基于改进YOLO v3算法的空中红外目标检测

为进一步提升空中作战条件下目标检测的性能,本文通过优化YOLO v3,提出了一种基于空中红外目标的检测算法EN-YOLO v3。该算法使用轻量的EfficientNet骨干网络作为YOLO v3的主干特征提取网络,使模型参数大幅减少,降低模型的训练时间;同时选用CIoU作为模型的损失函数,优化模型损失计算方法,提升模型的检测精度。结果表明,优化后的EN-YOLO v3目标检测算法与原YOLO v3相比模型尺寸减少了50.03%,精准度提升了1.17%,能够有效提升红外场景下空中目标的检测效果。     

基于YOLO v4网络的房屋目标检测研究

随着社会科学技术的不断进步和人工智能算法的创新发展,深度学习在目标检测领域有着十分重要的应用.针对目前采用人工对偏僻地区房屋建筑进行检测存在的效率低下、安全隐患较大等不足,将无人机技术与深度学习相结合,提出了一种基于深度学习YOLO v4算法实现对房屋目标的检测研究.对无人机采集的电力通道巡检视频进行预处理,对图像进行...     

基于改进的ViBe和YOLO v3算法的行人检测方法

针对传统视觉背景提取（visual background extractor,ViBe）算法在进行行人检测时会产生鬼影的缺点,本文提出了一种基于改进的ViBe和YOLO v3算法的行人检测方法。利用改进的YOLO v3算法YOLO v3-SPP(spatial pyramid pooling)对ViBe算法的初始化策略进行改进以消除鬼影。运用YOLO v3-SPP算法对首帧图像进行行人检测,使用本文提出的行人消除方法将检测出的行人进行消除,并将输出图像代替ViBe算法的首帧,从而达到消除鬼影的目的。经过分析和实验验证,结果表明该算法能够有效解决鬼影问题。     

基于Transformer改进YOLO v4的火灾检测方法

针对火灾检测算法检测多尺度火焰和烟雾精度低,且实时性差的问题,提出了一种基于Transformer改进YOLO v4的火灾检测方法.首先,结合MHSA(Multi-Head Self-Attention)改进了CSPDarknet53主干网络,建模全局依赖关系以充分利用上下文信息.此外,基于MHSA改进了PANet模块进行多尺度特征图融合,获取更多的细节特征.为验证改进方法的有效性,与YOLO v4、YOLO v3等算法进行比较.实验证明,不仅能够检测多尺度目标,且视频监控场景下达到实时性,具有准确率高、误报率低、检测实时性等优点,满足监控视频场景下的火灾检测任务.     

基于改进YOLO V3的舰船目标检测算法

针对YOLO V3算法中对于小目标检测精度不高、容易出现漏检误检的问题,提出了一种基于改进YOLO V3的舰船目标检测算法.首先,通过在YOLO V3原网络结构基础上额外从主干网络引出一个输出尺度,将其与上一个输出尺度中的特征信息进行特征拼接,得到具有更丰富语义信息的特征向量;其次,基于数据集进行聚类改进,改进度量距离...     

基于改进YOLO v5的骑行人员头盔及车牌检测

针对目前骑行人员头盔佩戴检测的准确率低、泛化能力差以及检测类别单一等问题,提出一种基于改进YOLO v5的骑行人员头盔及车牌检测模型。首先,在骨干网络中引入卷积注意力模块(convolutional block attention module, CBAM),以强化目标区域的关键特征,提高模型的准确率。其次,通过优化多尺度特征融合模块,并在预测端新增针对小目标特征的检测层,增强网络在密集场景下对小目标的检出率,提升模型的泛化能力。最后,使用EIoU(efficient intersection over union)优化边框回归,同时采用K-means算法在创建的头盔及车牌数据集中聚类先验框,以加速模型训练的收敛速度并提高目标定位的精度。实验结果表明,改进后的YOLO v5网络的检测准确率提高2.5%,召回率提高3.3%,平均精度均值提高3.8%,更适用于对骑行人员头盔及车牌目标的检测。     

