基于改进YOLO v4的小目标检测方法

深度学习目标检测算法在对图像进行识别时会对图像进行压缩,造成小目标特征丢失导致无法检测到小目标信息.针对小目标检测难题,提出基于改进YOLO v4的小目标检测方法,通过使用深度可分离卷积模块和增加多尺度检测网络,提升检测效果,同时改进生成先验框方法,对高分辨率图像进行分割增加小目标的特征信息.使用改进方法对布匹瑕疵检测...     

基于深度学习的小目标检测算法综述

由于小目标分辨率低、携带的信息少,现有基于深度学习的目标检测算法对小目标检测精度远远小于对大目标的检测精度。针对小目标检测精度问题,以基于深度学习的目标检测为切入点,系统总结了基于深度学习的目标检测代表算法,并以检测精度和检测速度为标准分析各种算法优缺点。将能有效提高小目标检测精度的方法进行分类汇总,介绍了各种方法的相关应用。针对目标检测及小目标检测存在的问题,对未来目标检测领域发展趋势进行了预测与展望。     

基于图像处理的圆形工件尺寸检测方法

针对工业流水线上圆形工件的检测与定位问题,研究了一种基于图像处理的尺寸检测方法,以测量出圆形工件的位置与半径大小。首先,根据所设定的灰度图阈值将源图像进行二值化处理,并采用区域搜索策略以对工件区域进行填充;在此基础上,进一步利用边缘检测算法推导出预处理图像的边缘坐标信息,并根据所统计数值组拟合出工件的位置与半径大小。最后,利用五个实例验证该方法的有效性与可行性。     

基于形状关系的目标检测模型异步检测头构建方法

从目标检测网络输出的特征图与输入目标之间具有的形状关系出发,提出一种目标检测模型异步检测头构建方法,先进行分类预测,再添加边框预测网络使之利用形状关系预测出目标框的检测头结构.这一结构将分类网络与边框回归网络完全分开,避免了特征不匹配问题.在添加为保留形状关系而改进的LOSS函数后,使用该检测头结构的MobileNet...     

基于深度学习的行人检测技术研究

行人检测一直是视频分析领域的研究热点和难点,在无人驾驶、道路监控、智慧城市等方面具有广泛应用.介绍基于深度学习的行人检测技术,全面分析目标检测技术发展现状,研究行人检测关键技术及其处理流程,并基于YOLO v3进行了软件系统实现与验证.实验结果表明,深度学习技术能够在准确度和实时性方面满足行人检测要求.最后,探讨了行人...     

基于YOLOV4的港口作业人员检测系统研究

随着经济高速发展,经略海洋与海洋经济发展成为国家重要发展战略,港口设施建设和完善对于海洋经济发展有着重要作用.然而,港口重型机械以及轮机操作对作业人员安全有潜在威胁,智能化、信息化码头建设势在必行.近年计算机视觉和深度学习技术快速发展,为港口应用智能视觉技术提供了有力的技术支撑.基于深度学习框架YOLOV4搭建了港口作...     

基于改进YOLOv5的汽车车门装配工艺检测

汽车车门装配工作已实现流水线式的自动装配,但对于门板零件装配是否到位目前并无有效方案。针对此情况提出了一种基于YOLOv5网络优化的汽车门板装配检测网络,该网络实现对螺钉、焊点、扣件三类装配工艺的检测,可检测在相应装配点位上是否已正确安装。为提高对各装配件装配情况的检测精度,在YOLOv5网络中的卷积模块增加注意力机制,增强主干网络对于高频主干网络的特征学习;其次对原网络中的SPPF感受野扩展模块采用空洞卷积组构造不同大小的感受野范围丰富特征信息,并采用最大值池化层将对特征图中的高频特征信息进行增强,抑制背景噪声的干扰。经试验测试,优化后的网络相比于优化前的精确率(Precision)指标提升2.1%达97.4%,召回率(Recall)指标提升8.4%达97.0%,平均精度均值(mAP)指标提升5.9%达98.1%,有一定的实用性。     

