目標(biāo)檢測(cè)
- 基于YOLOv7的人體關(guān)聯(lián)實(shí)時(shí)吸煙目標(biāo)檢測(cè)方法
OLOv7;目標(biāo)檢測(cè)0 引言（Introduction）多數(shù)作業(yè)環(huán)境明令禁止吸煙，諸如物流倉(cāng)儲(chǔ)、化工工廠、供電單位等，雖然可以通過(guò)中央監(jiān)控系統(tǒng)實(shí)時(shí)監(jiān)控各種作業(yè)場(chǎng)景，但是主要依賴人工監(jiān)查，存在漏報(bào)情況，不但不能節(jié)省人力成本，而且會(huì)對(duì)企業(yè)和工作人員的生命財(cái)產(chǎn)安全造成威脅。隨著計(jì)算機(jī)視覺(jué)技術(shù)的發(fā)展，目標(biāo)檢測(cè)技術(shù)日漸成熟，智能檢測(cè)得到廣泛的研究和應(yīng)用，由此本文提出一項(xiàng)基于YOLOv7[1]的人體關(guān)聯(lián)實(shí)時(shí)吸煙目標(biāo)檢測(cè)方法。當(dāng)下不乏實(shí)時(shí)吸煙行為檢測(cè)的相關(guān)研究，但是對(duì)于
軟件工程 2024年1期2024-01-29
- 基于圖卷積網(wǎng)絡(luò)的偏振圖像偽裝人員檢測(cè)方法研究
果。關(guān)鍵詞：目標(biāo)檢測(cè)；偏振成像；深度學(xué)習(xí)；偏振特征；圖卷積網(wǎng)絡(luò)中圖分類號(hào)：TP391.41? ?文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2023）36-0004-05開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）0 引言偽裝人員檢測(cè)是一項(xiàng)新興的計(jì)算機(jī)視覺(jué)任務(wù)，其目的是識(shí)別通過(guò)偽裝技術(shù)隱藏于背景環(huán)境中的人員，并定位其在圖像中的位置。隨著多種多樣的偽裝方式應(yīng)用于軍事領(lǐng)域，具有偽裝模式的目標(biāo)檢測(cè)難度逐步增加，近年來(lái)，雖然通用目標(biāo)檢測(cè)算法[1]取得了優(yōu)異的檢測(cè)效果，但
電腦知識(shí)與技術(shù) 2023年36期2024-01-27
- 引入通道注意力機(jī)制的目標(biāo)檢測(cè)算法
義摘要：針對(duì)目標(biāo)檢測(cè)模型在提高檢測(cè)精度的同時(shí)會(huì)帶來(lái)更高模型復(fù)雜度這一不足，該文提出了一種改進(jìn)的YOLOv4模型。該模型將通道注意力機(jī)制ECA模塊加入特征提取網(wǎng)絡(luò)之中，構(gòu)建了一個(gè)新的YOLOv4模型。通過(guò)在PASCAL VOC數(shù)據(jù)集上的實(shí)驗(yàn)表明：該算法在不增加模型大小的前提下提高了檢測(cè)精度，相比YOLOv4算法在PASCAL VOC 2007測(cè)試集上的平均精確度均值@0.5提升了最高3.56mAP，達(dá)到了最高83.42mAP，能夠解決目標(biāo)檢測(cè)性能和模型復(fù)雜度
電腦知識(shí)與技術(shù) 2023年31期2023-12-25
- 基于改進(jìn)YOLOv5s的道路行人與車輛檢測(cè)算法
善。關(guān)鍵詞：目標(biāo)檢測(cè)；YOLOv5s；CA注意力模塊；空間金字塔；Slim-Neck中圖分類號(hào)：TP18? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2023）31-0005-04開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID） ：0 引言隨著科技發(fā)展與城市道路規(guī)劃的推陳出新，對(duì)自動(dòng)駕駛的要求也越來(lái)越嚴(yán)苛。如何能夠更快更加精準(zhǔn)地進(jìn)行目標(biāo)檢測(cè)一直是自動(dòng)駕駛汽車所需要解決的關(guān)鍵問(wèn)題。對(duì)目標(biāo)準(zhǔn)確檢測(cè)主要包括兩方面：一方面是在復(fù)雜的道路環(huán)境下識(shí)別出檢測(cè)目標(biāo)的信
電腦知識(shí)與技術(shù) 2023年31期2023-12-25
- 動(dòng)態(tài)環(huán)境下基于深度學(xué)習(xí)的視覺(jué)SLAM研究
OLOv5s目標(biāo)檢測(cè)算法進(jìn)行融合，最后對(duì)處理后的靜態(tài)特征點(diǎn)進(jìn)行幀間匹配。實(shí)驗(yàn)使用TUM數(shù)據(jù)集進(jìn)行測(cè)試，結(jié)果顯示：SLAM算法結(jié)合多視角幾何、目標(biāo)檢測(cè)后，系統(tǒng)的絕對(duì)位姿估計(jì)精度在高動(dòng)態(tài)環(huán)境中相較于ORB-SLAM2有明顯提高。與其他SLAM算法的定位精度相比，改進(jìn)算法仍有不同程度的改善。關(guān)鍵詞：多視角幾何；目標(biāo)檢測(cè)；同步定位與建圖；動(dòng)態(tài)環(huán)境中圖分類號(hào)：TP391.9 文獻(xiàn)標(biāo)志碼：A 同步定位與建圖（simultaneous localization and
- 基于改進(jìn)YOLO卷積神經(jīng)網(wǎng)絡(luò)的水下海參檢測(cè)
YOLO；目標(biāo)檢測(cè)；深度學(xué)習(xí)；機(jī)器視覺(jué)；卷積神經(jīng)網(wǎng)絡(luò)中圖分類號(hào)： S126?? 文獻(xiàn)標(biāo)識(shí)碼： A?? 文章編號(hào)： 1000-4440（2023）07-1543-11Underwater sea cucumber identification based on improved YOLO convolutional neural networkZHAI Xian-yi1， WEI Hong-lei1， HAN Mei-qi2， HUANG Meng1（1.
