检索结果-南通市图书馆

基于yolo_v3和Tesseract5.0的高铁摩擦片编码识别算法研究

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 2020年第6期36卷 24-28,41页

作者：李文龙汪日伟天津理工大学计算机科学与工程学院天津300384

为了解决高铁摩擦片编码识别应用中的字符区域分割和方向矫正问题,本文提出了基于yolo_v3和Tesserac5.0的字符识别算法.首先,利用yolo_v3网络截取含有字符的感兴趣区域,其次利用本文提出的单行字符矫正算法对图像进行矫正.最后,将灰度... 详细信息

为了解决高铁摩擦片编码识别应用中的字符区域分割和方向矫正问题,本文提出了基于yolo_v3和Tesserac5.0的字符识别算法.首先,利用yolo_v3网络截取含有字符的感兴趣区域,其次利用本文提出的单行字符矫正算法对图像进行矫正.最后,将灰度化、阈值化后的字符图像输入到基于长短期记忆网络的Tesseract5.0算法中实现字符识别.实验结果表明,本算法有效解决了字符区域提取的问题,并解决了单行字符无法使用方向检测的问题.与传统算法相比具有较好的鲁棒性和较高的精度.

关键词： yolo_v3 Tesseract5.0 角度纠正

基于改进yolo_v3算法的车辆轮胎紧固件检测方法优化

在线全文

学校读者我要写书评

暂无评论

汽车实用技术 2024年第6期49卷 78-83页

作者：张宝玉江苏食品药品职业技术学院智能制造学院江苏淮安223003

轮胎拆装是汽修行业修补轮胎必要步骤之一,由于重型货车轮胎过重导致工人腰椎受到严重损伤。现将EfficientNet-B4轻量型网络结构算法替换yolo_v3算法的主干部分(DarkNet-53),从而实现各类车型轮胎紧固件的识别。替换后的网络参数大量减... 详细信息

轮胎拆装是汽修行业修补轮胎必要步骤之一,由于重型货车轮胎过重导致工人腰椎受到严重损伤。现将EfficientNet-B4轻量型网络结构算法替换yolo_v3算法的主干部分(DarkNet-53),从而实现各类车型轮胎紧固件的识别。替换后的网络参数大量减少,紧固件样本训练速度加快。yolo_v3使用二分类交叉熵损失函数对正负样本分类并计算损失,现使用Focal loss分类损失函数替换二分类交叉熵损失函数,从而提出一种新的神经网络模型(yolo_v3-Nut)。实验结果表明,yolo_v3-Nut模型在训练与识别速度特性上都更优于yolo_v3模型,且文中的模型结构比yolo_v3模型储存空间减少了43.01%,算法平均准确率(MAP)为93.2%,同时检测速度为36 fps,足够完成各类车型轮胎紧固件的识别。

关键词：轮胎紧固件 yolo_v3 EfficientNet 自动拆卸分类损失函数

在线全文

学校读者我要写书评

暂无评论

基于yolo_v3的UL标签识别方案

工业控制计算机 2022年第8期35卷 72-74页

作者：王澜斌福州大学电气工程与自动化学院福建福州350108

由于PCB电路板中UL标签的不规范标记与使用,给PCB印刷厂商造成监管困难的问题。因此,提出了一种基于yolo_v3算法的UL标签检测方案。方案通过收集并制作了含有UL标签的图像数据集,对训练样本进行变化扩充后,使用yolo_v3网络进行训练与检... 详细信息

由于PCB电路板中UL标签的不规范标记与使用,给PCB印刷厂商造成监管困难的问题。因此,提出了一种基于yolo_v3算法的UL标签检测方案。方案通过收集并制作了含有UL标签的图像数据集,对训练样本进行变化扩充后,使用yolo_v3网络进行训练与检测。实验表明,该方法在复杂且干扰性强的PCB内UL标签检测过程具有较强的鲁棒性和有效性,可以精确且快速地完成UL标签的检测。

关键词：计算机视觉 yolo_v3 PCB UL标签

基于yolo_v3神经网络的高压线路上鸟巢识别研究

在线全文

学校读者我要写书评

暂无评论

冶金管理 2020年第7期 41-42页

作者：李锐王忠塬长春理工大学电子信息工程学院

在高压线路上的鸟类筑巢行为会对电网安全造成严重影响。传统的人工巡检鸟巢的方式耗时费力。针对输电线路上的鸟巢的检测识别进行了研究,提出了深度卷积神经网络yolo_v3的识别检测方法,对yolo_v3网络进行改进。使用k-means算法对鸟巢... 详细信息

