检索结果-南通市图书馆

基于改进YOLOv4模型的番茄成熟度检测方法

在线全文

学校读者我要写书评

暂无评论

食品与机械 2023年第9期39卷 134-139页

作者：吕金锐付燕倪美玉曹为刚杜子涛太原城市职业技术学院山西太原030027 西安科技大学陕西西安710054 浙江金华科贸职业技术学院浙江金华321019 河北工业大学天津300401

目的:解决现有番茄成熟度检测方法存在的检测精度低和模型参数量多等问题。方法:基于番茄图像采集系统,提出了一种改进的YOLOv4模型用于番茄成熟度自动检测。将轻量级网络MobileNetv3网络引入模型替换CSPDarkNet53网络,降低模型复杂度。... 详细信息

目的:解决现有番茄成熟度检测方法存在的检测精度低和模型参数量多等问题。方法:基于番茄图像采集系统,提出了一种改进的YOLOv4模型用于番茄成熟度自动检测。将轻量级网络MobileNetv3网络引入模型替换CSPDarkNet53网络,降低模型复杂度。在SPP模块中采用平均池化替代最大池化,提高算法对小目标的检测精度。在上采样过程中引入注意力机制CBAM增强深浅层特征融合能力,并通过试验验证所提模型的可行性。结果:与常规方法相比,试验方法在番茄成熟度检测中具有较高的检测mAP值和运行效率,且模型参数量较少,mAP值为92.50%,检测速度为37.1 FPS,模型参数量为48 M。结论:该番茄成熟度检测方法能有效降低模型参数和检测时间,具有较高的检测mAP值。

关键词：番茄成熟度 YOLOv4模型 MobileNetv3网络注意力机制CBAM 平均池化

在线全文

学校读者我要写书评

暂无评论

基于改进YOLOv4模型的茶叶病害识别

西北农林科技大学学报（自然科学版） 2023年第9期51卷 145-154页

作者：孙道宗刘欢刘锦源丁郑谢家兴王卫星华南农业大学电子工程学院(人工智能学院) 广东广州510642 广东省农情信息监测工程技术研究中心广东广州510642

【目的】提出了一种改进的YOLOv4模型,为自然环境下3种常见茶叶病害(茶白星病、茶云纹叶枯病和茶轮斑病)的快速精准识别提供支持。【方法】使用MobileNetv2和深度可分离卷积来降低YOLOv4模型的参数量,并引入卷积注意力模块对YOLOv4模型... 详细信息

【目的】提出了一种改进的YOLOv4模型,为自然环境下3种常见茶叶病害(茶白星病、茶云纹叶枯病和茶轮斑病)的快速精准识别提供支持。【方法】使用MobileNetv2和深度可分离卷积来降低YOLOv4模型的参数量,并引入卷积注意力模块对YOLOv4模型进行识别精度改进。采用平均精度、平均精度均值、图像检测速度和模型大小作为模型性能评价指标,在相同的茶叶病害数据集和试验平台中,对改进YOLOv4模型与原始YOLOv4模型、其他目标检测模型(yolov3、SSD和Faster R-CNN)的病害识别效果进行对比试验。【结果】与原始YOLOv4模型相比,改进YOLOv4模型的大小减少了83.2%,对茶白星病、茶云纹叶枯病和茶轮斑病识别的平均精度分别提高了6.2%,1.7%和1.6%,平均精度均值达到93.85%,图像检测速度为26.6帧/s。与yolov3、SSD和Faster R-CNN模型相比,改进YOLOv4模型的平均精度均值分别提高了6.0%,13.7%和3.4%,图像检测速度分别提高了5.5,7.3和11.7帧/s。【结论】对YOLOv4模型所使用的改进方法具备有效性,所提出的改进YOLOv4模型可以实现对自然环境下3种常见茶叶病害的快速精准识别。

