YOLOv3

摘要： 提出一种将航拍车辆视频预处理与轻量化目标检测模型结合的级联方式.首先,针对无人机拍摄的车辆视频数据大量冗余的问题,在边缘设备设置一个两级过滤器,通过帧的像素级及结构性差异过滤大量冗余帧,从而大幅减少传输到后端的检测模型的帧数;其次,针对高精度目标检测模型时延高的问题,采用通道剪枝与层剪枝结合的方法压缩YOLOv3模型并部署在PC端,实现时延和精度的均衡.实验结果表明:两级过滤器能够有效过滤90％以上的冗余帧数,相较于原模型,压缩模型在精度仅下降2％左右的情况下,检测速度提高78.3％,达到36.9帧·s-1.

摘要： 针对多目标跟踪领域中现有研究方法存在的实时性差、易漂移等问题,基于YOLOv3算法和KCF算法,提出了一种多目标检测跟踪算法。首先,利用训练好的YOLOv3网络获取视频中目标的位置,并对各个目标进行ID分配;其次,将多个目标并行输入到基于核相关滤波的跟踪模块进行目标跟踪;然后,判断是否满足启动修正策略的条件,若满足则用检测模块的结果去修正跟踪模块的结果;最后,利用跟踪结果更新核相关滤波器模型。实验结果表明,将算法应用于OTB2015数据集中的4组含有多种干扰的视频序列,其跟踪精确度达82.4%,跟踪成功率达81.1%,能够满足跟踪实时性要求。因此,所提算法不但有效,且具有更强的鲁棒性,为多目标跟踪领域提供了新的研究思路。

摘要： 随着大学校园非机动车数量的急剧增加,各种违规停放的问题也随之而来。由于非机动车乱停乱放的范围较大,时间较分散,并且数量极多,因此校园管理人员也很难进行高效地管理。为此,文章提出一种基于深度学习的大学校园非机动车乱泊监测系统,通过在嵌入式设备NVIDIA Jetson TX2上部署YOLOv3算法实现对违禁停车区域停放的非机动车进行实时监测。实验结果表明,本系统可以准确高效地对乱停乱放的非机动车进行实时监测,从而很好地避免了校园非机动车乱泊造成的交通拥堵等问题。

摘要： 文章提出了一种针对海关监管场景下的人员检测系统,当未授权人员进出监管场所禁区时可及时预警告知海关工作人员。由于传统的YOLO v3网络无法应对背景复杂或目标过小的情况,文章改进了YOLO v3神经网络,加入HOG-CLBP特征提取层,并改进了先验框的生成算法。另外,文章算法修正了损失函数,使其更加符合人体姿态特征,最后通过边界点偏离检测来判别是否有人员越界情况。文章对INRIA数据集和海关真实场景数据进行了测试,结果表明该方法可以有效地提高夜晚环境下人员的检测精度。

摘要： 为解决跌倒动作的检测和空间定位问题,本文以YOLOv3目标检测算法为基础,提出了一种全新的用于人跌倒动作识别的检测架构。本算法将视频拆分成一系列的图片序列,并在图片序列中指定关键帧。通过3D卷积神经网络提取视频序列中的时间维度特征,2D卷积神经网络提取关键帧中的空间维度特征,经通道融合机制在不同尺度的预测特征层进行通道融合,融合后的特征经过特征金字塔Transformer进行深层次特征提取和融合。该算法实现了端到端的训练。通过在自己制作的跌倒动作数据集上进行训练和测试,证明了多特征融合和Transformer结构在人体跌倒动作检测中的有效性。

