期刊文献+
共找到8篇文章
< 1 >
每页显示 20 50 100
基于YOLOv3-tiny的二轮车头盔检测
1
作者 杨国亮 李世聪 +1 位作者 邹俊峰 龚家仁 《计算机应用与软件》 北大核心 2024年第5期147-152,共6页
针对二轮车驾乘人员头盔佩戴问题,提出一种基于YOLOv3-tiny的轻量化头盔检测模型。将原始模型主干网络进行轻量化处理,减少检测模型的参数量,在网络中添加U型特征二次融合模块,引入关于边框距离的DIoU损失函数,用于提高检测模型的特征... 针对二轮车驾乘人员头盔佩戴问题,提出一种基于YOLOv3-tiny的轻量化头盔检测模型。将原始模型主干网络进行轻量化处理,减少检测模型的参数量,在网络中添加U型特征二次融合模块,引入关于边框距离的DIoU损失函数,用于提高检测模型的特征提取能力和识别精度。在测试集上的实验表明,改进后的模型相比原YOLOv3-tiny模型表现出更高的查全率和mAP及F1指标,且在保持较小参数量的同时,具有优于深度网络YOLOv3的检测性能。 展开更多
关键词 头盔检测 轻量化网络 特征融合 边框损失函数
下载PDF
一种改进YOLOv8n的电力设备红外图像识别网络
2
作者 李珅 杜科 +4 位作者 李舟演 李宁 熊岑 柳明慧 秦伦明 《无线电工程》 2024年第10期2362-2370,共9页
针对目前电力设备红外图像识别算法存在检测精度低和模型计算量大的问题,提出一种改进YOLOv8n的电力设备红外图像识别网络YOLOv8n-DCSW。在YOLOv8n主干网络中添加坐标注意力(Coordinate Attention, CA)并使用可变形卷积网络(Deformable ... 针对目前电力设备红外图像识别算法存在检测精度低和模型计算量大的问题,提出一种改进YOLOv8n的电力设备红外图像识别网络YOLOv8n-DCSW。在YOLOv8n主干网络中添加坐标注意力(Coordinate Attention, CA)并使用可变形卷积网络(Deformable Convolution Network, DCN)替换残差模块中的标准卷积,加强复杂环境下对小目标的关注度,提高识别精度;将颈部网络更换为Sim-neck,降低模型运算量;引入Wise交并比(Wise Intersection over Union, WIoU)损失函数减少低质量边框产生的梯度干扰,提升模型的识别精度和收敛速度。实验结果表明,所提算法在自建红外数据集上的平均精度均值(mean Average Precision, mAP)达到95.9%,计算量为6.9 GFLOPs,相较原算法mAP提高了1.7%,同时计算量减少了1.2 GFLOPs,满足电力设备红外图像识别的高精度和低计算量要求。 展开更多
关键词 电力设备红外图像 目标检测 YOLOv8n 可变形卷积 注意力机制 边框损失函数
下载PDF
基于改进YOLOv4的苹果采摘机器人树枝障碍物深度识别
3
作者 黄哲 唐仕喜 +2 位作者 沈冠东 高心悦 王仕廉 《湖北农业科学》 2024年第8期10-16,22,共8页
为识别特征不明显的树枝,尤其是机械手进行苹果采摘时遮挡住苹果位置的树枝,提出了一种结合语义分割和YOLOv4来获取树枝语义骨架,以及识别出树枝位置框的方法。采用语义分割划分树枝矩形包络的方法,剔除影响树枝识别效果的小树枝和分支... 为识别特征不明显的树枝,尤其是机械手进行苹果采摘时遮挡住苹果位置的树枝,提出了一种结合语义分割和YOLOv4来获取树枝语义骨架,以及识别出树枝位置框的方法。采用语义分割划分树枝矩形包络的方法,剔除影响树枝识别效果的小树枝和分支,再用labelImg和labelme工具对数据集进行标注;对训练的网络模型添加了3层最大池化层,并在回归损失方面对YOLOv4的CIOU回归损失函数进行了改进,提出了针对复杂特征、适范围提高预测准确率的置信度相关函数BIOU。结果表明,改进的YOLOv4网络模型训练遮挡苹果位置树枝的F1和AP分别比原始网络训练全部树枝高出20.00个百分点和23.36个百分点,获得训练效果更好的数据集和树枝识别网络。 展开更多