关键词：茶白星病茶云纹叶枯病茶轮斑病 YOLOv4模型茶叶病害识别

基于改进YOLOv4模型的无人机巡检图像杆塔缺陷检测方法研究

在线全文

学校读者我要写书评

暂无评论

电测与仪表 2023年第10期60卷 155-160页

作者：陈杰安之焕唐占元卢志超国网青海省电力公司经济技术研究院西宁810000

针对现有输电线路无人机巡检图像缺陷检测方法存在的精度低、耗时长等问题,为了实现输电线路杆塔鸟巢的快速和准确识别,基于无人机巡检图像采集与处理系统,提出了一种改进的YOLO4模型用于输电线路杆塔图像的鸟巢检测。采用轻型MobileNe... 详细信息

针对现有输电线路无人机巡检图像缺陷检测方法存在的精度低、耗时长等问题,为了实现输电线路杆塔鸟巢的快速和准确识别,基于无人机巡检图像采集与处理系统,提出了一种改进的YOLO4模型用于输电线路杆塔图像的鸟巢检测。采用轻型MobileNetV2网络替换CSPDarkNet53网络,提高特征提取速度,在SPP模块中采用平均池化替换最大池化,提高算法对小目标的检测精度,引入注意力机制CBAM增强特征表达。通过试验验证了所提方法的可行性和优越性。结果表明,所提方法与常规检测方法相比,在输电线路杆塔图像缺陷检测中具有更优的检测精度和速度,检测精度达到94.40%,检测速度为60 FPS。所提研究为输电线杆塔缺陷检测方法的发展提供了一定的参考。

关键词：输电线路杆塔鸟窝无人机巡检 YOLOv4模型注意力机制CBAM MobileNetV2网络

基于改进YOLOv4模型的车辆检测识别研究

在线全文

学校读者我要写书评

暂无评论

基于改进YOLOv4模型的车辆检测识别研究

作者：王泽文西安石油大学

学位级别：硕士

目标检测与识别成为近几年来智能交通系统中最核心技术,同时也是学者研究的重点之一。现有的目标检测与识别模型虽然在精度方面不断突破,但却忽略了其实际应用中最重要的实时性。参数量巨大、计算成本高、无法在保持精度的同时,尽可能... 详细信息

目标检测与识别成为近几年来智能交通系统中最核心技术,同时也是学者研究的重点之一。现有的目标检测与识别模型虽然在精度方面不断突破,但却忽略了其实际应用中最重要的实时性。参数量巨大、计算成本高、无法在保持精度的同时,尽可能的提升检测识别的速度这一问题更是对于智能交通系统的发展影响重大,这正是本文研究的出发点。本文选择了目标检测与识别领域中应用最为广泛且最为稳定的YOLOv4模型,通过对其进行研究和分析,首先进行了网络轻量化的优化和改进,在不过度降低检测与识别精度的情况下,使得模型参数降低,大幅提升了模型的检测识别速度。再从提升检测精度的角度出发,对模型再次进行优化,提出了一种轻量级的模型L-yolov4-DRConv,使其在保证了较快的检测与识别速度的同时,实现了检测精度的提升,更好的保证了模型检测与识别的实时性和准确性。本文的主要工作内容如下:(1)数据增强针对UA-DETRAC车辆数据中数据样本分布不均的问题对其进行数据优化,通过去多补少的应对方法,将数据集中样本数量过多的样本进行随机去除,同时补足数据集中较少的数据样本,使得数据集样本扩充的同时类别更加均衡。通过基于旋转不变性下的旋转增强法和Mosaic数据增强方法,对样本平衡后的数据集进行数据集的扩充和增强,从而得到一个数据量充足,数据类别均衡的车辆数据集。(2)模型轻量化改进针对YOLOv4模型在目标检测过程中参数量和计算量较大导致实时性不佳的情况,提出了一种轻量级模型L-yolov4。该模型以YOLOv4模型为基础,保留了其特征金字塔结构和多尺度检测部分,同时将深度可分离卷积和轻量化网络MobileNetV2相结合,对模型结构进行了整体的优化和改进。实验结果表明,L-YOLOv4模型对比改进前的YOLOv4模型,参数量减少了 83.21%,FPS提升了 11帧。(3)模型精度提升优化针对L-YOLOv4模型精度上的不足,提出了基于动态区域感知卷积算法(DRConv,Dynamic RegionAware Convolution)的 L-yolov4-DRConv 模型。通过动态区域感知卷积DRConv对残差单元进行改进,并以Inverted resblock-DR结构为基础,对L-YOLOv4模型中的主干特征提取网络MobilenetV2进行优化,使模型对语义信息的建模能力获得显著提高,以此提升检测精度。实验结果表明,所提出的L-yolov4-DRConv模型相较显著提高,以此提升检测精度。实验结果表明,所提出的L-yolov4-DRConv模型相较于L-YOLOv4模型虽然FPS损失了 2帧,但是mAP提升了 7.27%,而其相较于原YOLOv4模型mAP提升了 7.14%,同时FPS提升了 9帧,实现了车辆目标检测与识别速度和准确度的显著提升。