江蘇農(nóng)業(yè)學(xué)報(bào) 2023年7期2023-12-13
- 基于視頻的林火煙霧檢測(cè)算法研究
發(fā)生。傳統(tǒng)的目標(biāo)檢測(cè)方法有幀差法、光流法和背景減除法等；如今，隨和數(shù)值計(jì)算設(shè)備的改進(jìn)，許多基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法開(kāi)始出現(xiàn)，如基于RCNN的檢測(cè)算法、基于SSD的檢測(cè)算法和基于Yolo的檢測(cè)算法等，本文就各種目標(biāo)檢測(cè)算法進(jìn)行了分析，比較了其優(yōu)缺點(diǎn)，并對(duì)今后目標(biāo)檢測(cè)技術(shù)的發(fā)展進(jìn)行了展望。關(guān)鍵詞：? 森林防火；? 目標(biāo)檢測(cè)；? 林火煙霧檢測(cè)中圖分類號(hào)：? ?S 76? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：? ?A? ? ? ? ? ? ? ? 文章編號(hào)：１
林業(yè)科技 2023年6期2023-12-11
- 基于目標(biāo)檢測(cè)與跟蹤技術(shù)的民航限行車輛預(yù)警系統(tǒng)設(shè)計(jì)與研究
計(jì)了一套基于目標(biāo)檢測(cè)與跟蹤技術(shù)的民航限行車輛預(yù)警系統(tǒng)，旨在監(jiān)測(cè)機(jī)場(chǎng)道面移動(dòng)目標(biāo)的情況，并對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)與呈現(xiàn)，為工作人員提供管理依據(jù)與幫助。關(guān)鍵詞：限行車輛；目標(biāo)檢測(cè)；深度學(xué)習(xí)；機(jī)場(chǎng)交通中圖分類號(hào)：U495 文獻(xiàn)標(biāo)識(shí)碼：A0 引言隨著機(jī)場(chǎng)規(guī)模日益擴(kuò)大，機(jī)場(chǎng)轄區(qū)內(nèi)的道路也越來(lái)越多，為了確保機(jī)場(chǎng)道路交通安全，進(jìn)一步凈化廣州白云國(guó)際機(jī)場(chǎng)社會(huì)治安環(huán)境，保障廣大群眾合法權(quán)益，提升旅客出行體驗(yàn)，維護(hù)廣州城市形象，如何對(duì)機(jī)場(chǎng)各道路上的移動(dòng)目標(biāo)情況進(jìn)行有效監(jiān)控，成為亟
電子產(chǎn)品世界 2023年9期2023-10-28
- 基于樹(shù)莓派與YOLOv5-Lite模型的行人檢測(cè)系統(tǒng)設(shè)計(jì)
5-Lite目標(biāo)檢測(cè)模型分別部署在搭載Linux系統(tǒng)的樹(shù)莓派4B平臺(tái)上，并在此平臺(tái)上搭建深度學(xué)習(xí)環(huán)境，構(gòu)建道路行人檢測(cè)系統(tǒng)。對(duì)這兩個(gè)模型進(jìn)行分析對(duì)比，實(shí)驗(yàn)結(jié)果表明，在識(shí)別準(zhǔn)確率相差0.1%的情況下，YOLOv5-Lite模型相對(duì)于原YOLOv5s模型，網(wǎng)絡(luò)參數(shù)量下降了78.26%，模型計(jì)算量下降了77.91%，模型內(nèi)存大小下降了75.52%，檢測(cè)速度提高了91.67%。綜上，本文提出的基于樹(shù)莓派和輕量化YOLOv5-Lite目標(biāo)檢測(cè)網(wǎng)絡(luò)模型的行人檢測(cè)系統(tǒng)兼
計(jì)算機(jī)時(shí)代 2023年9期2023-09-25
- 改進(jìn)YOLOx的風(fēng)機(jī)葉片缺陷檢測(cè)研究
深度學(xué)習(xí)； 目標(biāo)檢測(cè)； YOLOx-s中圖分類號(hào)：TP391? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ?文章編號(hào)：1006-8228（2023）09-106-05Research on the defect detection of fan blades based on YOLOxHao Weixun， Li Jianjun（School of Information Engineering， Inner Mongolia University of s
計(jì)算機(jī)時(shí)代 2023年9期2023-09-25
- 基于PyQt的目標(biāo)檢測(cè)數(shù)據(jù)集自動(dòng)采集軟件設(shè)計(jì)與實(shí)現(xiàn)
秋摘? 要：目標(biāo)檢測(cè)數(shù)據(jù)集中的樣本數(shù)量及差異性對(duì)網(wǎng)絡(luò)檢測(cè)性能具有重要影響。通過(guò)人工標(biāo)注圖像的方式生成數(shù)據(jù)集耗時(shí)又費(fèi)力，因此設(shè)計(jì)一款目標(biāo)檢測(cè)數(shù)據(jù)集自動(dòng)采集軟件。該軟件可以檢測(cè)RTSP視頻流、圖片文件及視頻文件，通過(guò)預(yù)訓(xùn)練好的輕量化檢測(cè)網(wǎng)絡(luò)得到目標(biāo)位置類別及定位信息，生成標(biāo)注文件并保存到本地。實(shí)驗(yàn)結(jié)果表明，該文軟件在不同的平臺(tái)上均可運(yùn)行，其數(shù)據(jù)集采集速度相比人工標(biāo)注有顯著優(yōu)勢(shì)。關(guān)鍵詞：數(shù)據(jù)集制作；PyQt；目標(biāo)檢測(cè)；多線程；YOLOv5中圖分類號(hào)：TP311.
現(xiàn)代信息科技 2023年15期2023-09-18
- 基于深度學(xué)習(xí)的絲綢文物紋樣識(shí)別應(yīng)用
v5、SSD目標(biāo)檢測(cè)算法實(shí)現(xiàn)對(duì)紋樣的識(shí)別與定位。實(shí)驗(yàn)結(jié)果表明，MobileNet對(duì)絲綢紋樣分類的mAP達(dá)到83.51%;在目標(biāo)檢測(cè)算法中YOLOv5的識(shí)別與定位效果最好，其mAP為88.42%。與通過(guò)人工分類相比，采用深度學(xué)習(xí)算法進(jìn)行分類與識(shí)別，可以在降低難度的同時(shí)提高分類的速度和準(zhǔn)確率，為紡織品文物的鑒定與保護(hù)提供了新的思路。關(guān)鍵詞： 絲綢文物;深度學(xué)習(xí);數(shù)字博物館;目標(biāo)檢測(cè);神經(jīng)網(wǎng)絡(luò);自動(dòng)分類中圖分類號(hào)： TS101.1 文獻(xiàn)標(biāo)志碼： ?A文章編號(hào)：
絲綢 2023年8期2023-08-31
- 基于聯(lián)邦學(xué)習(xí)的交通標(biāo)志識(shí)別研究
：交通標(biāo)志；目標(biāo)檢測(cè)；聯(lián)邦學(xué)習(xí)；YOLOv5；FATE中圖分類號(hào)：G391.4 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2023）21-0010-050 引言發(fā)展至今，將交通系統(tǒng)與物聯(lián)網(wǎng)、分布式框架以及人工智能等技術(shù)相結(jié)合以保證人們?nèi)粘３鲂械陌踩透咝?。由此生成的智能駕駛正是其中極為重要的一環(huán)。智能駕駛依靠的即是對(duì)數(shù)據(jù)的快速處理和高效的運(yùn)算，但在網(wǎng)絡(luò)環(huán)境良好且車輛停駛的情況下，也會(huì)造成巨大的算力浪費(fèi)。如何有效地利用起車載設(shè)備的計(jì)算資源，避免其過(guò)多的浪費(fèi)
電腦知識(shí)與技術(shù) 2023年21期2023-08-26
- 一種車載數(shù)字相機(jī)與激光雷達(dá)融合算法設(shè)計(jì)