摘要： 自然场景下苹果采摘对目标的精准识别和三维定位是苹果智能采摘设备的关键技术。融合YOLOv3算法和双目视觉技术,通过YOLOv3算法对多种自然场景下的样本进行训练,构建识别模型,利用双目视觉获取苹果图像,运用YOLOv3模型得到图像中目标苹果的二维坐标,再利用双目视觉视差原理得到深度坐标信息,从而实现对目标苹果的三维空间定位。将该算法应用于不同自然场景下苹果的识别和定位,并进行识别效果和定位精度的评价。结果表明,在光照不均、果实上存在阴影并且存在相互遮挡的情况下,最小相对误差为0.193%,最大相对误差为3.670%;在夜晚光照不足且存在相互遮挡的情况下,最小相对误差为0.831%,最大相对误差为4.417%;有露水在苹果表面形成反射并且果实存在相互遮挡的情况下,最小相对误差为0.176%,最大相对误差为4.205%;在光线较弱、阴影小、存在遮挡时,最小相对误差为0.168%,最大相对为误差3.776%。研究中所运用的算法只需适量样本就可以满足不同场景下的识别和定位训练,在不同场景下的mAP(mean Average Precision)达96.60%。该算法具有较强的稳定性,能够识别重叠、夜间、光照折射等不同应用场景下的目标苹果,能够较好地满足智能机器人在识别定位方面的精度需求。

摘要： 自动三维乳腺超声(Automated 3-D Breast Ultrasound,ABUS)克服传统超声的缺陷,成功应用于对腹壁疝轻量型补片的检查.但人工检阅ABUS超声图像耗时费力,且极易出现漏诊等问题.因此,文章提出一种基于改进YOLOv3和迁移学习的目标检测算法以辅助医生提高审阅速度和准确性.基于原有的YOLOv3模型,在检测层前增加空间金字塔池化(Spatial Pyramid Pooling,SPP)模块实现局部特征与全局特征的融合,丰富特征图的表达,解决了检测图像中小目标难以检测的问题;在网络训练中,采用迁移学习的策略进行训练网络以克服轻量型补片图像数据集有限的问题,提升网络的鲁棒性减少过拟合产生.实验结果表明,YOLOv3-SPP算法结合迁移学习训练方式,其平均精度均值(mean Average Precision,mAP)达到90.15%,图像检测速度为33.2 f·s^(-1),可有效辅助医生提高审阅效率.

摘要： 针对小型汽车变速箱后油封座缺陷检测精度低、检测速度慢、目标不敏感等问题,提出改进YOLOv3检测算法。在YOLOv3算法基础上,将第11层浅层特征与网络深层特征融合,生成尺度为104×104的新特征图层,提取更多小缺陷目标特征;再将BN层参数合并到卷积层,共用连通数据减少占用显存等空间。结果表明:文中算法能有效识别有缺陷油封座,准确率提高了1.25倍;加快了模型前向推移速度,检测速度提高了6 f·s^(-1)。

摘要： 本文提出了一种基于YOLOv3算法的运动车辆与静止车辆的识别方法。其利用卷积神经网络提取运动车辆与静止车辆的特征,对网络的输出层Softmax进行修改,并通过大量实验优化权重模型参数;利用AICITY CHALLENGE数据集制作训练和检测数据库。测试结果表明,改进后的YOLOv3算法能更好地识别多种现实生活场景中的运动车辆与静止车辆,取得了95.55%的mAP与34.7 frame/s的检测速度,具有很好的检测性能与实时性;检测精度达到了98%,足够满足实用需求。

摘要： 针对特征点匹配过程中非标准形状目标物提取的特征点具有随机性,无法对目标物上某一点持续提取;且受环境影响,特征点匹配准确率不高等问题,提出一种基于标记点的匹配方法。首先在目标物期望跟踪点附近贴上若干个标记点,再通过YOLOv3对各标记点进行识别框选;然后在提取区域内进行FAST特征点检测并选取Harris响应值最大的N个特征点进行BRISK描述并匹配;将匹配结果作为标记点的相似度描述得到各帧标记点的对应关系;将各区域内的特征点进行最小二乘法拟合椭圆求解标记点中心;最后根据标记点预设的几何关系和匹配关系实现对期望点的动态匹配。实验表明该方法相较于传统SIFT、Harris-SIFT、光流法,能在目标物背光、自然光干扰等复杂环境下对期望点实现较好的匹配效果。