关键词 树枝识别 YOLOv4 语义分割 数据集训练 BIOU边框回归损失函数
下载PDF
基于改进YOLOv5s的护帮板异常检测方法研究 被引量:5
4
作者 张旭辉 闫建星 +3 位作者 麻兵 鞠佳杉 沈奇峰 吴雨佳 《工程设计学报》 CSCD 北大核心 2022年第6期665-675,共11页
准确识别护帮板支护状态,判断护帮板是否与采煤机发生干涉,是实现煤矿安全生产的重要一环。提出了一种基于改进YOLOv5s的护帮板异常检测方法。建立了护帮板数据集hb_data2021,对YOLOv5s模型进行改进。根据基于改进YOLOv5s的护帮板状态... 准确识别护帮板支护状态,判断护帮板是否与采煤机发生干涉,是实现煤矿安全生产的重要一环。提出了一种基于改进YOLOv5s的护帮板异常检测方法。建立了护帮板数据集hb_data2021,对YOLOv5s模型进行改进。根据基于改进YOLOv5s的护帮板状态检测结果的标签分类,判断护帮板状态是否异常。为了减小YOLOv5s模型的参数量,采用MobileNetV3和轻量级注意力机制NAM (normalization-based attention module,标准化注意力模块)替换主干特征提取网络。为了提高护帮板检测精度,改进损失函数为α-CIoU,并进行知识蒸馏。实验结果表明:蒸馏后的网络平均精度提高了1.0%,参数量减小了33.4%,推理加速34.2%;基于改进YOLOv5s的护帮板异常检测方法效果良好,将其部署在NVIDIA Jetson Xavier平台上,可以满足实时检测视频的要求。将检测模型移植到巡检机器人的嵌入式平台上,可以实现护帮板异常检测,满足煤矿工业实际需求。 展开更多
关键词 护帮板 目标检测 轻量化 边框损失函数 嵌入式设备
下载PDF
基于深度学习的生姜种芽快速识别及其朝向判定 被引量:8
5
作者 侯加林 房立发 +2 位作者 吴彦强 李玉华 席芮 《农业工程学报》 EI CAS CSCD 北大核心 2021年第1期213-222,共10页
针对目前生姜机械化播种难以实现“种芽朝向一致”农艺要求的问题,该研究提出了一种基于深度学习的生姜种芽快速识别及其朝向判定的方法。首先,构建生姜数据集。其次,搭建YOLO v3网络进行种芽的识别,包括:使用Mosaic等在线数据增强方式... 针对目前生姜机械化播种难以实现“种芽朝向一致”农艺要求的问题,该研究提出了一种基于深度学习的生姜种芽快速识别及其朝向判定的方法。首先,构建生姜数据集。其次,搭建YOLO v3网络进行种芽的识别,包括:使用Mosaic等在线数据增强方式,增加图像的多样性,解决小数据集训练时泛化能力不足的问题;引入DIoU(Distance Intersection over Union)边框回归损失函数来提高种芽识别回归效果;使用基于IoU的K-means聚类方法,经线性尺度缩放得到9个符合种芽尺寸的先验框,减少了先验框带来的误差。最后进行壮芽的选取及其朝向的判定。测试集中的结果表明,该研究提出的生姜种芽识别网络,平均精度和精准率、召回率的加权调和平均值F1分别达到98.2%和94.9%,采用GPU硬件加速后对生姜种芽的检测速度可达112帧/s,比原有YOLO v3网络的平均精度和F1值分别提升1.5%和4.4%,实现了生姜种芽的快速识别及其朝向的判定,为生姜自动化精确播种提供了技术保证。 展开更多
关键词 图像识别 算法 卷积神经网络 生姜种芽 DIoU边框回归损失函数
下载PDF
改进目标检测网络的仰卧起坐测试计数 被引量:3
6
作者 包梓群 《智能计算机与应用》 2022年第8期102-105,109,共5页
针对深度学习技术在仰卧起坐测试领域的实时性较差问题,提出了一种改进目标检测网络的仰卧起坐测试计数算法。该算法首先对被测试人员进行目标检测,然后对被测试人员进行关键点提取,最后对被测试人员的仰卧起坐动作进行分析。为了达到... 针对深度学习技术在仰卧起坐测试领域的实时性较差问题,提出了一种改进目标检测网络的仰卧起坐测试计数算法。该算法首先对被测试人员进行目标检测,然后对被测试人员进行关键点提取,最后对被测试人员的仰卧起坐动作进行分析。为了达到实时检测的效果,改进了RetinaNet骨干网络中的传统卷积层,以减小计算量,加快识别速度;提出了一种改进的边框损失函数,以达到实时检测效果的同时,保证检测的精度。经对其算法进行仿真实验,验证了其识别速度和检测精度,达到了预期效果。 展开更多