上均有良好的目標(biāo)檢測(cè)效果。關(guān)鍵詞：環(huán)境感知；激光雷達(dá)；Yolo；融合算法；目標(biāo)檢測(cè)中圖分類號(hào)：U462? 收稿日期：2023-04-19DOI：10.19999/j.cnki.1004-0226.2023.08.0061 前言近年來(lái)，芯片算力與網(wǎng)絡(luò)技術(shù)的快速發(fā)展，使得智能輔助駕駛技術(shù)走向成熟。環(huán)境感知作為核心技術(shù)，包括利用機(jī)器視覺(jué)的圖像識(shí)別技術(shù)、利用雷達(dá)（激光、毫米波、超聲波）的周邊障礙物檢測(cè)技術(shù)、多源信息融合技術(shù)、傳感器冗余設(shè)計(jì)技術(shù)等[1]。若僅通過(guò)單一
專用汽車 2023年8期2023-08-24
- 基于改進(jìn)YOLOv5的駕駛員手持手機(jī)檢測(cè)算法研究
信息，提高小目標(biāo)檢測(cè)的精確度。其次，采用一種改進(jìn)的特征融合方法，提取三個(gè)尺度的特征，并對(duì)特征進(jìn)行融合，更好地提取局部信息。實(shí)驗(yàn)結(jié)果表明，與YOLOv5相比，該檢測(cè)算法在自制數(shù)據(jù)集上的精確度達(dá)到71.9%，提高了2.1%，對(duì)小目標(biāo)的檢測(cè)效果顯著。關(guān)鍵詞：目標(biāo)檢測(cè)；YOLOv5；殘差模塊；注意力機(jī)制中圖分類號(hào)：TP183；TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2023）12-0066-04Research on Driver Hand
現(xiàn)代信息科技 2023年12期2023-08-21
- 基于改進(jìn)YOLOv5s的交通標(biāo)志檢測(cè)算法
因素導(dǎo)致的在目標(biāo)檢測(cè)任務(wù)中出現(xiàn)參數(shù)量過(guò)多、檢測(cè)速度慢等問(wèn)題，文章基于原有YOLOv5s的網(wǎng)絡(luò)框架提出一種改進(jìn)后的目標(biāo)檢測(cè)網(wǎng)絡(luò)Shuffle-Block，首先選用開(kāi)源的CCTSDB數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，引入Shuffle-Block模塊替換YOLOv5s原始的CSPDarknet主干網(wǎng)絡(luò)，使得YOLOv5s的網(wǎng)絡(luò)模型輕量化，降低模型的復(fù)雜程度。關(guān)鍵詞：YOLOv5s；交通標(biāo)志；深度學(xué)習(xí)；目標(biāo)檢測(cè)中圖分類號(hào)：TP183；TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2
現(xiàn)代信息科技 2023年12期2023-08-21
- 面向?qū)崟r(shí)目標(biāo)檢測(cè)的Ｆａｓｔｅｒ Ｒ?ＣＮＮ 算法
：文章討論了目標(biāo)檢測(cè)在計(jì)算機(jī)視覺(jué)領(lǐng)域中的重要性，并介紹了目標(biāo)檢測(cè)算法的 2 種主要類型：傳統(tǒng)計(jì)算機(jī)視覺(jué)方法和基于深度學(xué)習(xí)的方法。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法逐漸成為主流，并取得了較好的效果。然而，為進(jìn)一步提高 Faster R-CNN 在目標(biāo)檢測(cè)方面的性能，文章結(jié)合鯨魚優(yōu)化算法對(duì)Faster R-CNN 網(wǎng)絡(luò)進(jìn)行優(yōu)化，并使用 PASCAL VOC 2012數(shù)據(jù)集對(duì)網(wǎng)絡(luò)性能進(jìn)行測(cè)試。實(shí)驗(yàn)結(jié)果表明，基于鯨魚優(yōu)化算法的 Faster R-C
計(jì)算機(jī)應(yīng)用文摘 2023年15期2023-08-09
- 面向?qū)崟r(shí)目標(biāo)檢測(cè)的Ｆａｓｔｅｒ Ｒ?ＣＮＮ 算法
：文章討論了目標(biāo)檢測(cè)在計(jì)算機(jī)視覺(jué)領(lǐng)域中的重要性，并介紹了目標(biāo)檢測(cè)算法的 2 種主要類型：傳統(tǒng)計(jì)算機(jī)視覺(jué)方法和基于深度學(xué)習(xí)的方法。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法逐漸成為主流，并取得了較好的效果。然而，為進(jìn)一步提高 Faster R-CNN 在目標(biāo)檢測(cè)方面的性能，文章結(jié)合鯨魚優(yōu)化算法對(duì)Faster R-CNN 網(wǎng)絡(luò)進(jìn)行優(yōu)化，并使用 PASCAL VOC 2012數(shù)據(jù)集對(duì)網(wǎng)絡(luò)性能進(jìn)行測(cè)試。實(shí)驗(yàn)結(jié)果表明，基于鯨魚優(yōu)化算法的 Faster R-C
計(jì)算機(jī)應(yīng)用文摘·觸控 2023年15期2023-08-09
- 基于DMPC的多無(wú)人機(jī)多維決策協(xié)同區(qū)域搜索
；區(qū)域搜索；目標(biāo)檢測(cè)；分布式；多維決策中圖分類號(hào)：TP39；V279? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）11-0015-07Multi-UAV Multidimensional Decision-Making Collaborative Regional Search Based on DMPCZHAO Xu， LI Zhi（College of Electronics and Information Engineering， S
現(xiàn)代信息科技 2023年11期2023-08-01
- 基于卷積神經(jīng)網(wǎng)絡(luò)的茶葉病蟲(chóng)害檢測(cè)系統(tǒng)設(shè)計(jì)
積神經(jīng)網(wǎng)絡(luò)；目標(biāo)檢測(cè)；茶葉病蟲(chóng)害；檢測(cè)系統(tǒng)中圖分類號(hào)：TP391.41文獻(xiàn)標(biāo)志碼：A0 引言近年來(lái)，隨著卷積神經(jīng)網(wǎng)絡(luò)的興起，基于卷積神經(jīng)網(wǎng)絡(luò)的模型不斷涌現(xiàn)，國(guó)內(nèi)外諸多學(xué)者都將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像處理研究，尤其是在圖像分類和目標(biāo)檢測(cè)研究方面，網(wǎng)絡(luò)模型AlexNet［1］、GoogleNet［2］、ResNet［3］、ASNet［4］、VGG-16［5］等在圖像分類和目標(biāo)檢測(cè)準(zhǔn)確率上都得到了進(jìn)一步提升。文獻(xiàn)［6-7］將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于農(nóng)作物病蟲(chóng)害的檢測(cè)上，
無(wú)線互聯(lián)科技 2023年9期2023-07-20
- 基于改進(jìn)DeepSORT和FastReID的室內(nèi)多目標(biāo)人員跨鏡識(shí)別與跟蹤
視頻分析實(shí)現(xiàn)目標(biāo)檢測(cè)、目標(biāo)跟蹤和行人重識(shí)別存在的諸如目標(biāo)框重框、遮擋等問(wèn)題，提出了一種基于改進(jìn)DeepSORT和FastReID的室內(nèi)多目標(biāo)人員跨鏡追蹤的方法。該方法使用YOLOv5s進(jìn)行人員檢測(cè)、DeepSORT進(jìn)行人員跟蹤、FastReID進(jìn)行人員重識(shí)別。采用EIOU-NMS算法解決了YOLOv5s人員檢測(cè)過(guò)程中出現(xiàn)的重框問(wèn)題；在FastReID的特征提取網(wǎng)絡(luò)中引入了NEUFA注意力機(jī)制，并使用優(yōu)化后的FastReID的特征提取網(wǎng)絡(luò)替換了DeepSOR
- 高速公路異常事件檢測(cè)中的目標(biāo)檢測(cè)和主體識(shí)別算法
