基于YOLOv5-en算法的草莓采摘机器人目标检测技术

为实现草莓采摘机器人在温室中对草莓的快速、精确检测,该文提出一种YOLOv5-en算法。在原有YOLOv5基础上,首先对原始主干进行网络卷积操作并加入CBAM模块;其次,引入Bi FPN模块进行多尺度特征融合;然后,使用直方图均化算法和Mosaic数据增强进行目标检测数据预处理;最后,优化K-means算法对训练数据集聚类分析,同时使用Focalloss损失函数构建YOLOv5-en目标检测网络。通过对比试验得出：与YOLOv5、Faster-RCNNRes Net101和Faster-RCNNVGG16模型相比,YOLOv5-en的m AP分别提升了3.41%、17.85%和14.40%,可达94.36%。通过采摘机器人模拟环境检测验证了该模型的可行性,且达到了应用水平,可为采摘机器人实时小目标检测提供支撑。     

基于改进YOLOv5的道路病害智能检测

针对现有道路表观病害检测识别精度低、漏判、误检率高的问题,提出了一种改进的道路表观病害检测高精度识别模型(improved pavement detection-YOLOv5, IPD-YOLOv5)。在YOLOv5的主干特征提取网络中添加由不同空洞卷积组成的ASPP模块,引入SE-Net注意力机制以加强算法从裂缝图像中提取不同尺度特征的能力,实现多尺度特征图的有效融合。结果表明：较传统检测算法,所提的IPD-YOLOv5模型在道路裂缝病害检测上的识别精度最高,其中平均精度比未改进的YOLOv5算法提高了7.47%,漏判率降低了10.29%。     

基于LT-YOLOv5s的PCB缺陷检测方法

针对传统PCB缺陷检测算法检测准确度低、实时性差等问题，提出一种改进的YOLOv5s网络PCB缺陷检测方法。针对缺陷特性，去除大目标的检测尺度，保留中小目标检测尺度；在网络模型末端用Transformer替代BottleneckCSP模块，提升了网络模型捕获目标特征的能力；结合坐标注意力模块，提升模型的性能并减少参数。以某PCB数据集为测试对象，结果表明，改进后的算法平均精度均值(mAP)达到99.04%,平均检测速度为19ms/帧，改进后的算法能够更加快速有效的检测出PCB缺陷。     

基于改进YOLOv5s的交通标志识别算法

交通标志的自动识别对汽车的安全行驶具有重要意义。针对现有交通标志识别算法存在识别精度低、速度慢的问题,该文提出了一种基于改进YOLOv5s的交通标志识别算法。引入MobileNetv3主干网络,将RFB模块与ECA-Net模块相结合,在不提高网络计算量的情况下,确保更大范围内聚焦有效特征;在特征融合中采用AFF模块,将注意力从同层融合扩展到跨层区域;采用Matrix NMS筛选候选框,以提升模型检测速度。在中国交通标志数据集CCTSDB上的验证结果表明,该算法识别精度为96%,速度为48帧/s,在多种环境下对目标的识别能力得到增强,可以满足交通标志实时识别的需要。     

基于YOLOv5s算法的番茄成熟度识别研究

目的:提高机械化采摘中番茄成熟度识别精确率。方法:以番茄果实为研究对象,先对图像进行预处理,再使用YOLOv5s算法对图像学习训练。结果:YOLOv5s算法整体识别精确率为95%,平均精度为97.6%。与其他检测算法进行对比,YOLOv5s算法检测效果最好。结论:此算法可以用于番茄果实机械化采摘,减少生产成本,降低劳动强度,提高作业效率。     

融合图像显著性的YOLOv3船舶目标检测算法研究

针对复杂水面环境下的船舶目标检测问题,运用融合图像显著性的YOLOv3船舶目标检测改进算法以提高检测能力。该算法基于Darknet-53网络模型,根据水上船舶特点,融合非极大值抑制算法Soft-NMS和显著性检测算法FT思想,进一步优化最终检测以达到更准确的效果。用Soft-NMS算法替换原有NMS算法,使得算法对小目标和重叠目标检测效果明显提升。融入FT算法对船舶图像局部细节作进一步细化,使得包围盒回归更加准确。在建立的数据集上进行训练与测试,实验结果表明,改进方法比原始方法准确率提高4%,达97%,检测速度提高10帧/s,达30帧/s,表明改进算法有效提高了船舶目标检测精度,且加快了检测速度。     

基于改进YOLOv5的番茄识别检测算法

为提升果园自动采摘机器人的工作效率,提高对番茄果实识别的准确率,提出了一种基于改进YOLOv5的番茄识别检测算法。该识别检测算法以YOLOv5算法为基础,改进了原算法中颈部网络的BottleneckCSP模块,通过增加批归一化层与SiLU激活函数提升了网络对目标深层语义信息的提取能力;采用轻量级通用上采样算子CARAFE扩大感受野,减少漏检并保持轻量化;结合轻量化注意力机制SimAM为网络提供三维的注意力权重,过滤掉冗余信息,提高模型的准确性和鲁棒性;用SIoU替换CIoU损失函数,有效减少冗余框的同时加快了预测框的收敛和回归。研究结果表明,改进后算法对番茄目标检测的平均精度均值达到96.5%,比原始算法提高3.4%,对小番茄及番茄被遮挡时的漏检率也有效降低,且满足实时要求。     