基于YOLO模型的红外图像行人检测方法

针对基于传统特征提取方法的远红外图像行人检测存在准确率和实时性不足的问题,本文研究了一种基于改进YOLO模型的远红外行人检测方法,通过改进其深度卷积神经网络的输入分辨率,然后在基于实际道路采集的红外数据集上进行训练,得到检测效果最佳的检测模型,并提出基于车速的自适应图像分辨率模型,以提高车载系统的行人检测性能。在基于实际道路的红外数据集上的对比实验表明,该方法与传统方法相比,准确率从76.5%提高到89.2%,每秒传输帧数从0.01259 f/s提高到40.5 f/s,满足车载情况下的实时性需求。     

基于YOLO算法的红外图像目标检测的改进方法

传统红外图像行人检测方法利用人工进行比例模板设计和行人轮廓特征提取,由于预设模板比例相对固定,当行人因衣着增减、随身携带物品及姿态改变等原因使其轮廓比例发生较大变化时,往往会导致算法失灵而出现漏检现象。而基于深度学习的目标检测则通过对大量样本的本质特征进行抽象、提取、加工和整合,进而实现对更多样特征的学习。因此利用深度学习目标检测算法进行红外图像行人检测应用的研究可以弥补传统检测方法的不足。YOLOv3是目前性能较为均衡的识别算法,本文在分析YOLOv3系列算法的原理和特点的基础上提出了一个新的改进算法模型——Darknet-19-yolo-3,在几乎不损失检测精度的条件下提升检测速度,一定程度上实现检测准确率和速度的相对平衡。     

基于YOLO目标检测算法的人群多目标识别跟踪方法

目前对人群跟踪方法主要是建立跟踪模型,实现人群群体检查和跟踪,但是无法实现人群中多行人的识别和个体跟踪,造成人群跟踪与多目标识别存在效率低下和不准确。本文提出基于YOLO目标检测算法的人群多目标识别跟踪方法,通过对人群多目标的可见特征提取人群的行人轨迹和外观特征,实现人群多目标识别的跟踪。实验结果表明,该方法提高了人群多目标的识别效率,具有一定的实用性。     

基于改进YOLO v5s算法的光伏组件故障检测

针对无人机在光伏组件巡检任务中红外故障图像识别准确率低、检测速度慢的问题,提出一种特征增强的YOLO v5s故障检测算法。首先对损失函数进行优化,将原有的回归损失计算方法由GIOU(generalized intersection over union)改为功能更加强大的EIOU(efficient intersection over union)损失函数,并自适应调节置信度损失平衡系数,提升模型训练效果;随后,在每个检测层前分别添加InRe特征增强模块,通过丰富特征表达增强目标特征提取能力。最后,用创建的红外光伏数据集进行对比验证。实验结果表明：本文方法均值平均精度（mean average precision, mAP）为92.76%,检测速度（frame per second,FPS）达到42.37 FPS,其中热斑、组件脱落两种故障类型平均精度分别为94.85%、90.67%,完全能够满足无人机自动巡检的需求。     

基于目标检测网络的摄影测量编码点定位

为解决传统摄影测量编码点定位依赖多种关系准则、判定复杂且识别不稳定的问题,提出一种采用基于改进YOLOv3的目标检测网络分割编码点、利用距离排序识别中心标记点的定位方法。首先针对编码标记点特点改进特征提取网络,从复杂背景中快速识别编码点,然后在预测框内进行图像处理,计算轮廓质心到中心的距离,通过距离排序定位中心圆形标记点,最后构建标尺编码点数据集用于网络训练和测试。实验结果表明,目标检测网络识别编码点的精度达到94.91%,受环境和噪声等的影响小,距离准则准确率高,该定位方法具有适应性好、鲁棒性高的优点。     