：高速公路；目標(biāo)檢測(cè)；主體識(shí)別中圖分類號(hào)：U495A4916730引言高速公路上車輛行駛速度較快，易造成重大人員傷亡事故。事件檢測(cè)系統(tǒng)可實(shí)時(shí)發(fā)現(xiàn)道路異常事件，及時(shí)進(jìn)行告警處置，避免二次事故的發(fā)生。事件檢測(cè)的核心算法是目標(biāo)檢測(cè)和識(shí)別，只有準(zhǔn)確地發(fā)現(xiàn)和識(shí)別目標(biāo)，才能對(duì)異常事件進(jìn)行準(zhǔn)確的判定。王瀅暄等［1］針對(duì)高速公路特定場(chǎng)景下的目標(biāo)檢測(cè)問(wèn)題，提出了一種基于YOLOv4網(wǎng)絡(luò)的改進(jìn)算法，對(duì)交通場(chǎng)景下的車輛目標(biāo)進(jìn)行檢測(cè)，將多幅圖像的拼接層連接后再進(jìn)行車輛檢測(cè)，提升了
西部交通科技 2023年4期2023-07-18
- 結(jié)合改進(jìn)注意力機(jī)制的YOLO目標(biāo)檢測(cè)算法
：YOLO；目標(biāo)檢測(cè)；多尺度卷積；注意力機(jī)制0 引言自從Hinton 提出利用神經(jīng)網(wǎng)絡(luò)對(duì)圖像數(shù)據(jù)中的高維特征進(jìn)行自主學(xué)習(xí)[1]以來(lái)，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)已成為計(jì)算機(jī)視覺(jué)領(lǐng)域中一個(gè)重要的研究熱點(diǎn)[2]。目標(biāo)檢測(cè)的方法主要分為雙階段和單階段目標(biāo)檢測(cè)算法。雙階段目標(biāo)檢測(cè)算法，如Fast R-CNN[3]、Faster R-CNN[4]等，都是通過(guò)生成預(yù)選框再利用神經(jīng)網(wǎng)絡(luò)對(duì)候選框進(jìn)行分類識(shí)別。單階段目標(biāo)檢測(cè)算法，如YOLO （you only look once
計(jì)算機(jī)時(shí)代 2023年7期2023-07-17
- 基于改進(jìn)YOLOv3的電梯內(nèi)電動(dòng)車檢測(cè)算法
獻(xiàn)瑜關(guān)鍵詞：目標(biāo)檢測(cè)；輕量化網(wǎng)絡(luò)；注意力模塊；YOLOv3；CIOU0 引言電梯作為高層建筑中的重要交通工具，常見(jiàn)的安全隱患問(wèn)題如轎廂困人、電梯沖頂、反復(fù)開(kāi)關(guān)門、攜帶可燃易爆物品等[1]，通過(guò)“智慧電梯”[2]安全管理平臺(tái)得到了有效解決，但目前對(duì)禁止電動(dòng)車等可燃易爆物品進(jìn)入電梯仍缺乏有效的方法[3]。2021 年5 月，四川省某小區(qū)的電梯內(nèi)一輛電動(dòng)車瞬間爆燃，導(dǎo)致多人受傷。2021 年11 月，合肥市一小區(qū)住戶的電動(dòng)自行車在屋內(nèi)充電時(shí)燃燒，導(dǎo)致火情。因此，
計(jì)算機(jī)時(shí)代 2023年7期2023-07-17
- 基于BiFPN-YOLOv5的公路養(yǎng)護(hù)檢測(cè)算法
公路養(yǎng)護(hù); 目標(biāo)檢測(cè); YOLOv5; BiFPN; SIou loss0 引言公路是中國(guó)最重要的交通設(shè)施，為我國(guó)經(jīng)濟(jì)發(fā)展帶來(lái)了基礎(chǔ)與保障[1]。目前我國(guó)高速公路已達(dá)到14.96萬(wàn)km，雖然我國(guó)公路已取得了巨大的成就，但其中有60%的公路年限超過(guò)了8年，導(dǎo)致公路的養(yǎng)護(hù)問(wèn)題逐漸成為公路管理的主要任務(wù)[2]。公路養(yǎng)護(hù)問(wèn)題上最核心的問(wèn)題是如何快速精準(zhǔn)地檢測(cè)到公路損壞的位置，目前最主流的方式是通過(guò)人工對(duì)公路健康狀態(tài)進(jìn)行巡查與記錄，但依賴人工的方式會(huì)浪費(fèi)大量的人力與
電腦知識(shí)與技術(shù) 2023年15期2023-07-11
- 基于YOLOv5的絕緣子目標(biāo)檢測(cè)算法
v5的絕緣子目標(biāo)檢測(cè)算法。在模型中加入CBAM注意力機(jī)制改變YOLOv5的網(wǎng)絡(luò)結(jié)構(gòu)，增強(qiáng)對(duì)目標(biāo)有效特征的提取，確定絕緣子的位置。實(shí)驗(yàn)結(jié)果表明，使用改進(jìn)的YOLOv5算法進(jìn)行絕緣子目標(biāo)檢測(cè)平均精度可達(dá)到98.7%，提高了模型的檢測(cè)精度，對(duì)后續(xù)絕緣子缺陷檢測(cè)具有一定參考價(jià)值。關(guān)鍵詞：絕緣子；目標(biāo)檢測(cè)；YOLOv5算法；CBAM注意力中圖分類號(hào)：TP18? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? 文章編號(hào)：2096-4706（2023）08-0107-04Abstract：
現(xiàn)代信息科技 2023年8期2023-06-25
- 基于YOLOv5和多尺度特征融合的學(xué)生行為研究
YOLOv5目標(biāo)檢測(cè)算法的學(xué)生課堂行為識(shí)別方法。首先，建立學(xué)生課堂行為數(shù)據(jù)集，為研究提供數(shù)據(jù)來(lái)源；其次，針對(duì)學(xué)生目標(biāo)密集等問(wèn)題提出一種多尺度特征融合的學(xué)生課堂行為識(shí)別方法。多次實(shí)驗(yàn)結(jié)果表明，所提方法有效地提高了學(xué)生課堂行為識(shí)別的精度。學(xué)生課堂行為的智能化識(shí)別為教師掌握學(xué)生學(xué)情、改進(jìn)授課策略提供了重要依據(jù)。關(guān)鍵詞：YOLOv5；學(xué)生行為；行為識(shí)別；目標(biāo)檢測(cè)；特征融合中圖分類號(hào)：TP183? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）08-00
現(xiàn)代信息科技 2023年8期2023-06-25
- 基于無(wú)人機(jī)機(jī)器視覺(jué)的軌道異物入侵檢測(cè)方法
：軌道異物；目標(biāo)檢測(cè)；YOLOv5；無(wú)人機(jī)中圖分類號(hào)：TP391.4文獻(xiàn)標(biāo)志碼：A0引言軌道異物入侵是人為事故和列車本身故障以外造成鐵路事故的主要因素，現(xiàn)階段通常采用間接檢測(cè)的方法避免異物入侵帶來(lái)的危害。間接檢測(cè)以非接觸式的視頻監(jiān)控、微波為主［1］，目前的研究重點(diǎn)主要集中在視頻監(jiān)控方法上。德國(guó)學(xué)者利用車載攝像機(jī)和激光雷達(dá)實(shí)現(xiàn)軌道異物識(shí)別［2］。陳根重［3］設(shè)計(jì)了融合單目與雙目一體的異物入侵檢測(cè)系統(tǒng)。金炳瑞［4］提出了基于圖像處理的軌道異物入侵檢測(cè)方法。何文
無(wú)線互聯(lián)科技 2023年7期2023-06-25
- 基于FPGA的目標(biāo)檢測(cè)系統(tǒng)與加速器設(shè)計(jì)
摘? 要：目標(biāo)檢測(cè)作為計(jì)算機(jī)視覺(jué)技術(shù)的基礎(chǔ)任務(wù)，在智慧醫(yī)療、智能交通等生活場(chǎng)景中應(yīng)用廣泛。深度學(xué)習(xí)具有高類別檢測(cè)精度、高精度定位的優(yōu)勢(shì)，是當(dāng)前目標(biāo)檢測(cè)的研究重點(diǎn)。由于卷積神經(jīng)網(wǎng)絡(luò)計(jì)算復(fù)雜度高、內(nèi)存要求高，使用CPU實(shí)現(xiàn)的設(shè)計(jì)方案已經(jīng)難以滿足實(shí)際應(yīng)用的需求?，F(xiàn)場(chǎng)可編程邏輯門陣列（FPGA）具有可重構(gòu)、高能效、低延遲的特點(diǎn)。研究圍繞FPAG硬件設(shè)計(jì)，選取了YOLOv2算法，并針對(duì)該算法設(shè)計(jì)了對(duì)應(yīng)的硬件加速器，實(shí)現(xiàn)了基于FPGA的目標(biāo)檢測(cè)。關(guān)鍵詞：YOLO；FP
現(xiàn)代信息科技 2023年7期2023-06-25
