期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到74篇文章
< 1 2 … 4 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于Darknet网络和YOLO4的实时电路板故障检测算法 被引量：2
1
作者 赵岩 孔祥伟 +1 位作者 马春斌 杨浩 《计算机测量与控制》 2023年第6期101-108,共8页
针对现有的接触式电路板故障检测方法难以应用到大规模集成电路故障检测中的问题,提出一种实时、非接触式的基于深度学习的电路板故障诊断算法;建立PCB板缺陷检测和元器件识别图像数据集,并采用数据增强技术,对数据进行数据增强来提高... 针对现有的接触式电路板故障检测方法难以应用到大规模集成电路故障检测中的问题,提出一种实时、非接触式的基于深度学习的电路板故障诊断算法;建立PCB板缺陷检测和元器件识别图像数据集,并采用数据增强技术,对数据进行数据增强来提高训练的数据量,以提升模型检测精度和鲁棒性;基于Darknet框架和YOLO4算法训练得到元器件检测模型,并通过采用k-means聚类算法设计合理的Anchors,使得模型具备多尺度缺陷检测的功能;使用图像配准算法在红外图像和可见光图像上实现配准和融合;根据PCB板设计时划分的功能区域,利用测温热像仪连续采集5个该区域的平均温度,通过判断5个平均温度之间的关系从而判断短路或者短路状态;经过试验测试,使用预先设置好故障的电路板作为实验对象,通过采集实验对象运行过程中的红外和可见光图像数据,基于设计的故障检测模型,不仅能够实时且有效地识别出元器件位置,并能够直观地标识出现短路、短路故障元器件;经过实际应用,能够满足设备运行时的实时电路板故障检测工程应用。 展开更多
关键词 电路板 故障检测 图像处理 DARKNET yolo4
下载PDF
基于改进YOLO v4的自然环境苹果轻量级检测方法 被引量：35
2
作者 王卓 王健 +3 位作者 王枭雄 时佳 白晓平 赵泳嘉 《农业机械学报》 EI CAS CSCD 北大核心 2022年第8期294-302,共9页
针对苹果采摘机器人识别算法包含复杂的网络结构和庞大的参数体量,严重限制检测模型的响应速度问题,本文基于嵌入式平台,以YOLO v4作为基础框架提出一种轻量化苹果实时检测方法(YOLO v4-CA)。该方法使用MobileNet v3作为特征提取网络,... 针对苹果采摘机器人识别算法包含复杂的网络结构和庞大的参数体量,严重限制检测模型的响应速度问题,本文基于嵌入式平台,以YOLO v4作为基础框架提出一种轻量化苹果实时检测方法(YOLO v4-CA)。该方法使用MobileNet v3作为特征提取网络,并在特征融合网络中引入深度可分离卷积,降低网络计算复杂度;同时,为弥补模型简化带来的精度损失,在网络关键位置引入坐标注意力机制,强化目标关注以提高密集目标检测以及抗背景干扰能力。在此基础上,针对苹果数据集样本量小的问题,提出一种跨域迁移与域内迁移相结合的学习策略,提高模型泛化能力。试验结果表明,改进后模型的平均检测精度为92.23%,在嵌入式平台上的检测速度为15.11 f/s,约为改进前模型的3倍。相较于SSD300与Faster R-CNN,平均检测精度分别提高0.91、2.02个百分点,在嵌入式平台上的检测速度分别约为SSD300和Faster R-CNN的1.75倍和12倍;相较于两种轻量级目标检测算法DY3TNet与YOLO v5s,平均检测精度分别提高7.33、7.73个百分点。因此,改进后的模型能够高效实时地对复杂果园环境中的苹果进行检测,适宜在嵌入式系统上部署,可以为苹果采摘机器人的识别系统提供解决思路。 展开更多
关键词 采摘机器人 苹果检测 yolo v4 轻量化 注意力机制 迁移学习
下载PDF
基于YOLO v4的铁道侵限障碍物检测方法研究 被引量：26
3
作者 刘力 苟军年 《铁道科学与工程学报》 EI CAS CSCD 北大核心 2022年第2期528-536,共9页
