在原木木材材积检测中,由于端面伐痕、开裂和阴影等因素容易影响智能检测系统的准确性和稳定性,一直以来,端面识别定位属于一个难点问题。对多个YOLO(You Only Look Once)版本模型的原理分析和试验验证,融合这些YOLO版本模型优点,在yolo...在原木木材材积检测中,由于端面伐痕、开裂和阴影等因素容易影响智能检测系统的准确性和稳定性,一直以来,端面识别定位属于一个难点问题。对多个YOLO(You Only Look Once)版本模型的原理分析和试验验证,融合这些YOLO版本模型优点,在yolo3主干网络基础上,采用数据增强、特征融合和损失函数等优化手段,构建更加适用于原木检测的端到端深度学习模型YOLO-Raw Wood(YOLO-RW),用于原木木材材积图像的准确识别和定位。为检验YOLO-RW模型性能,设计多组数据试验。结果表明,同比基准模型,YOLO-RW模型具有更高的端面识别精度和鲁棒性,在准确率和召回率评价指标平均值上,分别高出基准模型6.95%和2.38%以上。研究表明,YOLO-RW模型在原木木材材积检测领域有着较好的应用价值,亦可为相关目标识别领域的研究提供借鉴。展开更多
针对输送带表面纹理复杂且缺乏边缘设备实时准确识别损伤的现状,提出一种基于RW-YOLOv3的输送带表面损伤实时检测算法。首先,采用结构重参数化RepVGG网络替换YOLOv3算法原主干网络DarkNet53,实现输送带表面损伤快速精准检测;然后将交并...针对输送带表面纹理复杂且缺乏边缘设备实时准确识别损伤的现状,提出一种基于RW-YOLOv3的输送带表面损伤实时检测算法。首先,采用结构重参数化RepVGG网络替换YOLOv3算法原主干网络DarkNet53,实现输送带表面损伤快速精准检测;然后将交并比(Intersection over Union,IoU)损失、分类置信度损失和SIFI相似度加权求和构建预测框与目标框,并进行匹配生成代价矩阵,再通过计算最小代价矩阵,找到最优Wasserstein传输距离实现最优标签分配,从而减少正负样本不平衡造成的误差;最后,基于多尺度检测和结果融合,完成输送带表面损伤实时准确检测。实验结果表明,提出的算法较YOLOv3算法,检测精度均值提升了8.36%,检测速度提高了51.36 FPS,与其他算法相比,所提算法精度高、速度快,满足高带速下输送带表面损伤实时检测需求。展开更多
文摘在原木木材材积检测中,由于端面伐痕、开裂和阴影等因素容易影响智能检测系统的准确性和稳定性,一直以来,端面识别定位属于一个难点问题。对多个YOLO(You Only Look Once)版本模型的原理分析和试验验证,融合这些YOLO版本模型优点,在yolo3主干网络基础上,采用数据增强、特征融合和损失函数等优化手段,构建更加适用于原木检测的端到端深度学习模型YOLO-Raw Wood(YOLO-RW),用于原木木材材积图像的准确识别和定位。为检验YOLO-RW模型性能,设计多组数据试验。结果表明,同比基准模型,YOLO-RW模型具有更高的端面识别精度和鲁棒性,在准确率和召回率评价指标平均值上,分别高出基准模型6.95%和2.38%以上。研究表明,YOLO-RW模型在原木木材材积检测领域有着较好的应用价值,亦可为相关目标识别领域的研究提供借鉴。
文摘针对输送带表面纹理复杂且缺乏边缘设备实时准确识别损伤的现状,提出一种基于RW-YOLOv3的输送带表面损伤实时检测算法。首先,采用结构重参数化RepVGG网络替换YOLOv3算法原主干网络DarkNet53,实现输送带表面损伤快速精准检测;然后将交并比(Intersection over Union,IoU)损失、分类置信度损失和SIFI相似度加权求和构建预测框与目标框,并进行匹配生成代价矩阵,再通过计算最小代价矩阵,找到最优Wasserstein传输距离实现最优标签分配,从而减少正负样本不平衡造成的误差;最后,基于多尺度检测和结果融合,完成输送带表面损伤实时准确检测。实验结果表明,提出的算法较YOLOv3算法,检测精度均值提升了8.36%,检测速度提高了51.36 FPS,与其他算法相比,所提算法精度高、速度快,满足高带速下输送带表面损伤实时检测需求。