关键词：车辆检测识别 YOLOv4模型深度可分离卷积动态区域感知卷积 MobileNetV2 网络

改进YOLOv4模型的高速率检测方法在新疆煤矸的应用

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

长江大学学报(自然科学版) 2023年

作者：陈中举王冬何强长江大学计算机科学学院

针对YOLOv4模型在新疆属地煤矸识别中存在的检测速率不足的问题,提出一种基于改进的YOLOv4模型高速率检测煤矸的方法。将Mobilenetv3网络作为YOLOv4模型的主干特征提取网络,减少YOLOv4模型主干网络的参数量,简化网络结构,提高模型的实... 详细信息

针对YOLOv4模型在新疆属地煤矸识别中存在的检测速率不足的问题,提出一种基于改进的YOLOv4模型高速率检测煤矸的方法。将Mobilenetv3网络作为YOLOv4模型的主干特征提取网络,减少YOLOv4模型主干网络的参数量,简化网络结构,提高模型的实时检测速率;把CBAM注意力机制模块应用到Mobilenetv3内部,提高目标有效特征利用率,并抑制无效特征响应,使网络的特征提取能力进一步提升;采用曲线走势图更光滑的Mish激活函数代替Mobilenetv3内部卷积层原有的H-Swish激活函数,优化了卷积模块的非线性处理能力。在模型训练前对采集的新疆煤炭与矸石数据图片进行数据增强处理,以丰富数据集有效特征,提高数据利用率并优化最终模型训练效果。实验结果表明,改进后的YOLOv4模型检测煤矸目标速率得到了大幅提升,其检测单张煤矸图片所需时间为43.2ms,相较于原YOLOv4模型检测速度提高了122%,其检测煤矸目标的平均精度均值也达到了88.5%,保持在较高的水平,满足煤矸识别工作的准确率要求。该研究成果对于研究深度学习在新疆煤矸检测中的应用提供了一定的参考。

关键词：煤矸识别 YOLOv4模型 Mobilenetv3 CBAM

基于YOLOv4模型的玉米幼苗与杂草识别检测

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

热带农业工程 2023年第1期47卷 1-6页

作者：李雪峰施晨辉宋名果甘仲辉乔芷柔孟庆宽天津职业技术师范大学自动化与电气工程学院天津300222 天津博益气动股份有限公司天津300457

作物生长过程中杂草与作物争夺水分、养分和光照,阻碍作物正常生长。除草是农业生产中的一个重要环节,对提高作物产量和质量起着决定性作用。本文以玉米幼苗及其常见的6种伴生杂草为研究对象,将YOLOv4模型引入到作物与杂草识别检测中。... 详细信息

作物生长过程中杂草与作物争夺水分、养分和光照,阻碍作物正常生长。除草是农业生产中的一个重要环节,对提高作物产量和质量起着决定性作用。本文以玉米幼苗及其常见的6种伴生杂草为研究对象,将YOLOv4模型引入到作物与杂草识别检测中。检测模型先采用CSPDarknet53前置基础网络进行图像特征提取,然后在颈部网络中利用空间金字塔模块和FPN+PAN结构实现多尺度层级特征融合,最后通过检测头网络输出预测目标类别和位置信息。结果表明,本文模型对作物与杂草平均识别精度达到94.59%,检测一幅图像的平均时间为30.42 ms,相比于Faster-RCNN和SSD模型,具有识别速度快与检测精度高等优点,可以为自动化除草所涉及的苗草识别问题提供有效技术参考。