铁路侵限异物的自动检测是未来实现铁路智能化的重要组成部分。由于随机的侵限行为可能导致严重的行车后果,研究可以实现连续检测列车运行前方区域状况的技术,是保障列车出行安全的现实需求。针对传统侵限异物检测方法检测类别单一和时... 铁路侵限异物的自动检测是未来实现铁路智能化的重要组成部分。由于随机的侵限行为可能导致严重的行车后果,研究可以实现连续检测列车运行前方区域状况的技术,是保障列车出行安全的现实需求。针对传统侵限异物检测方法检测类别单一和时效性差的不足,提出一种基于YOLO v4检测网络的侵限异物检测模型。在锚框(anchor)的选择上,通过对K-means算法聚类中心的选取方法进行改进,用欧式距离度量替换随机选择的方法,从而获得更具代表的anchor尺寸;在YOLO v4网络的基础上,通过在骨干网络和特征融合网络之间加入压缩和激励模块,在不增加检测时间的同时提升了检测效果;在侵限检测模型的训练方面,使用公共数据集和自制异物侵限数据联合训练的方式提高了模型的泛化能力。在侵限异物测试集上对训练好的模型进行测试,结果表明:该方法对常见异物的平均检测精度达到90.2%,检测速度为53 fps,与Faster R-CNN相比检测精度相差较少的情况下,检测精度有大幅提升。改进的检测模型达到了预期设计目标,可以为铁路侵限异物检测智能化的研究提供参考。 展开更多
关键词 侵限异物 目标检测 yolo v4 聚类 注意力机制
下载PDF
基于改进YOLO v4的安全帽佩戴检测算法 被引量：23
4
作者 金雨芳 吴祥 +2 位作者 董辉 俞立 张文安 《计算机科学》 CSCD 北大核心 2021年第11期268-275,共8页
安全生产管理是建筑、重工业等高危企业发展的重要方针,安全帽在施工生产环境中对人员头部防护起着关键作用,因此加强安全帽佩戴监管十分必要。近年来,基于图像视觉的安全帽佩戴监测方法成为了企业实施管理的主要手段,如何提高安全帽佩... 安全生产管理是建筑、重工业等高危企业发展的重要方针,安全帽在施工生产环境中对人员头部防护起着关键作用,因此加强安全帽佩戴监管十分必要。近年来,基于图像视觉的安全帽佩戴监测方法成为了企业实施管理的主要手段,如何提高安全帽佩戴检测精度和检测速度是应用的关键难题。针对上述问题,文中提出了一种基于改进YOLO v4的安全帽佩戴检测算法。首先,在YOLO v4算法的3个特征图输出的基础上增加了128×128特征图输出,从而将特征图输出的8倍下采样改为4倍下采样,为后续特征融合提供了更多小目标特征。其次,基于密集连接的思想对特征融合模块进行改进以实现特征重用,使得负责小目标检测的Yolo Head分类器可以结合不同层次特征层的特征,从而得到更好的目标检测分类结果。最后,对比实验的结果表明,所提方法的平均精度高达91.17%,相比原网络检测精度提高了2.96%,检测速度基本不变,可达52.9 frame/s,从而在满足实时检测需求的同时可以得到更优的检测精度,有效实现了安全帽佩戴的高速高精度检测。 展开更多
关键词 深度学习 小目标检测 安全帽佩戴检测 yolo v4 K-MEANS聚类
下载PDF
基于融合坐标信息的改进YOLO V4模型识别奶牛面部 被引量：20
5
作者 杨蜀秦 刘杨启航 +3 位作者 王振 韩媛媛 王勇胜 蓝贤勇 《农业工程学报》 EI CAS CSCD 北大核心 2021年第15期129-135,共7页
为实现奶牛个体的准确识别,基于YOLO V4目标检测网络,提出了一种融合坐标信息的奶牛面部识别模型。首先,采集71头奶牛面部图像数据集,并通过数据增强扩充提高模型的泛化性能。其次,在YOLO V4网络的特征提取层和检测头部分分别引入坐标... 为实现奶牛个体的准确识别,基于YOLO V4目标检测网络,提出了一种融合坐标信息的奶牛面部识别模型。首先,采集71头奶牛面部图像数据集,并通过数据增强扩充提高模型的泛化性能。其次,在YOLO V4网络的特征提取层和检测头部分分别引入坐标注意力机制和包含坐标通道的坐标卷积模块,以增强模型对目标位置的敏感性,提高识别精度。试验结果表明,改进的YOLO V4模型能够有效提取奶牛个体面部特征,平均精度均值为93.68%,平均帧率为18帧/s,虽然检测速度低于无锚框的CenterNet,但平均精度均值提高了10.92%;与Faster R-CNN和SSD模型相比,在检测速度提高的同时,精度分别提高了1.51和16.32个百分点;与原始YOLO V4相比,mAP提高0.89%,同时检测速度基本不变。该研究为奶牛精准养殖中的牛脸图像识别提供了一种有效的技术支持。 展开更多
关键词 图像识别 动物 奶牛面部 yolo V4 注意力机制 坐标卷积
