针对地震后利用遥感图像检测受损建筑物,本研究提出了一种基于改进YOLOv3模型的受损建筑物识别方法。首先,通过深入分析尺度特征,对主干网络进行了针对性优化,增强了模型对微小目标特征的捕获能力。其次,引入感受野模块(Receptive Field...针对地震后利用遥感图像检测受损建筑物,本研究提出了一种基于改进YOLOv3模型的受损建筑物识别方法。首先,通过深入分析尺度特征,对主干网络进行了针对性优化,增强了模型对微小目标特征的捕获能力。其次,引入感受野模块(Receptive Field Block,RFB),拓宽了特征图的感知域,提高了对小尺寸目标的检测灵敏度。最后,对锚框及其分配策略进行了精细调整。实验结果表明,相较于原始YOLOv3模型,所提方法检测精度和检测速度均大幅提升,并且在抗噪能力上展现出显著优势;与已有识别方法相比,平均检测精度分别提升了4.8%和5.4%;在处理复杂的目标检测任务时展现出更优的性能和更强的鲁棒性,有效实现了高分辨率遥感图像中受损建筑物的准确识别。展开更多
针对小尺度目标在检测时精确率低且易出现漏检和误检等问题,提出一种改进的YOLOv3(You Only Look Once version 3)小目标检测算法。在网络结构方面,为提高基础网络的特征提取能力,使用DenseNet-121密集连接网络替换原Darknet-53网络作...针对小尺度目标在检测时精确率低且易出现漏检和误检等问题,提出一种改进的YOLOv3(You Only Look Once version 3)小目标检测算法。在网络结构方面,为提高基础网络的特征提取能力,使用DenseNet-121密集连接网络替换原Darknet-53网络作为其基础网络,同时修改卷积核尺寸,进一步降低特征图信息的损耗,并且为增强检测模型对小尺度目标的鲁棒性,额外增加第4个尺寸为104×104像素的特征检测层;在对特征图融合操作方面,使用双线性插值法进行上采样操作代替原最近邻插值法上采样操作,解决大部分检测算法中存在的特征严重损失问题;在损失函数方面,使用广义交并比(GIoU)代替交并比(IoU)来计算边界框的损失值,同时引入Focal Loss焦点损失函数作为边界框的置信度损失函数。实验结果表明,改进算法在VisDrone2019数据集上的均值平均精度(mAP)为63.3%,较原始YOLOv3检测模型提高了13.2百分点,并且在GTX 1080 Ti设备上可实现52帧/s的检测速度,对小目标有着较好的检测性能。展开更多
为使苹果采摘机器人在复杂果树背景下能快速准确地检测出苹果,提出一种轻量化YOLO(You only look once)卷积神经网络(Light-YOLOv3)模型与苹果检测方法。首先,对传统YOLOv3深度卷积神经网络架构进行改进,设计一种同构残差块串联的特征...为使苹果采摘机器人在复杂果树背景下能快速准确地检测出苹果,提出一种轻量化YOLO(You only look once)卷积神经网络(Light-YOLOv3)模型与苹果检测方法。首先,对传统YOLOv3深度卷积神经网络架构进行改进,设计一种同构残差块串联的特征提取网络结构,简化目标检测的特征图尺度,采用深度可分离卷积替换普通卷积,提出一种融合均方误差损失和交叉熵损失的多目标损失函数;其次,开发爬虫程序,从互联网上获取训练数据并进行标注,采用数据增强技术对训练数据进行扩充,并对数据进行归一化,针对Light-YOLOv3网络训练,提出一种基于随机梯度下降(Stochastic gradient descent,SGD)和自适应矩估计(Adaptive moment estimation,Adam)的多阶段学习优化技术;最后,分别在计算机工作站和嵌入式开发板上进行了复杂果树背景下的苹果检测实验。结果表明,基于轻量化YOLOv3网络的苹果检测方法在检测速度和准确率方面均有显著的提高,在工作站和嵌入式开发板上的检测速度分别为116.96、7.59 f/s,F1值为94.57%,平均精度均值(Mean average precision,mAP)为94.69%。展开更多