关键词：深度学习自动除草苗草检测 YOLOv4模型

在线全文

学校读者我要写书评

暂无评论

基于YOLOv4模型的交通路标识别

信息记录材料 2024年第4期25卷 61-63,66页

作者：王红梅周桂达山西工程技术学院山西阳泉045000

一种基于yolov4(you only look once version 4)模型的交通路标识别方案,可用于解决交通管理领域中的交通路标识别问题。其主要是采用YOLOv4模型作为基础架构,利用深度学习和图像处理技术,结合深度卷积神经网络和目标检测算法,高效、快... 详细信息

一种基于yolov4(you only look once version 4)模型的交通路标识别方案,可用于解决交通管理领域中的交通路标识别问题。其主要是采用YOLOv4模型作为基础架构,利用深度学习和图像处理技术,结合深度卷积神经网络和目标检测算法,高效、快速地进行交通路标的准确识别。经过多个公开的交通路标检测数据集进行了严格的测试和性能进行比较、验证,在不同类型的交通路标上取得了优异的检测和识别性能,具有高的准确率和召回率。

关键词： YOLOv4模型计算机视觉交通标志识别注意力机制

基于改进yolov4的航空发动机小目标损伤检测研究

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

航空动力学报 2023年第2期38卷 445-452页

作者：蔡舒妤闫子砚中国民航大学航空工程学院天津300300

智能化的航空发动机损伤检测是飞机故障诊断重要的研究方向,针对现有目标检测模型对航空发动机的小目标损伤检测效果差的问题,提出了一种改进的基于You Only Look Once version 4(yolov4)的多尺度目标检测方法。在路径聚合网络(PANet)... 详细信息

智能化的航空发动机损伤检测是飞机故障诊断重要的研究方向,针对现有目标检测模型对航空发动机的小目标损伤检测效果差的问题,提出了一种改进的基于You Only Look Once version 4(yolov4)的多尺度目标检测方法。在路径聚合网络(PANet)中构建低层次的特征融合层,将更浅层的特征与深层特征融合,提高网络对小目标损伤的检测性能。为减少网络中的冗余参数,在颈部结构中引入了深度可分离卷积,将标准卷积重构为深度可分离卷积的形式。实验表明:改进后的yolov4对小目标损伤的检测精度提升了3.43%,模型大小降低了54.06 MB,同时检测速度提高了31.03%。研究结果表明改进的YOLOv4模型对小目标损伤具有更好的检测性能。

关键词：小目标检测路径聚合网络多尺度特征融合深度可分离卷积 YOLOv4模型

一种基于yolov4⁃TIA的林业害虫实时检测方法

在线全文

学校读者我要写书评

暂无评论

计算机工程 2022年第4期48卷 255-261页

作者：候瑞环杨喜旺王智超高佳鑫中北大学大数据学院太原030051

针对现有基于深度学习的林业昆虫图像检测方法存在检测精度低和检测速度慢的问题,提出一种结合改进PANet结构与三分支注意力机制的目标检测方法yolov4-TIA。通过对样本数量较少的昆虫类别进行数据增强,实现样本均衡分布。利用三分支注... 详细信息

针对现有基于深度学习的林业昆虫图像检测方法存在检测精度低和检测速度慢的问题,提出一种结合改进PANet结构与三分支注意力机制的目标检测方法yolov4-TIA。通过对样本数量较少的昆虫类别进行数据增强,实现样本均衡分布。利用三分支注意力机制改进yolov4中的CSPDarkNet53骨干网络,同时通过旋转操作和残差变换建立维度间的依存关系,以提高有效的特征通道权重,在PANet结构上增加将跳跃连接与跨尺度连接相结合的特征融合方式,从而获取更丰富的语义信息和位置信息。在此基础上,采用Focal loss函数优化分类损失,解决正负样本不均衡的问题。实验结果表明,该方法的精确率和召回率分别达到85.9%和91.2%,相比SSD、Faster R-CNN、yolov4方法,其在保证检测速度的同时,能够有效提高检测精度,且实现对林业害虫的实时精确监测。

关键词：林业害虫检测 YOLOv4模型深度学习三分支注意力 Focal loss函数加权双向特征金字塔网络