下载PDF
基于YOLO v4卷积神经网络的农田苗草识别研究 被引量：19
6
作者 权龙哲 夏福霖 +4 位作者 姜伟 李海龙 李恒达 娄朝霞 李传文 《东北农业大学学报》 CAS CSCD 北大核心 2021年第7期89-98,共10页
农田杂草是影响农作物生长的主要因素之一,农田杂草的有效防治与农作物产量息息相关。复杂田间环境下,精准识别玉米秧苗与农田杂草能够指导除草装备作业更加经济和高效。为提高农田目标识别精度和效率,文章基于深度学习技术的目标检测方... 农田杂草是影响农作物生长的主要因素之一,农田杂草的有效防治与农作物产量息息相关。复杂田间环境下,精准识别玉米秧苗与农田杂草能够指导除草装备作业更加经济和高效。为提高农田目标识别精度和效率,文章基于深度学习技术的目标检测方法,首先使用多苗期、多时段和单一拍摄角度的图像采集方式并配合数据增强方法制作一个特征丰富的数据集。通过减少YOLOv4网络的输出张量为13×13和52×52两个尺度匹配玉米苗和杂草,并用制作数据集作网络训练。训练结果表明,改进后YOLOv4网络训练得到的检测模型在综合性能上优于YOLO v3、原本YOLO v4和主干网络为VGG19的Faster R-CNN;其F_(1)值为0.828,较修改前提升0.031,检测时间缩短0.014s。此外,根据试验可知数据量和数据增强方式均对模型产生不同程度影响;不同类别的目标进行单一训练比多类别目标组合训练得到检测效果更好。 展开更多
关键词 玉米苗 杂草 目标检测 深度学习 yolo v4网络
下载PDF
基于改进YOLO v4的玉米种子外观品质检测方法 被引量：16
7
作者 范晓飞 王林柏 +3 位作者 刘景艳 周玉宏 张君 索雪松 《农业机械学报》 EI CAS CSCD 北大核心 2022年第7期226-233,共8页
针对玉米种子在外观品质检测中需要快速识别与定位的需求,提出了一种基于改进YOLO v4的目标检测模型,同时结合四通道(RGB+NIR)多光谱图像,对玉米种子外观品质进行了识别与分类。为了减少改进后模型的参数量,本文将主干特征提取网络替换... 针对玉米种子在外观品质检测中需要快速识别与定位的需求,提出了一种基于改进YOLO v4的目标检测模型,同时结合四通道(RGB+NIR)多光谱图像,对玉米种子外观品质进行了识别与分类。为了减少改进后模型的参数量,本文将主干特征提取网络替换为轻量级网络MobileNet V1。为了进一步提升模型的性能,通过试验研究了空间金字塔池化(Spatial pyramid pooling,SPP)结构在不同位置上对模型性能的影响,最终选取改进YOLO v4MobileNet V1模型对玉米种子外观品质进行检测。试验结果表明,模型的综合评价指标平均F1值和mAP达到93.09%和98.02%,平均每检测1幅图像耗时1.85 s,平均每检测1粒玉米种子耗时0.088 s,模型参数量压缩为原始模型的20%。四通道多光谱图像的光谱波段可扩展到可见光范围之外,并能够提取出更具有代表性的特征信息,并且改进后的模型具有鲁棒性强、实时性好、轻量化的优点,为实现种子的高通量质量检测和优选分级提供了参考。 展开更多
关键词 玉米种子 外观品质 多光谱图像 yolo v4 MobileNet V1
下载PDF
基于改进YOLO v4的荔枝病虫害检测模型 被引量：13
8
作者 王卫星 刘泽乾 +3 位作者 高鹏 廖飞 李强 谢家兴 《农业机械学报》 EI CAS CSCD 北大核心 2023年第5期227-235,共9页
为实时准确地检测到自然环境下背景复杂的荔枝病虫害,本研究构建荔枝病虫害图像数据集并提出荔枝病虫害检测模型以提供诊断防治。以YOLO v4为基础,使用更轻、更快的轻量化网络GhostNet作为主干网络提取特征,并结合GhostNet中的核心设计... 为实时准确地检测到自然环境下背景复杂的荔枝病虫害,本研究构建荔枝病虫害图像数据集并提出荔枝病虫害检测模型以提供诊断防治。以YOLO v4为基础,使用更轻、更快的轻量化网络GhostNet作为主干网络提取特征,并结合GhostNet中的核心设计引入更低成本的卷积Ghost Module代替颈部结构中的传统卷积,得到轻量化后的YOLO v4-G模型。在此基础上使用新特征融合方法和注意力机制CBAM对YOLO v4-G进行改进,在不失检测速度和模型轻量化程度的情况下提高检测精度,提出YOLO v4-GCF荔枝病虫害检测模型。