结合行人检测与单应性变换的安全社交距离估计

为解决未标定摄像头监控视频中行人安全社交距离的估计问题,提出将行人检测、单应性与尺度估计相结合的方法,对单目相机中行人是否处于安全社交距离进行二分类.首先基于YOLOv5s框架,采用MSCO?CO数据集中只含有行人的数据训练得到鲁棒性较好的行人检测器;然后根据相机成像模型假设,推导出从场景地面到图像平面的单应性矩阵,再...     

基于改进YOLOv5的小样本水下声呐图像目标检测

声纳图像目标检测在水下救援和资源勘探中具有重要意义。传统的声纳目标检测技术存在智能化程度低、鲁棒性差、实时性差、识别精度低等问题。尽管许多基于卷积神经网络的目标检测算法在自然图像中取得了很大的成功。然而,对于水下声纳图像来说,海底混响噪声干扰、前景目标区域像素占比低、成像分辨率差等问题对实现准确的水下目标检测提出了相当大的挑战。为了解决这些问题,文章基于YOLOv5目标检测模型提出了一种新的声纳图像目标检测器。首先,在原有Backbone的基础上基于多头注意力机制引入C3MHSA模块和SE注意机制,提高模型的收敛性和提取目标形状和空间有效特征的能力。此外,在Backbone中加入RFB模块,提高网络在高感受野存在的情况下学习重要信息的能力。实验结果表明,改进后的Yolov5网络的m AP@0.5值为98.9%,较原始YOLOv5模型有了全面大幅提升,明显优于现有方法。     

基于改进YOLOv3算法的行人目标检测研究

针对行人目标检测任务中目标检测速度慢及小目标难以检测的问题,提出一种融合CBAM注意力机制的YOLOv3多尺度目标检测模型.该算法首先以YOLOv3为基础网络进行特征提取,然后在YOLOv3的多尺度特征融合层新增一个两倍下采样特征图,用于补充小目标特征信息,最后在YOLOv3的各尺度特征图融合后加入卷积注意力模型(CB...     

结合FPN的改进YOLOv3车辆实时检测算法

目前,在对道路车辆进行实时检测过程中还存在检测速度慢和小目标车辆漏检率高等问题。针对该问题,通过分析YOLOv3的网络结构,发现其残差块的结构较为简单,对于小目标车辆特征的提取不够丰富。为此借鉴FPN网络的结构特征,重新构造了特征金字塔模块替换原来的残差模块,并提出了结合FPN的改进YOLOv3模型。改进模型的网络层相较于之前具有更丰富的语义特征(即目标信息),有效的解决了顶层特征在不断卷积池化中可能忽略丢失小目标信息的问题。实验结果表明:改进后的网络结构模型在综合性能上有着一定的提升,其中检测精度较原有YOLO算法提升了5个百分点,此外召回率也从原有的83%提升至89%,召回率提升较为明显,速度方面也能达到实时性检测的要求。     

基于深度学习的视频目标检测算法的实现

由于光照变化、物体遮挡和复杂背景条件等众多因素的影响,目标检测一直是机器视觉领域最具有挑战性的问题。首先对视频目标检测算法中的孪生网络系列算法进行分析比较;然后将孪生网络与深度学习相结合,提出并构建全新的孪生网络跟踪器;最后将视频输入到设计好的孪生网络跟踪器中,通过网络对每一帧图像中物体的类别与位置进行准确地实时框选标注。分别将该算法和当前广泛应用的YOLOv3算法在OTB数据集上进行验证测试。测试数据表明:该算法的视频目标检测成功率和准确率均优于YOLOv3算法。     

基于轻量化SSD的交通标志检测算法

实时精确的交通标志检测是自动驾驶和智能交通的关键技术。针对现有智能检测算法检测复杂真实道路场景下的交通标志速度慢、无法较好地适用于嵌入式终端设备的问题,提出了一种基于轻量化SSD的交通标识检测算法。该算法采用MobileNetV3＿large网络替代VGG16网络,可减少模型参数,提高检测实时性;利用添加SE模块的逆残差结构B-neck替换对应的标准卷积增强低层特征层的语义信息;设计改进RFB网络提升小交通标志的检测能力,重新设置预设先验框的尺寸,提升模型对特定数据集的检测能力。实验结果表明,改进SSD算法在中国交通标志检测数据集上的mAP值可达89.04%,比MobileNet-SSD算法提高了5.26%;帧率可达60 frames/s,比SSD算法提高了23 frames/s。所提算法具有较高的实时性和检测精度,对复杂交通环境具有更好的鲁棒性。     

基于YOLOv3算法的室内临时障碍物检测方法改进

针对室内疏散引导员需要选择一条畅通路径的问题,提出了一种基于改进的YOLOv3算法的室内临时障碍物检测方法,监控疏散通道中的实时状态.首先引入注意力机制同时缩减网络结构对YOLOv3算法中的特征提取网络进行改进,其次采用双向连接金字塔和适应性卷积检测方式对YOLOv3算法中的特征检测网络进行改进.实验结果表明,改进的Y...     

