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...     

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算法的红外图像行人目标检测

针对红外图像中行人检测算法准确率低、漏检等问题,提出了一种基于改进YOLOv5s的红外行人目标检测方法。首先,利用Transformer编码结构替换C3模块中的Bottleneck结构,以加强检测网络的特征融合能力;其次,利用递归门控卷积gnConv对视觉感受野模块RFB进行改进,并在YOLOv5s头部检测网络前加入改进的RF-gnConv模块,以提高模型对各种复杂场景行人检测的适应力;最后,利用OTCBVS数据集对算法模型进行验证。结果显示：改进后的算法模型平均精度均值达到97.3%,检测速度为63帧/s,验证了改进算法对红外图像中行人检测的有效性。     

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...     

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。     

基于 YOLOv3 算法的教室学生检测与人数统计方法

教室环境中人群密度高、重叠部分较大的特点会给人数统计工作带来困难。基于深度学习 YOLOv3 目标检测算法对学生目标进行检测,并加入 Deep-Sort 算法为核心实时追踪方法,对 YOLOv3 算法检测到的学生目标进行一段时间的跟踪,从而克服传统视频人数统计方法中忽略视频上下帧关联信息的缺点,并且能更好地解决视频遮挡问题。目标检测方法中的损失函数用 tan 方损失函数代替原有交叉熵损失函数,跟踪算法中的卡尔曼滤波算法采用 Levenberg-Marquardt 对修正后的轨迹预测予以优化。最后,对该方法进行性能评价与对比实验,包括是否加入上下文信息对比以及与 SVM 目标检测算法作对比。实验结果表明,此方法在测试集中,加入上下文信息后准确率达 93.4%,召回率达 81.4%。对比 SVM,该方法在教室视频人数统计中准确率提升2.1%,召回率提升 8.9%。     

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。     

精准人脸识别及测温技术在疫情防控中的应用——普利商用精准识别技术典型案例

为了改善复杂环境下的人脸识别精度,特别是在当前疫情防控转入常态化的形势下,提升戴口罩场景下的人脸识别精度及红外测温精度至关重要。基于对场景数据的统计和分析,通过对识别参数的动态优化,提升人脸算法识别精度;基于人脸检测的戴口罩检测算法,自动识别是否戴口罩,并针对戴口罩场景采用专用的人脸识别模型,提升人脸识别性能;基于人脸检测的红外测温技术,自动识别测温区域和距离,并对测温结果进行校正,提高测温精度。结果表明,开放场景下识别准确率超过98%;人证核验场景下识别准确率超过93%,戴口罩场景下识别准确率超过92%,红外测温误差小于0.3℃。基于场景适配的参数优化策略,能够在不依赖核心算法性能提升的条件下,使得人脸算法识别性能提升7%;基于人脸检测的红外测温技术,通过温度补偿策略,使得测温误差小于0.3℃。     

变电站指针式仪表示数识别方法研究

为对处于复杂环境中的变电站指针式仪表进行示数识别,提出一种基于深度学习的指针式仪表示数识别方法.首先使用目标检测算法YOLOv3检测图片中仪表和仪表刻度值的位置,并使用基于LeNet-5网络的字符识别算法识别刻度数值;然后使用语义分割算法DeepLabv3+分割出仪表指针区域;最后使用角度法读取仪表示数.实验结果表明,...     

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Jetson Nano的智能门禁系统

针对在新冠肺炎疫情时期实验室、办公室等小型半封闭场所出入人员的管理问题,基于Jetson Nano硬件平台利用人脸识别和目标检测等算法对门禁系统进行设计与实现。该门禁系统实现了智能身份识别与口罩佩戴检测以及网页端的远程控制功能。测试表明,该门禁系统的识别正确率和识别速率可用于疫情时期出入人员的管理,具有实用性高、成本低、性能良好的特点。