构建的数据集包含荔枝病虫害图像3725幅,其中病害种类包括煤烟病、炭疽病和藻斑病3种,虫害种类包括毛毡病和叶瘿蚊2种。试验结果表明,基于YOLO v4-GCF的荔枝病虫害检测模型,对于5种病虫害目标在训练集、验证集和测试集上的平均精度分别为95.31%、90.42%和89.76%,单幅图像检测用时0.1671 s,模型内存占用量为39.574 MB,相比改进前的YOLO v4模型缩小84%,检测速度提升38%,在测试集中检测平均精度提升4.13个百分点,同时平均精度比常用模型YOLO v4-tiny、EfficientDet-d2和Faster R-CNN分别高17.67、12.78、25.94个百分点。所提出的YOLO v4-GCF荔枝病虫害检测模型能够有效抑制复杂背景的干扰,准确且快速检测图像中荔枝病虫害目标,可为自然环境下复杂、非结构背景的农作物病虫害实时检测研究提供参考。 展开更多
关键词 荔枝 病虫害检测 目标检测 yolo v4 轻量化
下载PDF
基于改进MobileFaceNet的羊脸识别方法 被引量：14
9
作者 张宏鸣 周利香 +3 位作者 李永恒 郝靳晔 孙扬 李书琴 《农业机械学报》 EI CAS CSCD 北大核心 2022年第5期267-274,共8页
针对羊只个体差异较小,相似度高难以辨别,远距离识别准确率不高等问题,本文基于MobileFaceNet网络提出了一种融合空间信息的高效通道注意力机制的羊脸识别模型,对羊只进行非接触式识别。该研究基于YOLO v4目标检测方法生成羊脸检测器,... 针对羊只个体差异较小,相似度高难以辨别,远距离识别准确率不高等问题,本文基于MobileFaceNet网络提出了一种融合空间信息的高效通道注意力机制的羊脸识别模型,对羊只进行非接触式识别。该研究基于YOLO v4目标检测方法生成羊脸检测器,以构建羊脸识别数据库;在MobileFaceNet的深度卷积层和残差层中引入融合空间信息的高效通道注意力(ECCSA),以增加主干特征的提取范围,提高识别率,并采用余弦退火进行动态学习率调优,最终构建ECCSA-MFC模型,实现羊只个体识别。试验结果表明,在羊脸检测上,基于YOLO v4的羊脸检测模型准确率可达97.91%,可以作为脸部检测器;在羊脸识别上,ECCSA-MFC模型在开集验证中识别率可达88.06%,在闭集验证中识别率可达96.73%。该研究提出的ECCSA-MFC模型在拥有较高识别率的同时更加轻量化,模型所占内存仅为4.8 MB,可为羊场智慧化养殖提供解决方案。 展开更多
关键词 羊脸识别 yolo v4 MobileFaceNet 注意力机制 ECCSA-MFC
下载PDF
基于改进YOLO v4模型的马铃薯中土块石块检测方法 被引量：15
10
作者 王相友 李晏兴 +3 位作者 杨振宇 张蒙 王荣铭 崔丽霞 《农业机械学报》 EI CAS CSCD 北大核心 2021年第8期241-247,262,共8页
为实现收获后含杂马铃薯中土块石块的快速检测和剔除,提出了一种基于改进YOLO v4模型的马铃薯中土块石块检测方法。YOLO v4模型以CSPDarknet53为主干特征提取网络,在保证检测准确率的前提下,利用通道剪枝算法对模型进行剪枝处理,以简化... 为实现收获后含杂马铃薯中土块石块的快速检测和剔除,提出了一种基于改进YOLO v4模型的马铃薯中土块石块检测方法。YOLO v4模型以CSPDarknet53为主干特征提取网络,在保证检测准确率的前提下,利用通道剪枝算法对模型进行剪枝处理,以简化模型结构、降低运算量。采用Mosaic数据增强方法扩充图像数据集(8621幅图像),对模型进行微调,实现了马铃薯中土块石块的检测。测试表明,剪枝后模型总参数量减少了94.37%,模型存储空间下降了187.35 MB,前向运算时间缩短了0.02 s,平均精度均值(Mean average precision,mAP)下降了2.1个百分点,说明剪枝处理可提升模型性能。为验证模型的有效性,将本文模型与5种深度学习算法进行比较,结果表明,本文算法mAP为96.42%,比Faster R-CNN、Tiny-YOLO v2、YOLO v3、SSD分别提高了11.2、11.5、5.65、10.78个百分点,比YOLO v4算法降低了0.04个百分点,模型存储空间为20.75 MB,检测速度为78.49 f/s,满足实际生产需要。 展开更多