- 基于改進(jìn)YOLOv5的絕緣子快速檢測(cè)
：深度學(xué)習(xí)；目標(biāo)檢測(cè)；絕緣子；YOLOv5中圖分類號(hào)：TP18；TP391.4? ? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）06-0073-04Fast Detection of Insulators Based on Improved YOLOv5HUANG Shiyi， DONG Xiaojie， YANG Longhuan， WANG Yifan（College of Intelligent Systems Science and
現(xiàn)代信息科技 2023年6期2023-06-25
- 基于注意力和上下文的多尺度圖像背景下的小目標(biāo)檢測(cè)方法
尺度背景下小目標(biāo)檢測(cè)的效果。在COCO數(shù)據(jù)集上，本算法的APs高于基準(zhǔn)retinanet最高達(dá)2.9，在DIOR數(shù)據(jù)集上mAP能夠達(dá)到69.0，優(yōu)于該數(shù)據(jù)集上最優(yōu)算法，同時(shí)能夠維持自己?jiǎn)坞A段的速度。關(guān)鍵詞：目標(biāo)檢測(cè)；小目標(biāo)檢測(cè)；離散自注意力；跨尺度注意力中圖分類號(hào)：TP391.4? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? 文章編號(hào)：2096-4706（2023）05-0001-07Small Object Detection Method under the Backg
現(xiàn)代信息科技 2023年5期2023-06-22
- 基于YOLOv5的改進(jìn)小目標(biāo)檢測(cè)算法研究
：文章針對(duì)小目標(biāo)檢測(cè)存在的可利用特征少、定位精度要求高、數(shù)據(jù)集小目標(biāo)占比少、樣本不均衡和小目標(biāo)對(duì)象聚集等問(wèn)題，提出將coordinate attention注意力嵌入YOLOv5模型。Coordinate attention注意力機(jī)制通過(guò)獲取位置感知和方向感知的信息，能使YOLOv5模型更準(zhǔn)確地識(shí)別和定位感興趣的目標(biāo)。YOLOv5改進(jìn)模型采用木虱和VisDrone2019數(shù)據(jù)集開(kāi)展實(shí)驗(yàn)驗(yàn)證，實(shí)驗(yàn)結(jié)果表明嵌入coordinate attention能有效提高
現(xiàn)代信息科技 2023年3期2023-06-22
- 基于深度學(xué)習(xí)的林地澳洲堅(jiān)果檢測(cè)識(shí)別
LO v3等目標(biāo)檢測(cè)算法相比有明顯的精度優(yōu)勢(shì)。該研究充分表明該模型對(duì)園林下的澳洲堅(jiān)果有良好的檢測(cè)效果，且具有檢測(cè)精度高、魯棒性強(qiáng)的優(yōu)點(diǎn)。關(guān)鍵詞：澳洲堅(jiān)果；目標(biāo)檢測(cè)；深度學(xué)習(xí)；Faster R-CNN；特征金字塔網(wǎng)絡(luò)中圖分類號(hào)：S776.01文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1006-8023（2023）02-0113-08Macadamia integrifolia Detection and Recognition inOrchards Based on Deep
森林工程 2023年2期2023-06-13
- 基于深度學(xué)習(xí)的圖像目標(biāo)檢測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
R-CNN；目標(biāo)檢測(cè)；可視化預(yù)測(cè)1引言隨著社會(huì)經(jīng)濟(jì)的發(fā)展，圖像信息成為與人們生活密切相關(guān)的重要數(shù)據(jù)，利用計(jì)算機(jī)來(lái)迅速地實(shí)現(xiàn)圖像分類和目標(biāo)檢測(cè)，已成為當(dāng)前圖像處理最迫切的需求。目標(biāo)檢測(cè)是深度學(xué)習(xí)的一個(gè)重要應(yīng)用，要求從圖片背景中分離出感興趣的目標(biāo)。相較于龐大的圖像數(shù)據(jù)信息的產(chǎn)生，圖像分類和目標(biāo)識(shí)別的速度、準(zhǔn)確率也在快速提升。此前的研究證明，在大數(shù)據(jù)集上進(jìn)行訓(xùn)練可以獲得一個(gè)小數(shù)據(jù)集的實(shí)質(zhì)性改進(jìn)。一般來(lái)說(shuō)，這些超大規(guī)模的數(shù)據(jù)集可以使局部識(shí)別性能大幅度提高[1]。隨
計(jì)算機(jī)應(yīng)用文摘 2023年4期2023-05-30
- 基于霧天復(fù)雜場(chǎng)景下的道路目標(biāo)檢測(cè)研究
再檢測(cè)的道路目標(biāo)檢測(cè)方法。對(duì)采集的霧天圖像進(jìn)行基于暗通道先驗(yàn)理論去霧處理，再將其送入訓(xùn)練好的YOLOv3目標(biāo)檢測(cè)模型進(jìn)行推理檢測(cè)，并在去霧算法中引入導(dǎo)向?yàn)V波方法。為使YOLOv3檢測(cè)模型具有更好的檢測(cè)性能，將目標(biāo)框回歸損失函數(shù)從原來(lái)的CIoU改進(jìn)為SIoU，并在BBD100K數(shù)據(jù)集的部分標(biāo)注圖像下進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，在YOLOv3網(wǎng)絡(luò)模型下，使用CIoU損失函數(shù)時(shí)檢測(cè)精度為45.8%，使用SIoU損失函數(shù)時(shí)檢測(cè)精度為46.6%，提升了0.8%；將霧化圖
- 基于改進(jìn)RPN的孿生小樣本電力目標(biāo)檢測(cè)
用于電力行業(yè)目標(biāo)檢測(cè)的孿生網(wǎng)絡(luò)小樣本模型，在極端小樣本情況下性能優(yōu)良，同時(shí)具有更加輕量化的優(yōu)勢(shì)，可為電力檢測(cè)新方法研究提供參考。關(guān)鍵詞：計(jì)算機(jī)感知；孿生網(wǎng)絡(luò)；電力場(chǎng)景；小樣本；目標(biāo)檢測(cè)Research on few-shot power detection of siamese network based on improved RPNFENG Jun1， PAN Sichen1，ZHAO Shuai1，PENG Liangying1，F(xiàn)AN Xiongf
河北科技大學(xué)學(xué)報(bào) 2023年1期2023-05-30
- 基于YOLOv5s的城市道路車輛檢測(cè)方法的設(shè)計(jì)與實(shí)現(xiàn)
LOv5s；目標(biāo)檢測(cè)；車輛檢測(cè)中圖分類號(hào)： TP311 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2023）03-0019-031 引言截至2022年6月底，公安部已經(jīng)官方宣布我國(guó)的車輛總量已經(jīng)達(dá)到了4.06億輛，與2021年底比較，新增加了1082 萬(wàn)輛汽車（扣除報(bào)廢注銷量），增長(zhǎng)率為2.74%。其中，2022年6月之前新注冊(cè)登記的車輛就有1657萬(wàn)輛。這說(shuō)明了我國(guó)人民的生活質(zhì)量處于不斷上升的趨勢(shì)中，對(duì)汽車的需求量也在持續(xù)的增加，這就導(dǎo)致道路交通擁堵現(xiàn)
電腦知識(shí)與技術(shù) 2023年3期2023-05-30
- 基于圖像識(shí)別的目標(biāo)檢測(cè)可行性分析