摘要： 本发明涉及一种基于三阶级联架构的YOLOv3的远景目标检测方法，属于目标检测技术领域。该方法包括：S1：构建目标检测模型：将准备好的远景农作物图片作为样本图片，再使用视觉相干混合技术和几何手段进行数据增强，形成远景数据集后再使用图像标注软件进行标注，最后通过三阶级联架构的YOLOv3算法进行训练，生成目标检测模型；S2：采集检测目标的视频图像，输入目标检测模型中进行目标检测，得到含有置信得分的目标图；S3：通过NMS算法比较置信度得分，得到目标的位置信息和置信度信息；S4：根据得到的位置信息，对目标个数进行计算总数。本发明提高了目标跟踪算法的准确性、鲁棒性以及适应性，并减少了算法的计算量。

摘要： 一种基于改进的YOLOv4‑tiny和YOLOv4的绝缘子缺陷检测方法，其特点是：步骤1，收集含有绝缘子的图像数据；步骤2，扩充缺陷绝缘子图像数量；步骤3，标注绝缘子串和缺陷绝缘子；步骤4，改进YOLOv4‑tiny模型目标检测框选取方法；步骤5，利用改进的YOLOv4‑tiny模型对绝缘子串整体目标进行检测；步骤6，裁剪已检测到的绝缘子串图像；步骤7，改进YOLOv4模型主干网络；步骤8，改进YOLOv4特征融合网络；步骤9，基于改进的YOLOv4绝缘子缺陷检测；步骤10，基于改进的YOLOv4‑tiny和YOLOv4的绝缘子缺陷检测模型训练；步骤11，绝缘子缺陷检测模型在线应用。其检测准确度受背景影响较小，准确度更高。

摘要： 本发明提供了一种基于YOLOv3的管道第三方破坏智能识别方法，包括：步骤1、对埋地管道第三方破坏进行分析，确定目标检测对象；步骤2、建立目标检测数据集，并对数据集进行预处理和分类；步骤3、以YOLOv3为基本框架，并引入Attention机制，构建管道第三方破坏检测模型；步骤4、训练并得到权重文件；步骤5、测试并验证模型的有效性；步骤6、现场数据采集模块及云平台部署；步骤7、实时检测并更新训练。本发明方法为管道的第三方破坏智能识别提供了技术支撑。同时，本发明基于YOLOv3深度学习框架并引入Attention机制，提高了识别速度与识别精度，进一步提高了管道风险预警的及时性与有效性。

摘要： 本发明公开了一种基于YOLOV3‑tiny的共虚轴三维相机的实时测距方法，包括：共虚轴三维相机采集同一光轴上的远图和近图；利用YOLOV3‑tiny目标识别神经网络加速算法对近图的图像数据和远图的图像数据进行处理；根据处理后的图像数据，确定远图和近图上预设识别的物体所对应的两个目标识别框；对目标识别框内的图像数据进行CSS角点识别；根据识别的角点坐标，获得目标识别框内的图像数据的远、近角点到中心点的距离的平均值；将获得的平均值代入共虚轴三维相机光学关系式中，得出距离信息。本发明能实时准确地测距。

摘要： 本发明涉及一种基于三阶级联架构的YOLOv3的远景目标检测方法，属于目标检测技术领域。该方法包括：S1：构建目标检测模型：将准备好的远景农作物图片作为样本图片，再使用视觉相干混合技术和几何手段进行数据增强，形成远景数据集后再使用图像标注软件进行标注，最后通过三阶级联架构的YOLOv3算法进行训练，生成目标检测模型；S2：采集检测目标的视频图像，输入目标检测模型中进行目标检测，得到含有置信得分的目标图；S3：通过NMS算法比较置信度得分，得到目标的位置信息和置信度信息；S4：根据得到的位置信息，对目标个数进行计算总数。本发明提高了目标跟踪算法的准确性、鲁棒性以及适应性，并减少了算法的计算量。