关键词 马铃薯 石块检测 通道剪枝 yolo v4
下载PDF
基于红外热成像的生猪耳温自动提取算法 被引量：14
11
作者 肖德琴 林思聪 +3 位作者 刘勤 黄一桂 曾瑞麟 陈丽 《农业机械学报》 EI CAS CSCD 北大核心 2021年第8期255-262,共8页
针对利用红外热成像进行生猪体温自动提取困难的问题,在设施猪场生猪体温红外巡检装置的基础上,提出将生猪耳部区域作为其体温的代表区域,探索一种基于红外热像图的生猪耳温自动提取算法(IT-PETE)。该算法通过高效而准确地识别生猪耳部... 针对利用红外热成像进行生猪体温自动提取困难的问题,在设施猪场生猪体温红外巡检装置的基础上,提出将生猪耳部区域作为其体温的代表区域,探索一种基于红外热像图的生猪耳温自动提取算法(IT-PETE)。该算法通过高效而准确地识别生猪耳部区域并提取耳部区域的温度最大值和平均值,实现生猪体温非接触式自动监测。IT-PETE算法首先用拉普拉斯算子对生猪热红外图像进行预处理,然后基于YOLO v4和形态学对热红外图像中的生猪耳部进行提取,并结合耳部分割图像和温度矩阵自动获取耳部区域温度的最大值和平均值。采用5折交叉验证方法训练生猪耳部区域检测模型,训练集和验证集图像共2000幅,测试集400幅。试验表明,YOLO v4耳部区域检测准确率为97.6%,比Faster R-CNN和SSD分别提高了2.0个百分点和7.8个百分点,单帧图像的平均检测时间为12 ms。同时对20头猪的人工统计耳温数据与算法提取体温进行相关性分析,得到两者在耳部区域温度最大值和平均值的决定系数分别为0.9849和0.9119,表明IT-PETE算法对体温数据的提取具有可靠性和可行性。因此,IT-PETE算法在一定程度上可为生猪体温自动化监测和预警系统提供技术支撑。 展开更多
关键词 生猪 耳温提取 yolo v4 热红外成像
下载PDF
基于Compact-YOLO v4的茶叶嫩芽移动端识别方法 被引量：9
12
作者 黄家才 唐安 +3 位作者 陈光明 张铎 高芳征 陈田 《农业机械学报》 EI CAS CSCD 北大核心 2023年第3期282-290,共9页
茶叶嫩芽精准识别是实现嫩芽智能化采摘的前提与基础,采用视觉和深度学习的嫩芽识别方法逐渐成熟,但该方法过度依赖于高性能硬件,不利于采茶机器人移动端的部署,针对这一问题,本文提出一种基于Compact-YOLO v4算法的茶叶嫩芽移动端识别... 茶叶嫩芽精准识别是实现嫩芽智能化采摘的前提与基础,采用视觉和深度学习的嫩芽识别方法逐渐成熟,但该方法过度依赖于高性能硬件,不利于采茶机器人移动端的部署,针对这一问题,本文提出一种基于Compact-YOLO v4算法的茶叶嫩芽移动端识别方法。首先对YOLO v4算法的Backbone网络和Neck网络进行改进,将Backbone网络替换为GhostNet,将Neck网络中传统卷积替换为Ghost卷积,改进后的模型内存占用量仅为原来的1/5。接着运用迁移学习的训练方法提升模型精度,试验表明,Compact-YOLO v4算法模型的精度、召回率、平均精度均值、F1值分别为51.07%、78.67%、72.93%和61.45%。最后将本文算法模型移植到PRO-RK3568-B移动端开发板,通过转换模型、量化处理、改进部署环境3种方式,降低模型推理计算对硬件性能的需求,最终在保证嫩芽识别准确率的前提下,实现了优化模型推理过程、减轻移动端边缘计算压力的目的,为茶叶嫩芽采摘机器人的实际应用提供了技术支撑。 展开更多
关键词 茶叶嫩芽识别 轻量化 Compact-yolo v4 移动端部署
下载PDF
基于优化YOLO-V4的交通标志检测识别方法 被引量：10
13
作者 潘惠苹 王敏琴 张福泉 《计算机科学》 CSCD 北大核心 2022年第11期179-184,共6页