：圖像識(shí)別；目標(biāo)檢測(cè)；評(píng)價(jià)標(biāo)準(zhǔn)1引言目前，深度學(xué)習(xí)領(lǐng)域成為各學(xué)科融合熱門，伴隨計(jì)算機(jī)算力的提升，深度學(xué)習(xí)進(jìn)一步發(fā)展，并基于深度學(xué)習(xí)實(shí)現(xiàn)圖像識(shí)別，在圖像識(shí)別領(lǐng)域取得了重大進(jìn)步。但大家似乎都邁入了一個(gè)誤區(qū)：圖像識(shí)別相當(dāng)于計(jì)算機(jī)視覺(jué)或者僅僅是對(duì)圖像進(jìn)行簡(jiǎn)單處理。相較于大眾認(rèn)知，圖像識(shí)別不僅僅等同于對(duì)圖像進(jìn)行識(shí)別，它是一個(gè)寬泛的領(lǐng)域。本文首先探討圖像識(shí)別的任務(wù)分類，并對(duì)圖像識(shí)別領(lǐng)域的應(yīng)用場(chǎng)景進(jìn)行介紹。算法的研究基于圖像識(shí)別的可行性，以及如何判斷圖像識(shí)別效果的優(yōu)劣，
計(jì)算機(jī)應(yīng)用文摘 2023年9期2023-05-30
- 基于OpenCV的機(jī)器人分揀系統(tǒng)設(shè)計(jì)
penCV；目標(biāo)檢測(cè)；圖像處理；tesseract-OCR；機(jī)器人分揀系統(tǒng)中圖分類號(hào)：TP242；TP391.4? 文獻(xiàn)標(biāo)志碼：A? 文章編號(hào)：1671-0797（2023）09-0034-04DOI：10.10.19514/j.cnki.cn32-1628/tm.2023.09.0100? ? 引言隨著各大電商的快速發(fā)展，我國(guó)快遞行業(yè)的整體規(guī)模迅速壯大，包裹數(shù)量逐年增多，快遞的錯(cuò)派、丟件等問(wèn)題也日漸凸顯，傳統(tǒng)人工分揀已經(jīng)無(wú)法適應(yīng)當(dāng)前的分揀需求，亟需一種用
機(jī)電信息 2023年9期2023-05-18
- 基于Transformer的目標(biāo)檢測(cè)研究綜述
ormer的目標(biāo)檢測(cè)方法因其突出的性能引起了眾多研究者的關(guān)注。文章從作為Neck的Transformer 和作為Backbone的Transformer兩類框架在目標(biāo)檢測(cè)領(lǐng)域的研究狀況、幾種常見(jiàn)模型的基本原理以及在COCO 2017 ValSet上的對(duì)比實(shí)驗(yàn)三個(gè)方面做出了綜述。關(guān)鍵詞： 目標(biāo)檢測(cè)； Transformer； 計(jì)算機(jī)視覺(jué)； 深度學(xué)習(xí)中圖分類號(hào)：TP391? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ?文章編號(hào)：1006-8228（2023）05-
計(jì)算機(jī)時(shí)代 2023年5期2023-05-14
- 基于圖像識(shí)別的目標(biāo)檢測(cè)可行性分析
：圖像識(shí)別；目標(biāo)檢測(cè)；評(píng)價(jià)標(biāo)準(zhǔn)1引言目前，深度學(xué)習(xí)領(lǐng)域成為各學(xué)科融合熱門，伴隨計(jì)算機(jī)算力的提升，深度學(xué)習(xí)進(jìn)一步發(fā)展，并基于深度學(xué)習(xí)實(shí)現(xiàn)圖像識(shí)別，在圖像識(shí)別領(lǐng)域取得了重大進(jìn)步。但大家似乎都邁入了一個(gè)誤區(qū)：圖像識(shí)別相當(dāng)于計(jì)算機(jī)視覺(jué)或者僅僅是對(duì)圖像進(jìn)行簡(jiǎn)單處理。相較于大眾認(rèn)知，圖像識(shí)別不僅僅等同于對(duì)圖像進(jìn)行識(shí)別，它是一個(gè)寬泛的領(lǐng)域。本文首先探討圖像識(shí)別的任務(wù)分類，并對(duì)圖像識(shí)別領(lǐng)域的應(yīng)用場(chǎng)景進(jìn)行介紹。算法的研究基于圖像識(shí)別的可行性，以及如何判斷圖像識(shí)別效果的優(yōu)劣，
計(jì)算機(jī)應(yīng)用文摘·觸控 2023年9期2023-05-10
- 融合注意力機(jī)制的YOLOv5火災(zāi)煙霧檢測(cè)
元彪關(guān)鍵詞：目標(biāo)檢測(cè);煙霧檢測(cè)；YOLOv5；注意力機(jī)制；ACON激活函數(shù)中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2023）08-0001-040 引言由于采用傳統(tǒng)的煙霧報(bào)警或檢測(cè)手段的煙霧探測(cè)器裝置只能在靠近排放源的地方識(shí)別煙霧的存在，并且受各種天氣環(huán)境影響，其感受到的溫度、濕度及顆粒密度都會(huì)影響檢測(cè)效果[1]。由于設(shè)備的探測(cè)范圍的局限性，一些戶外場(chǎng)所的地理屬性導(dǎo)致無(wú)法大范圍鋪設(shè)傳統(tǒng)的探測(cè)設(shè)備，它們?nèi)狈z測(cè)局部煙霧的能力。20
電腦知識(shí)與技術(shù) 2023年8期2023-04-27
- 基于YOLOv5的坐姿監(jiān)測(cè)系統(tǒng)設(shè)計(jì)
OLOv5；目標(biāo)檢測(cè)；坐姿監(jiān)測(cè)中圖分類號(hào)：TP39 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2023）08-0022-04“坐姿”作為人們生產(chǎn)生活最常用的姿態(tài)，與人們身體健康密切相關(guān)。坐姿不正確是導(dǎo)致青少年近視率持續(xù)上升的重要原因之一，根據(jù)國(guó)家學(xué)生體質(zhì)與健康調(diào)研結(jié)果表明，我國(guó)各學(xué)段學(xué)生近視率持續(xù)上升，7～12歲小學(xué)生、13～15歲初中生、16～18歲高中生視力不良率分別為45.71%、74.36%、83.28%[1]，同時(shí)長(zhǎng)期不良的坐姿可能會(huì)導(dǎo)致成年人
電腦知識(shí)與技術(shù) 2023年8期2023-04-27
- 基于機(jī)器視覺(jué)的油田儀表示數(shù)自動(dòng)識(shí)別方法
圖像識(shí)別??目標(biāo)檢測(cè)???指針定位???透視變換矩陣The?Automatic?Recognition?Method?of?OilField?Instrument?Indication?Based?on?Machine?VisionZHAO?Lei（Liaohe?Oilfield?Materials?Company，??Panjin，?Liaoning?Province，124010??China）Abstract：The?traditional?inst
科技資訊 2023年6期2023-04-23
- 圖像識(shí)別技術(shù)在錄播系統(tǒng)中的研究
錄播系統(tǒng)中的目標(biāo)檢測(cè)和跟蹤技術(shù)，在沒(méi)有人工干預(yù)的情況下，利用圖像處理算法對(duì)視頻圖像進(jìn)行實(shí)時(shí)分析與處理，實(shí)現(xiàn)對(duì)跟蹤目標(biāo)的自動(dòng)檢測(cè)、跟蹤和拍攝。關(guān)鍵詞：錄播系統(tǒng)；圖像識(shí)別；目標(biāo)檢測(cè)；目標(biāo)跟蹤中圖分類號(hào)：TP391? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2023）06-0097-06開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）0引言國(guó)家“十三五”教育改革提出通過(guò)提升教育信息化促進(jìn)教育公平、提高教育質(zhì)量的方針[1]。近年來(lái)隨著云計(jì)算、大數(shù)據(jù)等技術(shù)的實(shí)
電腦知識(shí)與技術(shù) 2023年6期2023-04-14
- 基于YOLOv5s算法的風(fēng)機(jī)葉片故障識(shí)別與檢測(cè)