在高压线路上的鸟类筑巢行为会对电网安全造成严重影响。传统的人工巡检鸟巢的方式耗时费力。针对输电线路上的鸟巢的检测识别进行了研究,提出了深度卷积神经网络yolo_v3的识别检测方法,对yolo_v3网络进行改进。使用k-means算法对鸟巢候选区域维度聚类,同时进行多尺度网络检测。在网络模型训练中,采用批量梯度下降法训练,并且对数据集扩充,提高网络的泛化能力。

关键词：高压线路卷积神经网络 yolo_v3 k-means算法

Abnormal Behavior Detection and Recognition Method Based on Improved ResNet Model

在线全文

学校读者我要写书评

暂无评论

Computers, Materials & Continua 2020年第12期65卷 2153-2167页

作者： Huifang Qian Mengmeng Zheng Xuan Zhou School of Electronics and Information Xi’an Polytechnic UniversityXi’an710048China

The core technology in an intelligent video surveillance system is that detecting and recognizing abnormal behaviors timely and *** key breakthrough point in recognizing abnormal behaviors is how to obtain the effective features of the picture,so as to solve the problem of recognizing *** response to this difficulty,this paper introduces an adjustable jump link coefficients model based on the residual *** effective coefficients for each layer of the network can be set after using this model to further improving the recognition accuracy of abnormal behavior.A convolution kernel of 1×1 size is added to reduce the number of parameters for the purpose of improving the speed of the model in this *** order to reduce the noise of the data edge,and at the same time,improve the accuracy of the data and speed up the training,a BN(Batch Normalization)layer is added before the activation function in this *** paper trains this network model on the public ImageNet dataset,and then uses the transfer learning method to recognize these abnormal behaviors of human in the UTI behavior dataset processed by the yolo_v3 target detection *** the same experimental conditions,compared with the original ResNet-50 model,the improved model in this paper has a 2.8%higher accuracy in recognition of abnormal behaviors on the public UTI dataset.

关键词： ResNet abnormal behavior recognition yolo_v3 adjustable jump link coefficients model standard normal distribution

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

基于深度学习的桥梁裂缝检测方法研究

基于深度学习的桥梁裂缝检测方法研究

作者：余波西安科技大学

学位级别：硕士

近年来,公路桥梁的建设得到了迅猛的发展,然而由于桥梁养护技术的滞后,导致很多桥梁存在安全隐患,目前传统的人工检测已经无法满足众多桥梁的检测需求。近年来,借助无人机和机器人技术,搭载高清摄像头对桥梁关键部位进行检查,获取桥梁... 详细信息

近年来,公路桥梁的建设得到了迅猛的发展,然而由于桥梁养护技术的滞后,导致很多桥梁存在安全隐患,目前传统的人工检测已经无法满足众多桥梁的检测需求。近年来,借助无人机和机器人技术,搭载高清摄像头对桥梁关键部位进行检查,获取桥梁裂缝图像,通过图像对裂缝病害进行检测已成为主要发展方向。本文采用深度学习中广泛应用的卷积神经网络对裂缝图像进行检测研究,将卷积神经网络中的图像分类、目标检测、语义分割分别应用于桥梁裂缝检测领域。对网络进行轻量化改进,使其能够搭载到移动设备上,为下一步采用桥梁检测机拍摄图像的自动识别奠定了基础,具体研究内容如下:(1)针对桥梁裂缝检测问题,提出了新型的桥梁检测平台,然后为利用卷积神经网络实现裂缝的检测,建立了裂缝图像数据集,采用人工和软件标注的方式对裂缝图像属性、具体裂缝位置进行标注。分别制作了桥梁裂缝图像分类数据集、目标检测数据集和语义分割数据集,为后期裂缝检测算法的研究建立了数据基础。(2)针对网络轻量化的需求,建立基于MobileNet3的分类网络。对网络训练中的超参数进行优化,并通过迁移学习方式进行网络训练得到最终模型。通过滑窗的方式对裂缝图像进行扫描,将含有裂缝的窗口区域保留,实现裂缝的检测。(3)针对分类方式检测滑窗大小难以确定的问题,提出了基于先验框回归的yolo3的裂缝检测方法。采用单图像单目标标记和单图像多目标标记进行对比实验,对于网络结构冗余,采用深度可分离卷积和注意力机制进行结构改进,保证网络检测性能的同时降低参数量。对于检测过程中容易出现漏检和误检现象,采用完全交并比(Complete Intersection over Union,CIoU)和柔性非极大值抑制(Soft Non-Maximum Suppression,Soft-NMS)进行改进,降低了漏检和误检率。(4)为了评价裂缝病害的严重程度,需要对裂缝参数进行计算,因此需要准确的将裂缝像素点从图像中提取出来,文中将MobileNet3网络与语义分割网络中的U-Net网络进行结合得到轻量化的语义分割网络,实现裂缝的像素级分割,可以有效区分裂缝像素点和背景噪声像素点。