交通标志检测识别是自动驾驶系统的核心功能,为了实时准确地识别交通标志,在YOLO-V4的基础上进行改进,并结合了空间金字塔池化(Spatial Pyramid Pooling,SPP)模块。首先,为了提高分辨率和增大感受野,将原特征图3个尺度的分辨率更改为26&... 交通标志检测识别是自动驾驶系统的核心功能,为了实时准确地识别交通标志,在YOLO-V4的基础上进行改进,并结合了空间金字塔池化(Spatial Pyramid Pooling,SPP)模块。首先,为了提高分辨率和增大感受野,将原特征图3个尺度的分辨率更改为26×26和52×52;然后,在连接层中添加SPP模块,消除网络对固定尺度的约束,在最大池化层中得到最优特征,改善网络性能。实验中,利用行车记录仪采集各种交通标志图像,与其他优秀方法相比,所提方法取得了更优的性能,其平均检测识别准确度达99.0%,平均检测时间为0.449 s,达到了实时检测的要求。 展开更多
关键词 交通标志识别 感受野 yolo-V4 最大池化 空间金字塔池化 分辨率
下载PDF
基于YOLO v4优化的航拍绝缘子缺陷图像检测模型 被引量：7
14
作者 霍超 谷晓钢 +1 位作者 黄玲琴 栾声扬 《电子测量技术》 北大核心 2023年第9期175-181,共7页
针对现有绝缘子缺陷检测模型检测精度低、实时性差和网络参数多的问题,提出了一种基于YOLO v4改进的绝缘子缺陷检测模型。首先,利用改进的VGG卷积神经网络实现了主干特征提取。其次,在加强特征提取网络和预测网络中引入深度可分离卷积,... 针对现有绝缘子缺陷检测模型检测精度低、实时性差和网络参数多的问题,提出了一种基于YOLO v4改进的绝缘子缺陷检测模型。首先,利用改进的VGG卷积神经网络实现了主干特征提取。其次,在加强特征提取网络和预测网络中引入深度可分离卷积,降低了模型的复杂度。再次,在加强特征提取网络中融合通道注意力机制对重要特征进行增强,提升了模型对绝缘子缺陷的目标辨识能力。最后,以平均精度、帧率、参数量等作为评价指标,对基于公共数据集CPLID构建的新数据集进行了消融实验和对比实验。实验结果表明,改进的YOLO v4模型对绝缘子缺陷的检测精度为98.35%,相比于传统的YOLO v4模型提高了6.4%,并且其检测速度和参数量分别为传统YOLO v4模型的1.5倍和37.5%,可实现对航拍绝缘子缺陷图像的高精度实时有效检测。同时,改进的模型相比YOLO v5-M和Faster R-CNN模型在检测精度,速度和模型复杂度上也更具优势。 展开更多
关键词 绝缘子缺陷检测 yolo v4模型 SE通道注意力机制 轻量化 深度可分离卷积
下载PDF
基于逆运动学降维求解与YOLO v4的果实采摘系统研究 被引量：10
15
作者 张晴晖 孔德肖 +1 位作者 李俊萩 钟丽辉 《农业机械学报》 EI CAS CSCD 北大核心 2021年第9期15-23,共9页
为提高采摘设备的执行效率,采用六自由度机械臂、树莓派、Android手机端和服务器设计了一种智能果实采摘系统,该系统可自动识别不同种类的水果,并实现自动采摘,可通过手机端远程控制采摘设备的起始和停止,并远程查看实时采摘视频。提出... 为提高采摘设备的执行效率,采用六自由度机械臂、树莓派、Android手机端和服务器设计了一种智能果实采摘系统,该系统可自动识别不同种类的水果,并实现自动采摘,可通过手机端远程控制采摘设备的起始和停止,并远程查看实时采摘视频。提出通过降低自由度和使用二维坐标系来实现三维坐标系中机械臂逆运动学的求解过程,从而避免了大量的矩阵运算,使机械臂逆运动学求解过程更加简捷。利用Matlab中的Robotic Toolbox进行机械臂三维建模仿真,验证了降维求解的可行性。在果实采摘流程中,为了使机械臂运动轨迹更加稳定与协调,采用五项式插值法对机械臂进行运动轨迹规划控制。基于Darknet深度学习框架的YOLO v4目标检测识别算法进行果实目标检测和像素定位,在Ubuntu 19.10操作系统中使用2000幅图像作为训练集,分别对不同种类的果实进行识别模型训练,在GPU环境下进行测试,结果表明,每种果实识别的准确率均在94%以上,单次果实采摘的时间约为17 s。经过实际测试,该系统具有良好的稳定性、实时性以及对果实采摘的准确性。 展开更多
关键词 果实采摘系统 机械臂逆运动学 降维 目标检测 yolo v4 运动轨迹规划
下载PDF
基于改进YOLO v4的生猪耳根温度热红外视频检测方法 被引量：6
16
作者 刘刚 冯彦坤 康熙 《农业机械学报》 EI CAS CSCD 北大核心 2023年第2期240-248,共9页