；故障識(shí)別；目標(biāo)檢測(cè)；交并比中圖分類號(hào)：TP277? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2023）06-0076-03開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）0 引言風(fēng)力發(fā)電作為發(fā)展最為成熟、最具有開(kāi)發(fā)規(guī)模的可再生、清潔的綠色能源，擁有廣闊的發(fā)展前景。風(fēng)機(jī)葉片作為風(fēng)力發(fā)電的重要承載部件，其是否安全運(yùn)行直接影響著風(fēng)力發(fā)電機(jī)組對(duì)風(fēng)能的獲取效率，同時(shí)對(duì)設(shè)備的使用壽命以及周圍的環(huán)境安全有著巨大的影響。根據(jù)我國(guó)風(fēng)能資源的分布，風(fēng)力設(shè)備多分布在濕度
電腦知識(shí)與技術(shù) 2023年6期2023-04-14
- 基于知識(shí)圖譜WordNet實(shí)現(xiàn)多數(shù)據(jù)集合并及其在YOLO9000中的應(yīng)用
;深度學(xué)習(xí);目標(biāo)檢測(cè);YOLO9000;Softmax1 概述在如今的生活中，人臉識(shí)別、自動(dòng)駕駛、車輛檢測(cè)、行人檢測(cè)等視覺(jué)技術(shù)早已得到了普遍應(yīng)用，為人們眾多工作生活帶來(lái)了便利。這些檢測(cè)識(shí)別技術(shù)背后依靠的是目標(biāo)檢測(cè)算法的產(chǎn)生和發(fā)展。社會(huì)生活要求目標(biāo)檢測(cè)系統(tǒng)足夠快速、足夠準(zhǔn)確、有足夠的能力檢測(cè)更多對(duì)象。從傳統(tǒng)到深度學(xué)習(xí)，目標(biāo)檢測(cè)算法不斷地更新?lián)Q代，不斷改進(jìn)先前的不足并提出更加強(qiáng)大和富有創(chuàng)意的方法。2014年，Ross Girshick極具創(chuàng)造性地提出Regio
電腦知識(shí)與技術(shù) 2023年4期2023-03-24
- 基于人工智能的紅外熱成像監(jiān)控系統(tǒng)設(shè)計(jì)
；人工智能；目標(biāo)檢測(cè)；數(shù)據(jù)清洗隨著電網(wǎng)規(guī)模的不斷增加，電力設(shè)備的維護(hù)成本越來(lái)越高。而故障發(fā)生前的檢修尤為重要，可以減少設(shè)備故障次數(shù)，降低設(shè)備故障帶來(lái)的損失[1]。國(guó)務(wù)院印發(fā)《新一代人工智能發(fā)展規(guī)劃》，要求到2025年戰(zhàn)略目標(biāo)為人工智能成為我國(guó)產(chǎn)業(yè)升級(jí)和經(jīng)濟(jì)轉(zhuǎn)型的主要?jiǎng)恿?。?guó)家發(fā)展改革委在《“十四五”新型儲(chǔ)能發(fā)展實(shí)施方案》中要求提升能源產(chǎn)業(yè)鏈現(xiàn)代化水平，推進(jìn)能源產(chǎn)業(yè)數(shù)字化智能化升級(jí)，積極開(kāi)展電網(wǎng)、電廠等領(lǐng)域智能化建設(shè)[2]。國(guó)家對(duì)于智能設(shè)備的要求越來(lái)越高，此
電腦知識(shí)與技術(shù) 2023年4期2023-03-24
- 基于互聯(lián)網(wǎng)的公共場(chǎng)所監(jiān)控人臉特征目標(biāo)檢測(cè)
據(jù)的人臉特征目標(biāo)檢測(cè)方案，通過(guò)對(duì)人臉特征，如胡須、眼鏡、口罩等特征，對(duì)互聯(lián)網(wǎng)聯(lián)機(jī)多場(chǎng)所監(jiān)控視頻進(jìn)行檢測(cè)，篩選出目標(biāo)人群，從而減少機(jī)器人臉識(shí)別或傳統(tǒng)人工識(shí)別工作量，提高識(shí)別速度，降低成本，最后以口罩佩戴檢測(cè)系統(tǒng)的實(shí)現(xiàn)案例驗(yàn)證了系統(tǒng)可行性及精準(zhǔn)度，并對(duì)目標(biāo)檢測(cè)技術(shù)應(yīng)用前景進(jìn)行了展望。關(guān)鍵詞：互聯(lián)網(wǎng)；目標(biāo)檢測(cè)；人臉特征；監(jiān)控視頻引言近年來(lái)，監(jiān)控作為視頻證據(jù)采集的主要工具被大量安置在城市公共區(qū)域各個(gè)角落，有效保證了人民群眾的生命財(cái)產(chǎn)安全，但隨著攝像頭增多，監(jiān)控視頻
互聯(lián)網(wǎng)周刊 2023年2期2023-03-12
- 基于深度學(xué)習(xí)的圖像目標(biāo)檢測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
R-CNN；目標(biāo)檢測(cè)；可視化預(yù)測(cè)1引言隨著社會(huì)經(jīng)濟(jì)的發(fā)展，圖像信息成為與人們生活密切相關(guān)的重要數(shù)據(jù)，利用計(jì)算機(jī)來(lái)迅速地實(shí)現(xiàn)圖像分類和目標(biāo)檢測(cè)，已成為當(dāng)前圖像處理最迫切的需求。目標(biāo)檢測(cè)是深度學(xué)習(xí)的一個(gè)重要應(yīng)用，要求從圖片背景中分離出感興趣的目標(biāo)。相較于龐大的圖像數(shù)據(jù)信息的產(chǎn)生，圖像分類和目標(biāo)識(shí)別的速度、準(zhǔn)確率也在快速提升。此前的研究證明，在大數(shù)據(jù)集上進(jìn)行訓(xùn)練可以獲得一個(gè)小數(shù)據(jù)集的實(shí)質(zhì)性改進(jìn)。一般來(lái)說(shuō)，這些超大規(guī)模的數(shù)據(jù)集可以使局部識(shí)別性能大幅度提高[1]。隨
計(jì)算機(jī)應(yīng)用文摘·觸控 2023年4期2023-03-05
- 智慧教室課堂教學(xué)中學(xué)生抬頭率檢測(cè)與分析
永健關(guān)鍵詞：目標(biāo)檢測(cè)；YOLOv5；BiFPN；智慧教室；教學(xué)評(píng)價(jià)1引言為加快教育現(xiàn)代化和教育強(qiáng)國(guó)進(jìn)程，教育部于2018年制定了《教育信息化2.0行動(dòng)計(jì)劃》，計(jì)劃指出要以人工智能、大數(shù)據(jù)、物聯(lián)網(wǎng)等新興技術(shù)為基礎(chǔ)，依托各類智能設(shè)備及網(wǎng)絡(luò)，積極開(kāi)展智慧教育研究和示范。2019年，相關(guān)部門印發(fā)《中國(guó)教育現(xiàn)代化2035》，再次指出要加快教育信息化的腳步，建設(shè)智能化的校園，為國(guó)內(nèi)高校探索智慧教育模式提供了方向。智慧校園是數(shù)字校園的進(jìn)一步發(fā)展和提升，是教育信息化的更高
計(jì)算機(jī)應(yīng)用文摘·觸控 2022年20期2022-11-21
- 基于目標(biāo)檢測(cè)的自動(dòng)斷電實(shí)驗(yàn)臺(tái)控制器的設(shè)計(jì)
。通過(guò)對(duì)傳統(tǒng)目標(biāo)檢測(cè)算法的研究與分析，研究了Openmv圖像預(yù)處理和灰度直方圖均衡化的方法，采用幀間差分檢測(cè)算法和關(guān)鍵幀的人物識(shí)別方法，實(shí)現(xiàn)了目標(biāo)識(shí)別功能，最終形成基于目標(biāo)檢測(cè)的自動(dòng)斷電實(shí)驗(yàn)臺(tái)的設(shè)計(jì)，該實(shí)驗(yàn)臺(tái)可以準(zhǔn)確地實(shí)現(xiàn)無(wú)人時(shí)自動(dòng)斷電，從而保證了實(shí)驗(yàn)室的用電安全以及達(dá)到了節(jié)省能源的目的。關(guān)鍵詞：實(shí)驗(yàn)室安全;控制器;目標(biāo)檢測(cè);節(jié)省能源中圖分類號(hào)：TP391? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2022）18-0080-03開(kāi)放科學(xué)（資源服
電腦知識(shí)與技術(shù) 2022年18期2022-08-31
- 水下圖像目標(biāo)檢測(cè)技術(shù)研究