关键词 仰卧起坐实时检测 目标检测 RetinaNet网络 边框损失函数
下载PDF
基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法 被引量:67
7
作者 吕石磊 卢思华 +3 位作者 李震 洪添胜 薛月菊 吴奔雷 《农业工程学报》 EI CAS CSCD 北大核心 2019年第17期205-214,共10页
柑橘识别是实现柑橘园果实自动采摘、果树精细化管理以及实现果园产量预测的关键技术环节。为实现自然环境下柑橘果实的快速精准识别,该文提出一种基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法。在采摘机器人领域,果实识别回归框... 柑橘识别是实现柑橘园果实自动采摘、果树精细化管理以及实现果园产量预测的关键技术环节。为实现自然环境下柑橘果实的快速精准识别,该文提出一种基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法。在采摘机器人领域,果实识别回归框的准确率直接决定了机器手的采摘成功率,该方法通过引入GIoU边框回归损失函数来提高果实识别回归框准确率;为便于迁移到移动终端,提出一种YOLOv3-LITE轻量级网络模型,使用MobileNet-v2作为模型的骨干网络;使用混合训练与迁移学习结合的预训练方式来提高模型的泛化能力。通过与Faster-RCNN以及SSD模型对比在不同遮挡程度的测试样本下模型的识别效果,用F1值与AP值评估各模型的差异,试验结果表明:该文提出的模型识别效果提升显著,对于果实轻度遮挡的数据集,该文提出的柑橘识别模型的F1值和AP值分别为95.27%和92.75%,AverageIoU为88.65%;在全部测试集上,F1值和AP值分别为93.69%和91.13%,Average IoU为87.32%,在GPU上对柑橘目标检测速度可达246帧/s,对单张416×416的图片推断速度为16.9 ms,在CPU上检测速度可达22帧/s,推断速度为80.9 ms,模型占用内存为28 MB。因此,该文提出的柑橘识别方法具有模型占用内存低、识别准确率高及识别速度快等优点,可为柑橘采摘机器人以及柑橘产业产量预测提出新的解决方案,为柑橘产业智能化提供新的思路。 展开更多
关键词 神经网络 果树 算法 柑橘 YOLOv3-LITE 混合训练 迁移学习 GIoU边框回归损失函数
下载PDF
基于改进的Faster R-CNN车厢编号识别方法 被引量:4
8
作者 毛君 耿希望 +1 位作者 单德兴 卢进南 《机械设计与研究》 CSCD 北大核心 2021年第1期144-150,155,共8页
为了识别装煤列车车厢编号图像,提出一种基于改进的Faster R-CNN车厢编号识别方法。首先,引入Retinex图像增强算法对暗光条件下采集的低照度车厢编号图像进行增强,提高低照度车厢编号图像质量;通过分层多尺度区域推荐网络增强对多尺度... 为了识别装煤列车车厢编号图像,提出一种基于改进的Faster R-CNN车厢编号识别方法。首先,引入Retinex图像增强算法对暗光条件下采集的低照度车厢编号图像进行增强,提高低照度车厢编号图像质量;通过分层多尺度区域推荐网络增强对多尺度、小目标车厢编号检测能力;使用基于GIoU的边框回归损失函数,提高车厢编号识别回归框准确率。在环境复杂的装车现场进行实验,车厢编号识别模型在平均精度和F1值分别为9293%和9573%,在开发套件上的推理速度为1帧/s。提出的车厢编号识别方法具有准确率高、识别速度快、漏检率低的优点,为车厢编号识别智能化提出新思路。 展开更多
关键词 车厢编号 小目标检测 多尺度 GIoU边框回归损失函数 低照度图像
原文传递
上一页 1 下一页 到第
使用帮助 返回顶部