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.     

基于卷积神经网络的人脸检测算法研究

近年来,随着深度学习的迅猛发展,人脸检测算法准确度已有很大提升。模型越复杂,检测速度越慢,设计一种准确度与速度兼顾的人脸检测模型尤为必要。基于FaceBoxes人脸检测算法框架,提出一种基于深层卷积主干网络的改进方法,并在人脸检测基准数据集中进行测试实验。其在FDDB数据集上的实验结果显示,检测正确率达95%,比传统方法提高1.67%。该算法在保证实时性的同时提升了检测准确率,可应用于追求更高准确率的人脸检测系统。     

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...     

基于改进的YOLOv3口罩佩戴检测算法研究

冠状病毒COVID-19的爆发引起全球健康危机,要求人们外出时佩戴口罩,因此基于深度学习的口罩佩戴检测技术也应运而生。本文提出一种高效的口罩佩戴检测算法,该算法基于YOLOv3检测框架,设计一种轻量化主干网络代替DarkNet53,该主干网络在浅层采用了一个快速降采样模块提高推理速度;为了进一步准确区分出人们是否正确佩戴口罩,在检测完成之后,使用分类网络进行口罩是否正确佩戴分类。经测试,该算法在CPU运行可达30桢/秒,比YOLOv3的CPV高5桢/秒,在目标检测中的指标（mAP）收集后的WIDER FACE、RMFD和CMFD可以达到94.4%,高于YOLOv3的93.2%。     

改进YOLOX-S算法的安全帽和口罩检测

针对建筑工地等危险场景下需要对相关人员佩戴安全帽和口罩进行检测,提出基于改进YOLOX-S算法对安全帽和口罩小目标进行同时、实时检测．首先,在YOLOX-S中CSPLayer结构引入ECA注意力机制,引导模型更加关注小目标信息的通道特征,增强模型对有用特征的利用能力;其次,在主干特征提取网络的三个特征层后添加ConvNext Block模块,增强模型对有用特征的利用能力;最后,在加强特征提取网络中引入BiFPN的加权特征融合机制,将原来concat变为BiFPN＿concat,增加了对每个输入特征添加可学习的权值,来学习不同输入特征的重要性,区分特征融合过程中不同特征的重要程度,更好关注待检测的目标信息．实验结果表明,改进后算法的mAP为93.2%,比原始YOLOX-S算法平均精确度提升了3.1%.     

基于混合方法的人脸检测综述

混合方法成为目前人脸检测研究领域的热点,本文将其检测过程分为基于提高检测速度的粗检测和基于检测精确度的细检测两大部分,分析了有关人脸检测向题的研究方法,并对其进行了分类和评价.     

基于特征的人脸检测研究

人脸检测是近年来图形图像处理和模式识别的热点研究内容之一．文章系统介绍了基于特征的人脸检测方法,对其进行了分类总结．同时,详细介绍了其中的关键技术和研究成果,并对其研究的发展趋势进行了展望．     

聚集人群人脸检测研究

聚集人群是一种敏感场景,隐藏着突发和不易控制等因素,对人群聚集场景的检测有实际应用价值。通过缩小上下文信息模板搜索范围,采用双三次插值算法调整图像大小,利用上下文信息经感受野提取更多细节信息,基于深度残差101层网络模型提取人脸检测框,并通过非极大值抑制去除冗余的、保留最好的人脸检测框。实验结果表明,该算法平均误检率为0.022 6,与Hu算法相比,在不损失精度的同时,提高检测的平均速度为2.953 3s。     

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YCbCr空间的高斯肤色模型的人脸检测

主要研究人脸检测算法,分析了现有人脸检测算法的特点和不足之处。采用基于YCbCr空间的高斯肤色模型,利用颜色信息把彩色图像分割成皮肤区、头发区和背景区。对皮肤区进行去噪处理,实现脸部区域的具体定位,然后对人脸上的眼睛、嘴巴和鼻子定位。给出了人脸检测的模块设计和算法流程。     

基于人脸检测的智能风扇设计

系统以Raspberry Pi 3B+为核心处理器,通过摄像头采集图像进行人脸检测,进而在一定角度内控制风扇的关停和自动跟踪.Raspberry Pi与ESP8266微控制器配合,利用温、湿度传感器实时采集环境温度和湿度,自动调节风扇的转速.同时对摄像头进行远程控制,最终实现智能风扇系统的设计.经过测试,人脸检测准确度较高,能够很好地满足应用要求.     

基于灰度图像的人脸检测算法的研究

人脸检测与识别技术是生物信号处理的一个重要的研究领域.文章利用人脸的垂直积分投影和水平积分投影法确定人脸轮廓.首先对人脸进行二值化、平滑等处理,使人脸与背景部分分离开来,然后利用人脸的垂直积分投影和水平积分投影法进行人脸的定位.脸左右之间位置得到定位后,便可得知这两者之间的水平距离,从而确定脸区宽度,其中脸区的左右坐标点位置都得到了确定.实验结果表明该算法能有效地提取头部轮廓,且操作简单,效率高.     

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。     

一种基于肤色的人脸检测方法

提出了一种基于肤色的人脸检测方法,通过在YCbCr颜色空间内对人脸图像进行建模,实现人脸的初定位,再使用形态学理论对候选人脸区域做处理,从而实现人脸区域的精确定位。通过仿真实验发现,提出的方法相对于神经网络和模板匹配方法可以较好地适应光照变化,并且解决了计算量大的问题,提高了算法的实时性。     

基于OpenCV的人脸检测系统实现

基于计算机视觉类库OpenCV 实现人脸检测系统,采用级联分类器的方法对人脸进行检测。系统对不同图像有较强的适应性,能够比较精确地判断出人脸位置,尤其对有遮挡物人脸的检测效果较好,具有一定应用价值。     

基于肤色和AdaBoost算法的人脸检测

文章提出了一种新的将肤色算法与AdaBoost算法结合起来的人脸检测算法.算法主要是将用肤色检测算法得到的肤色特征,做为一种新的矩形特征加入到AdaBoost算法的训练过程中.新算法提高了人脸检测的正确率,降低了误检率,新算法的鲁棒性更强.     

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...     

基于几何形状的AdaBoost人脸检测算法研究

介绍了AdaBoost人脸检测算法以及人脸符合的几何规则。考虑到使用AdaBoost人脸检测算法存在计算量比较大的问题,因此文中提出基于几何形状的AdaBoost人脸检测算法,改进了人脸检测分类器训练方法,降低了误检率,提高了人脸检测的计算速度。     

基于几何特征和支持向量机的人脸检测

针对人脸检测中的非线性和降维问题提出了一种有效的人脸检测方法。首先基于人脸的肤色和几何特征．通过局部自适应门限方法提取图象边缘，用几何规则和颜色特征筛选出候选眼睛块。然后采用改进的四边界sobel算子对眼睛精确定位。最后使用训练好的支撑向量机来验证。该方法可以实现多尺度多角度的彩色图像中的正面人脸检测，实验结果令人满意。