基于深度学习的交通标志检测系统仿真

交通标志是规范驾驶员驾驶的重要指标信息,如何检测交通标志是无人驾驶和辅助驾驶中的关键一环。利用 PYQT 开发一套基于深度学习的交通标志检测系统,系统包括 4 个主要模块：用户信息模块、摄像头采集模块、检测模块和保存结果模块。对比目前主流的深度学习目标检测算法 YOLOv3 和 Faster-RCNN 在交通标志上的检测效果,并采用 YOLOv3 作为系统仿真算法,仿真结果表明,YOLOv3 兼顾了实时检测和检测精度要求,对无人驾驶和辅助驾驶研究具有一定应用价值。     

基于骨骼特征点的跌倒检测方法

针对现有跌倒检测方法中利用时空图卷积网络(ST-GCN)进行行为检测的准确率有待提高、时间信息利用不够充分等问题,提出了一种基于轻量级YOLO v3人体目标检测模型结合人体骨骼特征点的跌倒检测方法.本方法利用AlphaPose算法实时得到人体的骨骼特征点信息,在此基础上结合改进的ST-GCN模型提取了强化后的行为时空信息,从而对跌倒进行更加准确的检测.在通用数据集及自建数据集上的测试结果表明,该方法在跌倒检测中具有良好的效果.     

基于改进Vibe算法与多特征的智能交通系统

基于计算机视觉技术对道路交通视频中的运动目标进行分类。针对目标分割过程中的光线变换及分类效率问题,主要采用贝叶斯网络模型以及合适的前景提取模型以提高精度。提出一种改进的Vibe算法对运动目标进行检测,通过提取目标长宽比、Hu不变矩以及离散度特征等对目标进行分类。最终实验结果正确率在80%以上,说明该智能交通系统可以有效识别出运动目标,且具有较强的鲁棒性与适应性。     

基于视觉注意的人体动作检测

基于计算机视觉的人体运动检测是计算机视觉领域中备受关注的前沿课题。本文利用一个基于灰度、颜色和运动等时空特征的视觉注意模型,有效地提取出视频中包含运动信息的显著区域。将这一视觉注意模型与一个基于时空梯度特征提取与子块匹配的人体动作检测相结合．可弥补传统方法耗时长的不足,并提高了对噪声的鲁棒性。实验表明．利用该方法能有效提高人体动作检测的效率和准确率。     

基于数据的不平衡学习大规模分层的目标检测网络方案

通过对公开图形数据集的详细分析,发现数据集有四种典型特征:规模大、标签系统分层、标注不完整和数据不平衡.针对以上数据集的典型特征,在采用更大的骨干网、分布式Softmax损失函数、分类别采样策略、专家模型和重分类器等应对策略后,单模型mAP精度最优能达到62.29.经过集成之后,mAP精度能最终可提升到67.17.试验...     

基于YOLO的人脸口罩检测

疫情期间,佩戴口罩是防止疫情传播的有效措施。利用计算机对人是否佩戴口罩进行自动检测是计算机视觉领域的研究热点。针对人脸口罩检测任务,尝试构建了三种基于深度学习的人脸口罩检测模型:YOLOv1、YOLOv2和YOLOv3,并在预处理后的AIZOO数据集上对此三个模型进行训练和测试,实验结果表明,在各个评价指标上YOLOv3模型的性能均为最优。最后对YOLOv3的实际检测效果进行了可视化和样例分析,检测结果显示,YOLOv3在一定程度上可以投入实际应用。     