榮摘要：運(yùn)用目標(biāo)檢測(cè)技術(shù)，水下機(jī)器人海底打撈技術(shù)可替代人工捕撈，解決人工作業(yè)危險(xiǎn)系數(shù)高、經(jīng)濟(jì)效益低的問(wèn)題。該文水下目標(biāo)檢測(cè)研究對(duì)象為海參、海膽、扇貝、海星四類生物，針對(duì)水下圖像顏色偏移嚴(yán)重、存在明顯跨域等問(wèn)題，提出了一種基于Cascade-Rcnn的海底生物目標(biāo)檢測(cè)方法，結(jié)合傳統(tǒng)圖像處理，解決水下圖像跨域問(wèn)題，最終精度達(dá)到0.507（iou0.5：0.95?Map）。關(guān)鍵詞：目標(biāo)檢測(cè)???Cascade-Rcnn????跨域???顏色偏移中圖分類號(hào)：TP2
科技資訊 2022年12期2022-07-17
- 基于深度學(xué)習(xí)的破損絕緣子檢測(cè)研究
YOLOv4目標(biāo)檢測(cè)方法的破損絕緣子智能檢測(cè)模型。針對(duì)Scaled-YOLOv4網(wǎng)絡(luò)在訓(xùn)練過(guò)程中難以分辨有效信息的問(wèn)題，分析Scaled-YOLOv4網(wǎng)絡(luò)Neck部分的降采樣操作會(huì)導(dǎo)致信息丟失，提出將改進(jìn)的注意力機(jī)制加入網(wǎng)絡(luò)模型中，設(shè)計(jì)了DC-Scaled-YOLOv4模型。將網(wǎng)絡(luò)上得到的破損絕緣子數(shù)據(jù)集分配成訓(xùn)練集和測(cè)試集，并對(duì)故障識(shí)別模型進(jìn)行訓(xùn)練。采用該模型對(duì)破損絕緣子進(jìn)行識(shí)別測(cè)試，Scaled-YOLOv4在破損絕緣子數(shù)據(jù)集上的檢測(cè)精度為80%，而文
現(xiàn)代信息科技 2022年4期2022-07-07
- 面向航空目標(biāo)檢測(cè)的神經(jīng)網(wǎng)絡(luò)加速器設(shè)計(jì)
用于航空?qǐng)D像目標(biāo)檢測(cè)領(lǐng)域。然而，由于航空?qǐng)D像成像背景環(huán)境復(fù)雜、目標(biāo)尺寸小且方向任意，為了提取更高層次的特征信息，神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)復(fù)雜度不斷提高，使得模型計(jì)算復(fù)雜度高、計(jì)算時(shí)間長(zhǎng)，從而難以滿足航空目標(biāo)檢測(cè)的實(shí)時(shí)性需求。本文提出了一種面向航空目標(biāo)檢測(cè)的基于Winograd算法的神經(jīng)網(wǎng)絡(luò)加速器，通過(guò)Winograd卷積算法可大幅減少卷積計(jì)算中的乘法數(shù)量，并針對(duì)Winograd卷積在神經(jīng)網(wǎng)絡(luò)計(jì)算中由于時(shí)域變換引入額外加法計(jì)算的問(wèn)題，提出了一種深流水的矩陣變換計(jì)算
航空科學(xué)技術(shù) 2022年5期2022-07-03
- 車輛前排乘員安全帶檢測(cè)算法研究
4-tiny目標(biāo)檢測(cè)框架，通過(guò)設(shè)置不同數(shù)量檢測(cè)頭的兩個(gè)網(wǎng)絡(luò)分別用于車輛和擋風(fēng)玻璃檢測(cè)。在MobileNeXt網(wǎng)絡(luò)中，通過(guò)在沙漏殘差模塊中添加SAM空間注意力模塊實(shí)現(xiàn)安全帶檢測(cè)。在車輛數(shù)據(jù)集、擋風(fēng)玻璃數(shù)據(jù)集、安全帶數(shù)據(jù)集上進(jìn)行訓(xùn)練和測(cè)試，實(shí)驗(yàn)結(jié)果表明，車輛檢測(cè)網(wǎng)絡(luò)在平均精度（mean Average-Precision， mAP）為99.69%時(shí)速度為145 幀/秒，擋風(fēng)玻璃檢測(cè)網(wǎng)絡(luò)在平均精度為99.88%時(shí)速度為163 幀/秒，安全帶檢測(cè)網(wǎng)絡(luò)在準(zhǔn)確率（Ac
軟件工程 2022年6期2022-06-11
- 卷積神經(jīng)網(wǎng)絡(luò)在實(shí)時(shí)檢測(cè)領(lǐng)域的研究
度預(yù)測(cè)改善小目標(biāo)檢測(cè)?；谝幌盗械南趯?shí)驗(yàn)驗(yàn)證Mini模塊設(shè)計(jì)的有效性，并透過(guò)對(duì)照實(shí)驗(yàn)結(jié)果證實(shí)Mini Net模型的實(shí)時(shí)性優(yōu)于全卷積模型，在參數(shù)量?jī)H有0.92×106的情況下，能夠有效地提取目標(biāo)特微。關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò);輕量模型;目標(biāo)檢測(cè);圖像識(shí)別中圖分類號(hào)：TP311? ? ?文獻(xiàn)標(biāo)識(shí)碼：AResearch on Convolutional Neural Networks in Real-time DetectionGAO Xinyi， CHEN Qi
軟件工程 2022年6期2022-06-11
- 基于計(jì)算機(jī)視覺(jué)的無(wú)人機(jī)目標(biāo)檢測(cè)算法綜述
升必然要基于目標(biāo)檢測(cè)。計(jì)算機(jī)視覺(jué)技術(shù)早在20世紀(jì)90年代就已經(jīng)開(kāi)始應(yīng)用于無(wú)人機(jī)領(lǐng)域，早期受限于微處理器較差的運(yùn)算能力，相關(guān)算法雖然有一定的優(yōu)化但總體上發(fā)展緩慢。經(jīng)過(guò)幾十年的發(fā)展，目前隨著處理器運(yùn)算能力的顯著提升，利用計(jì)算機(jī)視覺(jué)相關(guān)技術(shù)解決無(wú)人機(jī)應(yīng)用中的問(wèn)題顯得更加得心應(yīng)手。關(guān)鍵詞：計(jì)算機(jī)視覺(jué);無(wú)人機(jī);目標(biāo)檢測(cè);引言隨著無(wú)人機(jī)在軍用及民用領(lǐng)域的廣泛應(yīng)用，以無(wú)人機(jī)為平臺(tái)的圖像獲取和處理技術(shù)在軍事、交通、物流和攝影等諸多領(lǐng)域得到快速發(fā)展?；跓o(wú)人機(jī)視覺(jué)的多目標(biāo)跟
新視線·建筑與電力 2022年4期2022-06-08
- 基于YOLO算法的橋面鋪裝及其資產(chǎn)檢測(cè)技術(shù)
;深度學(xué)習(xí);目標(biāo)檢測(cè);卷積神經(jīng)網(wǎng)絡(luò)中圖分類號(hào) U443.33 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 2096-8949（2022）10-0070-030 引言大跨徑鋼橋面鋪裝及其附屬資產(chǎn)是確保橋梁結(jié)構(gòu)正常運(yùn)營(yíng)的關(guān)鍵部分，其服役狀態(tài)直接影響到區(qū)域交通的互聯(lián)互通。橋面鋪裝及其附屬資產(chǎn)由于常年暴露于自然環(huán)境，且承受交通荷載的不斷作用，服役狀況不斷衰減并最終出現(xiàn)損傷。因此，針對(duì)鋪裝等設(shè)施狀況的全面、及時(shí)的檢測(cè)是制訂有效維養(yǎng)方案的關(guān)鍵。在道路巡檢領(lǐng)域，深度學(xué)習(xí)中目標(biāo)檢測(cè)的方
交通科技與管理 2022年10期2022-06-07
- 基于神經(jīng)網(wǎng)絡(luò)的洗手動(dòng)作識(shí)別方法
手動(dòng)作識(shí)別;目標(biāo)檢測(cè);注意力機(jī)制;編解碼結(jié)構(gòu)【中圖分類號(hào)】Q189 【文獻(xiàn)標(biāo)識(shí)碼】A 【文章編號(hào)】2026-5328（2022）03--011 引言中華人民共和國(guó)衛(wèi)生部[1]在2020年發(fā)布了《醫(yī)務(wù)人員手衛(wèi)生規(guī)范》，它規(guī)定了醫(yī)務(wù)人員洗手方法和外科沖洗手消毒方法。在臨床環(huán)境中引入手衛(wèi)生依從性的智能化檢測(cè)方式是十分必要的。2020年2月，邢政等人[2]發(fā)明一種洗手監(jiān)測(cè)裝置，該裝置使用傳感器檢測(cè)到手部后，執(zhí)行洗手響應(yīng)，記錄使用者的信息并上傳至終端。2020年
錦州醫(yī)科大學(xué)報(bào) 2022年3期2022-06-06