基于热红外视频的生猪体温检测过程中,视频中保育期生猪头部姿态变化大,且耳根区域小,导致头部和耳根区域定位精度低,影响生猪耳根温度的精准检测。针对以上问题,本文提出了一种基于改进YOLO v4(Mish Dense YOLO v4,MD-YOLO v4)的生猪... 基于热红外视频的生猪体温检测过程中,视频中保育期生猪头部姿态变化大,且耳根区域小,导致头部和耳根区域定位精度低,影响生猪耳根温度的精准检测。针对以上问题,本文提出了一种基于改进YOLO v4(Mish Dense YOLO v4,MD-YOLO v4)的生猪耳根温度检测方法,构建了生猪关键部位检测模型。首先,在CSPDarknet-53主干网络中,添加密集连接块,以优化特征转移和重用,并将空间金字塔池化(Spatial pyramid pooling,SPP)模块集成到主干网络,进一步增加主干网络感受野;其次,在颈部引入改进的路径聚合网络(Path aggregation network,PANet),缩短多尺度特征金字塔图的高、低融合路径;最后,网络的主干和颈部使用Mish激活函数,进一步提升该方法的检测精度。试验结果表明,该模型对生猪关键部位检测的mAP为95.71%,分别比YOLO v5和YOLO v4高5.39个百分点和6.43个百分点,检测速度为60.21 f/s,可满足实时检测的需求;本文方法对热红外视频中生猪左、右耳根温度提取的平均绝对误差分别为0.26℃和0.21℃,平均相对误差分别为0.68%和0.55%。结果表明本文提出的基于改进YOLO v4的生猪耳根温度检测方法,可以应用于热红外视频中生猪关键部位的精准定位,进而实现生猪耳根温度的准确检测。 展开更多
关键词 热红外视频 生猪 耳根温度 yolo v4 密集连接网络
下载PDF
基于深度学习YOLO v4的舍养育肥猪行为识别 被引量：10
17
作者 季照潼 李东明 +2 位作者 王娟 张莉 胡顺斌 《黑龙江畜牧兽医》 CAS 北大核心 2021年第14期39-42,151,共5页
为了增加生猪福利,实时检测猪只的健康状况,预防异常现象发生,试验进行了舍养育肥猪行为检测,即使用萤石云摄像头对5头散养的4月龄左右的健康舍养育肥猪进行视频数据采集,针对不同光照强度及猪只行为从视频中截取了2 401张图片,并将图... 为了增加生猪福利,实时检测猪只的健康状况,预防异常现象发生,试验进行了舍养育肥猪行为检测,即使用萤石云摄像头对5头散养的4月龄左右的健康舍养育肥猪进行视频数据采集,针对不同光照强度及猪只行为从视频中截取了2 401张图片,并将图片按照躺卧、站立、进食、坐立和侵略性行为类型进行标注,通过深度学习YOLO v4模型对猪只行为进行了训练、验证、测试和评估。结果表明:训练模型中猪只的躺卧、站立、进食、坐立和侵略性行为的识别精度分别为98.80%、95.05%、89.40%、79.41%、97.30%,平均精度为91.99%;利用该模型进行测试的精度分别为90.70%、90.16%、88.38%、80.75%、96.69%,平均精度则为89.34%;利用该模型可在侵略性行为出现前1~2 s内进行预判。说明基于深度学习YOLO v4的舍养育肥猪行为识别模型有效克服了环境中不同光照强度和噪声的影响,达到了较好的识别效果,并且利用模型可以有效地检测猪只的侵略性行为。 展开更多
关键词 深度学习 yolo v4模型 目标检测 猪只行为 侵略性行为
原文传递
基于改进YOLO v4的落叶松毛虫侵害树木实时检测方法 被引量：5
18
作者 林文树 张金生 何乃磊 《农业机械学报》 EI CAS CSCD 北大核心 2023年第4期304-312,393,共10页
针对two⁃stage网络模型训练成本高,无人机搭载的边缘计算设备检测速度低等问题,提出一种基于改进YOLO v4模型的受灾树木实时检测方法,以提高对落叶松毛虫虫害树木的识别精度与检测速度。以黑龙江省大兴安岭地区呼玛县白银纳乡受落叶松... 针对two⁃stage网络模型训练成本高,无人机搭载的边缘计算设备检测速度低等问题,提出一种基于改进YOLO v4模型的受灾树木实时检测方法,以提高对落叶松毛虫虫害树木的识别精度与检测速度。以黑龙江省大兴安岭地区呼玛县白银纳乡受落叶松毛虫侵害的落叶松无人机图像为数据,利用LabelImg软件标注75~100 m的无人机图像,构建落叶松毛虫虫害树木图像数据集。