基于YOLO算法的多类目标识别

针对传统目标识别方法需要人工设计特征工程,费时费力,泛化性能差的缺点,以YOLO算法和tiny-yolo模型为基础,在tiny-yolo的基础上增加了3×3卷积层和NIN(Network in Net Work)卷积层,设计了一个包含15个卷积层的神经网络模型m-yolo。在voc2007和voc2012数据集上的实验结果表明,m-yolo模型提高了识别的准确性和定位的精确性,并且保证了在识别速度上与tiny-yolo基本保持一致,平均识别时间仅上升了0. 6 ms。     

车前小型障碍物图像检测与分类方法

针对车辆辅助驾驶系统中遇到的障碍物小的特点和对实时性的高要求,提出一种基于卷积神经网络YOLO图像检测算法优化并增加分类计数的方法。通过对小石子和道路坑洞这2种极易引发车辆事故的典型小型障碍物图像建立数据库,针对数据库利用k-Means+优化k值并配置新的锚定值,对取自车载视频的图像进行检测识别。新增的分类和计数算法可快速、直观地获得检测结果,实现驾驶员快速决策的目标。实验结果表明,该方法可对小石子和道路坑洞等小型障碍物有效地检测识别和分类计数,检测速度也满足系统的实时性要求。     

基于YOLO目标检测的生猪多阈值Otsu分割方法

采用一种基于YOLO目标检测的多阈值Otsu分割方法对采食区域的生猪进行分割.首先,利用自适应直方图均衡化对彩色图像进行增强并划分采食区域,训练一个YOLO目标检测网络,提取出采食区域内的生猪目标;然后在每个目标区域内利用Otsu方法计算多个阈值并对图片像素进行分类,将属于前景的像素叠加起来并通过形态学处理得到精确的分...     

面向小目标检测的机器视觉实验项目改进设计

目标检测是计算机视觉实践课程中重要的实验项目,尤其是小目标检测是该领域的难点。针对实验中常用的SSD模型存在的小目标检测能力不足等问题,提出采用特征图融合的方法改进特征金字塔的结构。在不改变特征图通道数的前提下,对底层特征图通过上采样和卷积操作,增强细节信息的表征能力,构成新的特征金字塔进行训练和预测。在VOC数据集上的测试结果表明：相较于SSD模型,改进模型对不同大小目标的检测精度都有提升,小目标的检测精度提升一倍以上,并且改善了SSD模型存在的漏检和误检问题。通过模型的优化和对比,加深了学生对目标检测原理的理解,提高了学生解决实际问题的能力,促进了计算机视觉实践课程的建设。     

基于深度学习的煤矿防尘口罩佩戴检测

煤矿井下存在大量有害气体及粉尘,井下工作人员长期吸入有害气体或粉尘后会对身体造成严重危害.提出一种基于深度学习的煤矿防尘口罩佩戴检测方法,对数据集进行预处理后,采用YOLO算法进行迭代训练,得到最优权重.通过与其他算法进行对比,本文算法mAP值为92.5%,检测速度为12 ms,相比于其他目标识别算法检测精度更高、速度更快,表明该算法能够更好地识别防尘口罩,满足实际应用需求.     

基于计算机视觉技术的苹果分选检测研究

苹果的大小和缺陷是苹果分级的重要指标,文章简要介绍了国内外利用计算机视觉技术进行苹果分选的研究状况,设计了基于计算机视觉的对苹果分选的检测系统,提出了一种在运动状态下检测苹果大小和缺陷的R通道方法,并对检测系统进行了试验,结果显示,该算法可达到实际应用的要求。     

基于计算机视觉检测技术的零件在线测量

随着计算机技术和光电技术的发展,已经出现了一种新的检测技术——基于计算机视觉的检测技术,利用CCD摄像机作为图像传感器,综合运用图像处理等技术进行非接触测量的方法,被广泛地应用于零件尺寸的精密测量中。本文以面阵CCD为传感器,研究了零件在线测量的方法,实现了零件尺寸的图像边缘亚像素定位测量,对面阵CCD在高精度测量方面的应用作了进一步的探索和研究,为面阵CCD在复杂零件尺寸高精度测量的实现打下了基础。