关键词：桥梁裂缝检测裂缝图像分类 yolo_v3 注意力机制图像分割

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

基于时空与或图的人类活动预测算法

基于时空与或图的人类活动预测算法

作者：蒋成亮西安电子科技大学

学位级别：硕士

由于人类活动具有非马尔可夫性,并且人类活动背景日趋复杂,为了确保人们的安全,人们在很多地方都安装摄像头,但是仅仅通过摄像头只能起到监控作用,并不能完全避免危险的发生。近年来,学者们提出的人类活动分层表示模型,为人类活动预测... 详细信息

由于人类活动具有非马尔可夫性,并且人类活动背景日趋复杂,为了确保人们的安全,人们在很多地方都安装摄像头,但是仅仅通过摄像头只能起到监控作用,并不能完全避免危险的发生。近年来,学者们提出的人类活动分层表示模型,为人类活动预测和危险预警提供了新思路。本文以精确的目标跟踪检测方法为基础,通过构建不同场景下的人类活动表示模型来进行活动预测,而且活动预测可以让人们提前预防危险,在人们的生活中意义重大。在本文中,使用时空与或图（ST-AOG）模型来捕捉事件的语法结构,时空与或图是由表示人类子活动的时间随机语法构建的时间与或图（T-AOG）和表示视频中目标间相互关系的空间与或图（S-AOG）组成。本文通过对不同场景视频下的目标进行跟踪检测,然后进行子活动分析提取,进而获得整个检测视频的事件描述,最后使用时间语法和Earley解析算法预测未来的子活动,从而实现人类活动预测。具体工作如下:首先,在不同的场景下对感兴趣的目标进行跟踪检测。由于检测的精确性会影响跟踪的准确性,所以对于目标检测技术,本文使用yolo＿v3进行目标检测,可以保证目标检测的精确度和实时性,然后使用多目标跟踪方法DeepSort进行目标跟踪,DeepSort延续了Sort中卡尔曼滤波加匈牙利算法的思路,在这个基础上增加了深度外观评价指标和外观信息,以实现较长时间遮挡的目标跟踪,减少目标id的切换次数。通过yolo＿v3+DeepSort进行目标跟踪来改进空间与或图（S-AOG）。其次,基于改进的空间与或图和基于随机时间语法的时间与或图共同构建时空与或图（ST-AOG）。本文将空间与或图（S-AOG）的根节点作为时间与或图的叶子节点,然后使用上下文随机语法模型来分析场景中的事件,获得事件的分层组合模型时间与或图（T-AOG）,进而得到特殊场景下表示人类活动的时空与或图模型。通过对视频中不同目标间关系进行分析,对每个场景定义不同的子活动,根据相似三角形的方法来计算图像坐标的实际位置,从而计算出视频中目标的运动速度,然后使用本文提出的子活动提取算法来获得子活动标签,将检测到的视频中感兴趣目标的子活动作为输入,通过时空与或图（ST-AOG）和Earley解析算法来预测未来子活动,获得事件最优解析树预测人类活动,并且在特殊场景下进行危险预警。最后,在不同场景视频下使用本文算法提取子活动来进行人类活动预测,并且对提取的子活动标签构建混淆矩阵,实验证明本文的人类活动预测算法的子活动提取准确度可达90%左右,人类活动预测结果也与实际视频中人类活动相符。

关键词： yolo_v3 DeepSort 时空与或图(ST-AOG) Earley解析算法