将CSPNet应用于YOLO v4模型的Neck架构,重新设计Backbone的特征提取网络———CSPDarknet53模型结构,并在CSPNet进行优化计算前的卷积中加入SENet以增加感受野信息,使其改变网络的深度、宽度、分辨率及网络结构,实现模型缩放,提高检测精度。同时,在PANet中使用CSPConvs卷积代替原有卷积Conv×5,最后经过YOLO Head检测输出预测结果。将YOLO v4 CSP网络模型部署至GPU进行训练,训练过程的内存降低至改进前的82.7%。再搭载至工作站进行测试,结果表明:改进的YOLO v4 CSP网络模型在测试阶段对虫害树木检测的正确率为97.50%,相比于YOLO v4的平均正确率提高3.4个百分点,模型精度接近目前主流two⁃stage框架Faster R CNN的98.75%;将改进的YOLO v4 CSP网络模型搭载至Jetson nano边缘计算设备,检测速度达到4.17 f/s,高于YOLO v4模型的1.72 f/s。基于YOLO v4 CSP的检测模型可实现对受灾树木检测速度与精度的平衡,降低模型的应用成本,搭载至无人机可实现对森林虫害的实时监测。 展开更多
关键词 落叶松毛虫 实时监测 无人机 yolo v4
下载PDF
使用场景增强的安全帽佩戴检测方法研究 被引量：9
19
作者 徐传运 袁含香 +2 位作者 李刚 郑宇 刘欢 《计算机工程与应用》 CSCD 北大核心 2022年第19期326-332,共7页
为了解决现有安全帽佩戴数据集样本数量有限导致模型检测精度较低的问题,提出一种基于场景增强的样本扩充算法。该算法将训练集中随机抽取的图像中的检测目标随机缩放后,粘贴到另一随机场景图像上的任意位置,基于现有场景构建出拥有新... 为了解决现有安全帽佩戴数据集样本数量有限导致模型检测精度较低的问题,提出一种基于场景增强的样本扩充算法。该算法将训练集中随机抽取的图像中的检测目标随机缩放后,粘贴到另一随机场景图像上的任意位置,基于现有场景构建出拥有新的检测目标的增强场景,通过场景增强扩充安全帽佩戴训练数据集,增加训练数据集的多样性。为了验证该算法在安全帽佩戴检测中的有效性,使用场景增强算法扩充HelmetWear数据集,并用其训练基于YOLOv4的安全帽佩戴检测模型,通过检测精度评估场景增强算法。在HelmetWear数据集上检测精度达到93.81%,检测精度提升了6.39个百分点。实验结果表明该算法能有效提升安全帽佩戴检测的精度,特别是在样本最为欠缺的小目标上表现更为显著;场景增强算法对解决其他领域目标检测训练数据不足的问题有重要的借鉴意义。 展开更多
关键词 安全帽检测 场景增强 HelmetWear数据集 yolov4
下载PDF
基于轻量级YOLO-v4模型的变电站数字仪表检测识别 被引量：3
20
作者 华泽玺 施会斌 +3 位作者 罗彦 张子原 李威龙 唐永川 《西南交通大学学报》 EI CSCD 北大核心 2024年第1期70-80,共11页
为了在变电站实际场景中准确获取数字仪表读数,智能管控变电站的安全风险,同时推动变电站智能化发展,以实际场景中变电站数字仪表作为研究对象,综合考虑实时性及准确度等,提出一种基于轻量级YOLOv4模型的变电站数字仪表检测识别方法.首... 为了在变电站实际场景中准确获取数字仪表读数,智能管控变电站的安全风险,同时推动变电站智能化发展,以实际场景中变电站数字仪表作为研究对象,综合考虑实时性及准确度等,提出一种基于轻量级YOLOv4模型的变电站数字仪表检测识别方法.首先,通过从鄂尔多斯变电站实际拍摄变电站数字仪表图像数据,使用Albumentations框架对数字仪表图像进行数据扩充,构建变电站数字仪表目标检测数据集;然后,以YOLO-v4网络为基础,结合注意力机制构建一个有效通道注意(efficient channel attention,ECA)改进的深度可分离卷积模块(ECA-bneck-m);最后,提出一个轻量级YOLO-v4模型,进行模型大小与性能的对比实验.实验结果表明:本文方法可以在几乎不损失检测准确度的情况下,将整个模型存储大小压缩为原先的1/5,同时将模型推理速度从24.0帧/s提升至36.9帧/s,其实时性能够满足实际变电站检测识别的工程需要. 展开更多
关键词 数字仪表 检测识别 yolo-v4 数据增强 轻量化
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 2 … 4 下一页 到第 页
使用帮助 返回顶部