为解决传统传感器在检测火灾的过程中受到环境、安装距离等因素影响导致适应性差的缺点,本文基于视觉传感器,通过视觉目标检测技术对火灾进行检测,从而实现火灾的预警。首先,为了提高轻量级的目标检测网络(You Only Look Once v4 Tiny,Y...为解决传统传感器在检测火灾的过程中受到环境、安装距离等因素影响导致适应性差的缺点,本文基于视觉传感器,通过视觉目标检测技术对火灾进行检测,从而实现火灾的预警。首先,为了提高轻量级的目标检测网络(You Only Look Once v4 Tiny,YOLOv4-Tiny)在检测火灾目标时的准确率,本文基于森林火灾的数据集,运用二分K-Means聚类算法重新生成锚定框(Anchor Box)。然后,在传统YOLOv4-Tiny网络的基础上通过增加大尺度预测结果的方式,降低漏检率。最后,本文结合预训练权重重新训练火灾检测网络,并在英伟达板卡上进行部署实验。实验结果表明,本文的火灾检测网络在测试数据集上的准确率为97.81%,漏检率为4.83%,与原始YOLOv4-Tiny相比,准确率提高了3.13%,漏检率降低了6.44%,检测速度达到了16帧/s,综合性能良好,满足火灾检测的需求。展开更多
为了提高恶劣道路场景下的目标检测能力,本文在YOLOV4-Tiny的基础上提出了一种快速目标检测算法。首先,本文考虑雨雾天气条件下的道路目标检测场景,将基于二次模糊的清晰度算法(ReBlur)和暗通道先验算法相结合对图像进行处理,然后将处...为了提高恶劣道路场景下的目标检测能力,本文在YOLOV4-Tiny的基础上提出了一种快速目标检测算法。首先,本文考虑雨雾天气条件下的道路目标检测场景,将基于二次模糊的清晰度算法(ReBlur)和暗通道先验算法相结合对图像进行处理,然后将处理前后的图像用于网络的训练和测试,以克服雨雾天气造成的图像质量下降问题;另一方面,考虑道路场景中的小目标检测,本文在原网络的基础上对8倍降采样特征图进行上采样,再把得到的上采样结果与上一层的特征图拼接,以添加针对小目标的检测头。实验结果表明,改进后的网络在复杂道路场景下的检测能力显著提高,整体的平均精度均值(Mean Average Precision,mAP)也提高了4.13,同时检测速度达到了213 FPS。展开更多
带钢表面缺陷检测是生产过程智能检测的重要任务。针对目前带钢表面缺陷检测算法效率低、实时性差的问题,本文提出了基于卷积神经网络的轻量级目标检测器。该方法以YOLOv4-tiny模型为框架,针对带钢表面缺陷检测任务的特殊性,结合了多尺...带钢表面缺陷检测是生产过程智能检测的重要任务。针对目前带钢表面缺陷检测算法效率低、实时性差的问题,本文提出了基于卷积神经网络的轻量级目标检测器。该方法以YOLOv4-tiny模型为框架,针对带钢表面缺陷检测任务的特殊性,结合了多尺度检测与空间注意力机制的优化策略,在保证检测效率的同时提高了轻量级目标检测器的精度。实验证明,所提出的改进的YOLOv4-tiny模型能够精确地检测带钢表面缺陷,平均均值精度mAP(mean Average precision)为73.29%,并且每秒帧数FPS(Frames per second)达到163,满足实际工业落地的实时性要求。展开更多
文摘为解决传统传感器在检测火灾的过程中受到环境、安装距离等因素影响导致适应性差的缺点,本文基于视觉传感器,通过视觉目标检测技术对火灾进行检测,从而实现火灾的预警。首先,为了提高轻量级的目标检测网络(You Only Look Once v4 Tiny,YOLOv4-Tiny)在检测火灾目标时的准确率,本文基于森林火灾的数据集,运用二分K-Means聚类算法重新生成锚定框(Anchor Box)。然后,在传统YOLOv4-Tiny网络的基础上通过增加大尺度预测结果的方式,降低漏检率。最后,本文结合预训练权重重新训练火灾检测网络,并在英伟达板卡上进行部署实验。实验结果表明,本文的火灾检测网络在测试数据集上的准确率为97.81%,漏检率为4.83%,与原始YOLOv4-Tiny相比,准确率提高了3.13%,漏检率降低了6.44%,检测速度达到了16帧/s,综合性能良好,满足火灾检测的需求。
文摘为了提高恶劣道路场景下的目标检测能力,本文在YOLOV4-Tiny的基础上提出了一种快速目标检测算法。首先,本文考虑雨雾天气条件下的道路目标检测场景,将基于二次模糊的清晰度算法(ReBlur)和暗通道先验算法相结合对图像进行处理,然后将处理前后的图像用于网络的训练和测试,以克服雨雾天气造成的图像质量下降问题;另一方面,考虑道路场景中的小目标检测,本文在原网络的基础上对8倍降采样特征图进行上采样,再把得到的上采样结果与上一层的特征图拼接,以添加针对小目标的检测头。实验结果表明,改进后的网络在复杂道路场景下的检测能力显著提高,整体的平均精度均值(Mean Average Precision,mAP)也提高了4.13,同时检测速度达到了213 FPS。
文摘带钢表面缺陷检测是生产过程智能检测的重要任务。针对目前带钢表面缺陷检测算法效率低、实时性差的问题,本文提出了基于卷积神经网络的轻量级目标检测器。该方法以YOLOv4-tiny模型为框架,针对带钢表面缺陷检测任务的特殊性,结合了多尺度检测与空间注意力机制的优化策略,在保证检测效率的同时提高了轻量级目标检测器的精度。实验证明,所提出的改进的YOLOv4-tiny模型能够精确地检测带钢表面缺陷,平均均值精度mAP(mean Average precision)为73.29%,并且每秒帧数FPS(Frames per second)达到163,满足实际工业落地的实时性要求。