基于深度学习的YOLO目标检测综述

目标检测是计算机视觉领域的一个基础任务和研究热点。YOLO将目标检测概括为一个回归问题,实现端到端的训练和检测,由于其良好的速度-精度平衡,近几年一直处于目标检测领域的领先地位,被成功地研究、改进和应用到众多不同领域。该文对YOLO系列算法及其重要改进、应用进行了详细调研。首先,系统地梳理了YOLO家族及重要改进,包含YOLOv1-v4, YOLOv5, Scaled-YOLOv4, YOLOR和最新的YOLOX。然后,对YOLO中重要的基础网络,损失函数进行了详细的分析和总结。其次,依据不同的改进思路或应用场景对YOLO算法进行了系统的分类归纳。例如,注意力机制、3D、航拍场景、边缘计算等。最后,总结了YOLO的特点,并结合最新的文献分析可能的改进思路和研究趋势。     

基于YOLO-MIR算法的多尺度红外目标检测网络

针对红外图像相对于可见光检测精度低,鲁棒性差的问题,提出了一种基于YOLO的多尺度红外图目标检测网络YOLO-MIR（YOLO for Multi-scale IR image）。首先,为了提高网络对红外图像的适应能力,改进了特征提取以及融合模块,使其保留更多的红外图像细节。其次,为增强对多尺度目标的检测能力,增大了融合网络的尺度,加强红外图像特征的进一步融合。最后,为增加网络的鲁棒性,设计了针对红外图像的数据增广算法。设置消融实验评估不同方法对网络性能的影响,结果表明在红外数据集下网络性能得到明显提升。与主流算法YOLOv7相比在参数量不变的条件下平均检测精度提升了3%,提高了网络对红外图像的适应能力,实现了对各尺度目标的精确检测。     

基于YOLO的轻量红外图像行人检测方法

红外图像中行人的快速检测一直是计算机视觉领域的热点和难点。针对红外图像行人目标检测算法检测速度和检测精度难以平衡,算法模型体积较大,在中低性能设备中难以部署和实时运行的问题,提出了一种基于YOLO算法的轻量红外图像行人检测方法。在分析了MobileNet-v3等轻量网络在YOLO-v3算法上的性能和特点之后,该方法提出了引入注意力机制的轻量特征提取网络(CSPmini-a)、特征融合模块和解耦检测端分类回归结构三种改进措施,在满足网络模型轻量的情况下保证了一定的检测精度。实验表明,该方法有效的实现了红外图像行人目标检测的准确性和快速性。     

基于高压绝缘套管纹理特征的红外目标检测

在基于传统图像分割法的红外图像目标检测中,当背景颜色和被检测物体颜色相近时,往往难以有效地识别红外图像中的被检测物.所以为了进一步提高绝缘套管在红外图像中的识别精度,文中提出一种基于绝缘套管伞裙纹理特征的目标检测方法.首先为增强图像纹理特性,将双边滤波代替传统高斯-拉普拉斯算子中的高斯卷积滤波,通过双边-拉普拉斯进行图...     

智能装配中基于YOLO v3的工业零件识别算法研究

传统装配系统中依靠人力进行重复性劳动,容易 由于人的操作具有疲劳性和人眼分辨 率有限等特点造成失误,为了避免浪费人工和时间,解决工厂环境中光线等不稳定因素,提 出了一种基于YOLO v3算法对形状多样的工业零件识别方法。在智能装配系统中根据视觉检 测结果判断零件种类,弥补了传统方法的不足,满足产品生产系统的节拍要求。改进后的YO LO v3网络模型使用k-means算法重新聚类预选框的参数,残差网络来减少网络的参数,结 合 多尺度方法、采用Mish激活函数提高精确度,使其更适合工业零件的小目标分类检测。该模 型以3D打印的工业零件制作数据集,实验表明与原有的YOLO v3算法对比,使用改进后的网 络模型具有良好的鲁棒 性,准确率提高了1.52%,时间提高了7.25 ms,实现精确实时地检测出智能装配系统中的零件种类。     

基于改进YOLOv3的红外电力设备目标检测模型

为了实现红外电力设备图像的快速准确检测,在目标检测网络YOLOv3的基础上,提出了一个实时检测红外电力设备图像的轻量级目标检测模型,通过改进特征提取网络、加入轻量级注意力模块和改变特征层检测尺度等方式,提升模型的检测精度和速度。实验表明,本文中的方法相比于YOLOv3,在检测速度相近的同时,具有更高的检测精度,为电力设备红外图像智能检测提供了新的思路。