统卷积,得到轻量化后的yolo v4-G模型。在此基础上使用新特征融合方法和注意力机制CBAM对yolo v4-G进行改进,在不失检测速度和模型轻量化程度的情况下提高检测精度,提出yolo v4-GCF荔枝病虫害检测模型。构建的数据集包含荔枝病虫害图像3725幅,其中病害种类包括煤烟病、炭疽病和藻斑病3种,虫害种类包括毛毡病和叶瘿蚊2种。试验结果表明,基于yolo v4-GCF的荔枝病虫害检测模型,对于5种病虫害目标在训练集、验证集和测试集上的平均精度分别为95.31%、90.42%和89.76%,单幅图像检测用时0.1671 s,模型内存占用量为39.574 MB,相比改进前的yolo v4模型缩小84%,检测速度提升38%,在测试集中检测平均精度提升4.13个百分点,同时平均精度比常用模型yolo v4-tiny、EfficientDet-d2和Faster R-CNN分别高17.67、12.78、25.94个百分点。所提出的yolo v4-GCF荔枝病虫害检测模型能够有效抑制复杂背景的干扰,准确且快速检测图像中荔枝病虫害目标,可为自然环境下复杂、非结构背景的农作物病虫害实时检测研究提供参考。

关键词：荔枝病虫害检测目标检测 yolo v4 轻量化

在线全文

学校读者我要写书评

暂无评论

基于梯度压缩的yolo v4算法车型识别

工程科学学报 2022年第5期44卷 940-950页

作者：牟亮赵红李燕仇俊政孙传龙刘晓童青岛大学机电工程学院青岛266071

为进一步提高智能交通系统对车辆及不同车型识别的泛化性、鲁棒性与实时性.根据检测区域的特征有针对性地构建数据集,改变余弦退火衰减(CD)学习率的更新方式,提出一种基于梯度压缩(GC)的Adam优化算法(Adam-GC)来提高yolo v4算法的训练... 详细信息

为进一步提高智能交通系统对车辆及不同车型识别的泛化性、鲁棒性与实时性.根据检测区域的特征有针对性地构建数据集,改变余弦退火衰减(CD)学习率的更新方式,提出一种基于梯度压缩(GC)的Adam优化算法(Adam-GC)来提高yolo v4算法的训练速度、检测精度以及网络模型的泛化能力.为验证改进后yolo v4算法的有效性,对实际路况的车流进行采集后,利用训练完成的网络模型对不同密度车流进行定量的车型检测实验验证.经实验验证,改进后方法的整体检测结果要优于改进前,yolo v4和yolo v4 GC CD训练得到的网络模型在阻塞流样本下检测得到的准确率分别为94.59%和96.46%;在同步流样本下检测得到的准确率分别为95.34%和97.20%;在自由流样本下检测得到的准确率分别为95.98%和97.88%.

关键词：梯度压缩学习率 Adam优化算法 yolo v4 车型识别

基于改进yolo v4的落叶松毛虫侵害树木实时检测方法

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2023年第4期54卷 304-312,393页

作者：林文树张金生何乃磊东北林业大学机电工程学院哈尔滨150040

针对two⁃stage网络模型训练成本高,无人机搭载的边缘计算设备检测速度低等问题,提出一种基于改进yolo v4模型的受灾树木实时检测方法,以提高对落叶松毛虫虫害树木的识别精度与检测速度。以黑龙江省大兴安岭地区呼玛县白银纳乡受落叶松... 详细信息

针对two⁃stage网络模型训练成本高,无人机搭载的边缘计算设备检测速度低等问题,提出一种基于改进yolo v4模型的受灾树木实时检测方法,以提高对落叶松毛虫虫害树木的识别精度与检测速度。以黑龙江省大兴安岭地区呼玛县白银纳乡受落叶松毛虫侵害的落叶松无人机图像为数据,利用LabelImg软件标注75~100 m的无人机图像,构建落叶松毛虫虫害树木图像数据集。将CSPNet应用于yolo v4模型的Neck架构,重新设计Backbone的特征提取网络———CSPDarknet53模型结构,并在CSPNet进行优化计算前的卷积中加入SENet以增加感受野信息,使其改变网络的深度、宽度、分辨率及网络结构,实现模型缩放,提高检测精度。同时,在PANet中使用CSPConvs卷积代替原有卷积Conv×5,最后经过yolo Head检测输出预测结果。将yolo v4 CSP网络模型部署至GPU进行训练,训练过程的内存降低至改进前的82.7%。再搭载至工作站进行测试,结果表明:改进的yolo v4 CSP网络模型在测试阶段对虫害树木检测的正确率为97.50%,相比于yolo v4的平均正确率提高3.4个百分点,模型精度接近目前主流two⁃stage框架Faster R CNN的98.75%;将改进的yolo v4 CSP网络模型搭载至Jetson nano边缘计算设备,检测速度达到4.17 f/s,高于yolo v4模型的1.72 f/s。基于yolo v4 CSP的检测模型可实现对受灾树木检测速度与精度的平衡,降低模型的应用成本,搭载至无人机可实现对森林虫害的实时监测。