摘要： 本发明公开了一种基于改进YOLOv5算法的电房开关柜柜面部件识别方法，方法包括下述步骤：通过配电房中的摄像头采集开关柜图像，得到开关柜图像数据集；对开关柜图像数据集进行数据增强得到增强数据集，并划分为训练集和测试集；构造改进YOLOv5网络模型，包括：首先对网络结构进行改进，添加小目标检测层；在Neck网络中使用AF‑FPN结构代替FPN结构，最后使用SIOU损失函数作为bounding box的损失函数；在训练集上迭代训练改进YOLOv5网络模型直至收敛，保存最佳网络权重；将最佳网络权重载入改进YOLOv5网络模型中，使用测试集进行测试，输出柜面部件识别结果。本发明使用改进YOLOv5算法，在背景复杂、目标较小的情况下对柜面部件进行准确识别并进行性能评估，具有良好的检测识别效果。

摘要： 本发明公开了一种基于改进YOLOv7的自然树种识别方法，本发明属于林业树种类识别领域，包括：获取自然树种图像，所述自然树种图像包括：训练图像和测试图像；使用Mosaic‑8数据增强手段对所述训练图像进行数据增强，得到增强训练图像；构建YOLOv7网络，对YOLOv7网络结构进行改进，得到改进YOLOv7模型；其中改进YOLOv7模型包括骨干网络、检测头层网络、注意力机制模块、Rep和Conv，通过检测头层网络输出四层不同尺寸的特征图；基于训练图像训练改进YOLOv7模型，从而得到更好的效果；将测试集图像输入至训练好的改进YOLOv7模型，得到自然树种的识别结果。本发明能够对树木种类进行准确识别。

摘要： 本发明提出一种基于C3M‑Yolov5s的农业虫害图像检测方法，该方法包括：第一，为了在卷积提取图像特征的同时降低原模型的参数量和计算成本，即加快网络的收敛速度，将原模型Yolov5标准卷积Conv模块更换为MobileNetV3中所提出的卷积模块；第二，基于Bottleneck的结构搭建出MBottleneck的瓶颈式卷积模块，该结构在保障较低参数量的条件下提取图像特征时更加灵活，缩放卷积核大小后提取到的特征更具有特异性；第三，通过使用MConv和MBottleneck借鉴参差结构搭建出C3M，其中参差结构能够有效避免梯度消失的弊端，合理的加深网络的层数，这能够进一步提升模型的特征获取能力；第四，实验设置基于公开农业虫害数据集IP102，使用C3M模块替换原模型中Neck的C3提升模型Neck对于主干递交的图像特征的接收能力，结果表明模型的收敛速度在相同训练参数的配置下改进后模型保持了与原模型一致的mAP指标，且AP50指标、模型收敛速度有所提升。

摘要： 本发明公开了一种基于改进的YOLOv3行人及车辆目标检测方法及系统，所述方法包括：在特征提取阶段，首先使用DenseNet网络替换原YOLOv3网络中的Darknet‑53主干网络，采用MobileNet网络深度可分离卷积替换DenseNet网络中的普通卷积，其次将SPP网络安排在DenseNet的最后一个特征层卷积之后；在训练阶段，将K‑means++聚类算法引入改进的YOLOv3网络中，将其与Intersection‑over‑Union(IoU)结合并与anchor比较进行聚类，重复上述步骤，直至筛选出9个尺寸合适的anchors；在检测阶段，依据维度聚类生成的anchors以及三种采样获取不同尺寸的特征图感受野，用于检测不同尺寸的目标，并采用多任务损失函数提高学习率；本发明的优点在于：提高了行人及车辆的检测精度以及检测速度，改善了行人及车辆中小目标的漏检率以及定位准确度。

摘要： 本发明公开了一种基于YOLOV5图像识别算法和深度相机的矿石块度检测方法，包括：采集某矿山爆堆图片；使用软件对图片中的矿石块标注并生成标注文件；YOLOV5算法改进，增加网络层和Anchor；利用以上图像数据训练YOLOV5数学模型；使用训练出的模型对新爆堆图像进行识别获得带矿石图像的标记框；将标记框中图像取出，对取出的图像做分水岭分割获得矿石轮廓；获得摄像头到爆堆的距离数据，根据相似三角形法则计算出矿石的实际尺寸；统计各直径区间矿石块数量得到块度分布率。该方法实现了矿石石块的智能识别以及块度分析的实用性、准确性和实时性；相较于二维图像在计算不同距离石块尺寸时数值更加准确。