面向偏振成像小目标检测的YOLOv5改进方法

针对目标检测中小目标特征提取能力不足及检测精度不高等问题,提出一种面向偏振成像小目标检测的YOLOv5改进方法,该算法输入端采用偏振度图像,提高目标物体与背景对比度;减少C3模块数量,保留高频信息的同时提取更多的浅层特征信息;在主干网络中加入坐标注意力机制,增大目标物体的特征信息的权重;优化边界框回归损失函数,解决训练时梯度消失等问题。将改进后算法应用在光伏组件表面落叶检测中,检测结果表明,其准确率、召回率和平均精度均值分别提升了0.59%、1.93%、0.36%,该算法针对小目标特征提取能力有所提升且检测精度更高。     

基于多维互信息特征的跨模态行人重识别方法

针对如何缓解跨模态行人重识别任务中行人模态之间的差异性问题,提出一种随机通道邻近数据增强方法RCNA和一种结合多维互信息的U型网络UMME。RCNA通过选取同类别的可见光图像和红外图像进行数据增强生成新的行人图像,既满足了真实数据分布,又融合了可见光图像的形状和结构信息以及红外图像的语义信息,缓解了可见光图像与红外图像之间的模态差异性。UMME通过互信息提取模块UMI提取同类别行人之间的互信息特征,再经过特征整合模块MSIF将互信息特征嵌入语义特征,增强了同类别行人之间语义特征的一致性。所提出的方法在数据集SYSU-MM01和RegDB上的Rank-1和mAP分别达到70.48%、68.34%和91.70%、88.42%,与现有研究方法相比,取得了优异的识别效果。     

基于改进型Faster R-CNN的行人目标检测

在行人目标检测中,小尺度、低像素的行人目标检测和行人遮挡等问题是模型训练的难点。针对深度学习Faster R-CNN网络对小尺度行人以及遮挡行人目标检测效果较差的情况,提出一种基于soft-NMS、GIoU和多尺度训练方法的改进型Faster R-CNN行人目标检测模型。在该改进模型中,Soft-NMS缓解行人密集检测中的因遮挡导致的漏检情况,GIoU对网络的损失计算进行改进,提升网络检测效果,多尺度训练方式能够提升小尺度与低像素的行人目标检测的准确率。仿真实验结果验证了该方法的有效性,改进的Faster R-CNN模型在Caltech行人数据集上的检测精度由64.2%提升到了70.4%,且在漏检率和误检率上都优于传统Faster R-CNN模型。     

基于HOG与残差网络的行人检测算法

为了提高行人检测的准确性,提出一种改进的方向梯度直方图(HOG)算法,首先对图像进行两种方式的HOG特征向量的提取,方形划分和圆形划分方式,并对圆形划分得到的梯度直方图进行权值优化调整,再结合残差网络(Res Net)提取的深度模型特征,最佳特征向量用主成分分析算法(PCA)降维,通过SVM算法对行人进行检测。通过对HOG与Res Net特征融合算法进行仿真,并与其他行人检测算法对比,在提升准确率与降低漏检率上取得了很好效果。     

Faster RCNN的交通场景下行人检测方法

为了提高行人检测的准确性和鲁棒性,针对现有行人检测方法准确率低且实时性不佳等问题,参考目标检测算法中快速区域卷积神经网络Faster RCNN算法,首先采用K-means聚类算法得到合适的宽高比,然后优化区域建议网络（RPN）结构,降低计算量,并通过比较MobileNet、VGG16、ResNet50特征提取网络效果优劣,提出改进Faster RCNN的交通场景下行人检测方法,在Caltech-NEW数据集上进行训练与测试。实验结果表明,该方法大幅提高交通场景下行人检测的实时性和准确性,在测试集上检测准确度达到87.5%,单张图片检测耗时为0.187s,相比现有其它方法,其检测效果更好。     

基于深度图像的行人目标检测及轮廓提取算法研究

在对Kinect采集到的图像进行预处理后,为了实现行人运动目标检测,需要对行人目标进行特征识别,然后将识别分割的区域作为行人目标的备选区域。通过改进的自适应高斯混合模型的背景建模对预处理后的深度图像进行行人目标分割,分离出有用信息,然后利用Freeman链码方法提取连通域轮廓,作为行人目标的人体头部区域,便于后续对行人目标的跟踪与统计研究。试验表明,最终得到的结果达到了预期目标,算法准确性与鲁棒性很好。