关键词：落叶松毛虫实时监测无人机 yolo v4

基于改进yolo v4的生猪耳根温度热红外视频检测方法

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2023年第2期54卷 240-248页

作者：刘刚冯彦坤康熙中国农业大学智慧农业系统集成研究教育部重点实验室北京100083 中国农业大学农业农村部农业信息获取技术重点实验室北京100083 浙大宁波理工学院计算机与数据工程学院宁波315200

基于热红外视频的生猪体温检测过程中,视频中保育期生猪头部姿态变化大,且耳根区域小,导致头部和耳根区域定位精度低,影响生猪耳根温度的精准检测。针对以上问题,本文提出了一种基于改进yolo v4(Mish Dense yolo v4,MD-yolo v4)的生猪... 详细信息

基于热红外视频的生猪体温检测过程中,视频中保育期生猪头部姿态变化大,且耳根区域小,导致头部和耳根区域定位精度低,影响生猪耳根温度的精准检测。针对以上问题,本文提出了一种基于改进yolo v4(Mish Dense yolo v4,MD-yolo v4)的生猪耳根温度检测方法,构建了生猪关键部位检测模型。首先,在CSPDarknet-53主干网络中,添加密集连接块,以优化特征转移和重用,并将空间金字塔池化(Spatial pyramid pooling,SPP)模块集成到主干网络,进一步增加主干网络感受野;其次,在颈部引入改进的路径聚合网络(Path aggregation network,PANet),缩短多尺度特征金字塔图的高、低融合路径;最后,网络的主干和颈部使用Mish激活函数,进一步提升该方法的检测精度。试验结果表明,该模型对生猪关键部位检测的mAP为95.71%,分别比yolo v5和yolo v4高5.39个百分点和6.43个百分点,检测速度为60.21 f/s,可满足实时检测的需求;本文方法对热红外视频中生猪左、右耳根温度提取的平均绝对误差分别为0.26℃和0.21℃,平均相对误差分别为0.68%和0.55%。结果表明本文提出的基于改进yolo v4的生猪耳根温度检测方法,可以应用于热红外视频中生猪关键部位的精准定位,进而实现生猪耳根温度的准确检测。

关键词：热红外视频生猪耳根温度 yolo v4 密集连接网络

基于改进yolo v4的玉米种子外观品质检测方法

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2022年第7期53卷 226-233页

作者：范晓飞王林柏刘景艳周玉宏张君索雪松河北农业大学机电工程学院保定071001

针对玉米种子在外观品质检测中需要快速识别与定位的需求,提出了一种基于改进yolo v4的目标检测模型,同时结合四通道(RGB+NIR)多光谱图像,对玉米种子外观品质进行了识别与分类。为了减少改进后模型的参数量,本文将主干特征提取网络替换... 详细信息

针对玉米种子在外观品质检测中需要快速识别与定位的需求,提出了一种基于改进yolo v4的目标检测模型,同时结合四通道(RGB+NIR)多光谱图像,对玉米种子外观品质进行了识别与分类。为了减少改进后模型的参数量,本文将主干特征提取网络替换为轻量级网络MobileNet v1。为了进一步提升模型的性能,通过试验研究了空间金字塔池化(Spatial pyramid pooling,SPP)结构在不同位置上对模型性能的影响,最终选取改进yolo v4MobileNet v1模型对玉米种子外观品质进行检测。试验结果表明,模型的综合评价指标平均F1值和mAP达到93.09%和98.02%,平均每检测1幅图像耗时1.85 s,平均每检测1粒玉米种子耗时0.088 s,模型参数量压缩为原始模型的20%。四通道多光谱图像的光谱波段可扩展到可见光范围之外,并能够提取出更具有代表性的特征信息,并且改进后的模型具有鲁棒性强、实时性好、轻量化的优点,为实现种子的高通量质量检测和优选分级提供了参考。

关键词：玉米种子外观品质多光谱图像 yolo v4 MobileNet v1

基于改进yolo v4的群体棉种双面破损检测方法

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2022年第1期53卷 389-397页

作者：王巧华顾伟蔡沛忠张洪洲华中农业大学工学院武汉430070 农业农村部长江中下游农业装备重点实验室武汉430070

针对研究人员难以利用计算机视觉对棉种这类尺寸较小的物体进行双面检测,导致检测效果不佳的问题,设计了一款新型棉种检测分选装置,利用亚克力板在强光和白色背景下透明的特点,将棉种通过上料装置滑入透明亚克力板的凹槽中,随着转盘的转... 详细信息

针对研究人员难以利用计算机视觉对棉种这类尺寸较小的物体进行双面检测,导致检测效果不佳的问题,设计了一款新型棉种检测分选装置,利用亚克力板在强光和白色背景下透明的特点,将棉种通过上料装置滑入透明亚克力板的凹槽中,随着转盘的转动,同一批棉种的正反两面图像分别由2个不同位置的CCD相机采集得到。利用改进yolo v4的目标检测算法检测破损棉种,试验结果表明该方法建立的模型对群体棉种中的破损棉种和完好棉种的检测准确率达到95.33%、召回率为96.31%、漏检率为0,检测效果优于原yolo v4网络,实现了对双面群体棉种的破损识别,为后续脱绒棉种智能检测装备研发提供了技术支持。

关键词：脱绒棉种破损检测双CCD相机 yolo v4 图像识别