准确、快速地统计苗木数量对苗圃的运营和管理具有重要意义,是提高苗圃运营和管理水平的有效方式。为快速准确统计完整地块内苗木数量,该研究选取云杉为研究对象,以无人机航拍完整地块云杉视频为数据源,提出一种基于YOLOv3(You Only Loo...准确、快速地统计苗木数量对苗圃的运营和管理具有重要意义,是提高苗圃运营和管理水平的有效方式。为快速准确统计完整地块内苗木数量,该研究选取云杉为研究对象,以无人机航拍完整地块云杉视频为数据源,提出一种基于YOLOv3(You Only Look Once v3,YOLOv3)和SORT(Simple Online and Realtime Tracking,SORT)的云杉数量统计方法。主要内容包括数据采集、YOLOv3检测模型构建、SORT跟踪算法和越线计数算法设计。以平均计数准确率(Mean Counting Accuracy,MCA)、平均绝对误差(Mean Absolute Error,MAE)、均方根误差(Root Mean Square Error,RMSE)和帧率(Frame Rate,FR)为评价指标,该方法对测试集中对应6个不同试验地块的视频内云杉进行数量统计的平均计数准确率MCA为92.30%,平均绝对误差MAE为72,均方根误差RMSE为98.85,帧率FR 11.5帧/s。试验结果表明该方法能够快速准确统计完整地块的云杉数量。相比SSD+SORT算法,该方法在4项评价指标中优势显著,平均计数准确率MCA高12.36个百分点,帧率FR高7.8帧/s,平均绝对误差MAE和均方根误差RMSE分别降低125.83和173.78。对比Faster R-CNN+SORT算法,该方法在保证准确率的基础上更加快速,平均计数准确率MCA仅降低1.33个百分点,但帧率FR提高了10.1帧/s。该研究从无人机航拍视频的角度为解决完整地块的苗木数量统计问题做出了有效探索。展开更多
文摘针对地震后利用遥感图像检测受损建筑物,本研究提出了一种基于改进YOLOv3模型的受损建筑物识别方法。首先,通过深入分析尺度特征,对主干网络进行了针对性优化,增强了模型对微小目标特征的捕获能力。其次,引入感受野模块(Receptive Field Block,RFB),拓宽了特征图的感知域,提高了对小尺寸目标的检测灵敏度。最后,对锚框及其分配策略进行了精细调整。实验结果表明,相较于原始YOLOv3模型,所提方法检测精度和检测速度均大幅提升,并且在抗噪能力上展现出显著优势;与已有识别方法相比,平均检测精度分别提升了4.8%和5.4%;在处理复杂的目标检测任务时展现出更优的性能和更强的鲁棒性,有效实现了高分辨率遥感图像中受损建筑物的准确识别。
文摘针对小尺度目标在检测时精确率低且易出现漏检和误检等问题,提出一种改进的YOLOv3(You Only Look Once version 3)小目标检测算法。在网络结构方面,为提高基础网络的特征提取能力,使用DenseNet-121密集连接网络替换原Darknet-53网络作为其基础网络,同时修改卷积核尺寸,进一步降低特征图信息的损耗,并且为增强检测模型对小尺度目标的鲁棒性,额外增加第4个尺寸为104×104像素的特征检测层;在对特征图融合操作方面,使用双线性插值法进行上采样操作代替原最近邻插值法上采样操作,解决大部分检测算法中存在的特征严重损失问题;在损失函数方面,使用广义交并比(GIoU)代替交并比(IoU)来计算边界框的损失值,同时引入Focal Loss焦点损失函数作为边界框的置信度损失函数。实验结果表明,改进算法在VisDrone2019数据集上的均值平均精度(mAP)为63.3%,较原始YOLOv3检测模型提高了13.2百分点,并且在GTX 1080 Ti设备上可实现52帧/s的检测速度,对小目标有着较好的检测性能。
文摘为使苹果采摘机器人在复杂果树背景下能快速准确地检测出苹果,提出一种轻量化YOLO(You only look once)卷积神经网络(Light-YOLOv3)模型与苹果检测方法。首先,对传统YOLOv3深度卷积神经网络架构进行改进,设计一种同构残差块串联的特征提取网络结构,简化目标检测的特征图尺度,采用深度可分离卷积替换普通卷积,提出一种融合均方误差损失和交叉熵损失的多目标损失函数;其次,开发爬虫程序,从互联网上获取训练数据并进行标注,采用数据增强技术对训练数据进行扩充,并对数据进行归一化,针对Light-YOLOv3网络训练,提出一种基于随机梯度下降(Stochastic gradient descent,SGD)和自适应矩估计(Adaptive moment estimation,Adam)的多阶段学习优化技术;最后,分别在计算机工作站和嵌入式开发板上进行了复杂果树背景下的苹果检测实验。结果表明,基于轻量化YOLOv3网络的苹果检测方法在检测速度和准确率方面均有显著的提高,在工作站和嵌入式开发板上的检测速度分别为116.96、7.59 f/s,F1值为94.57%,平均精度均值(Mean average precision,mAP)为94.69%。
文摘准确、快速地统计苗木数量对苗圃的运营和管理具有重要意义,是提高苗圃运营和管理水平的有效方式。为快速准确统计完整地块内苗木数量,该研究选取云杉为研究对象,以无人机航拍完整地块云杉视频为数据源,提出一种基于YOLOv3(You Only Look Once v3,YOLOv3)和SORT(Simple Online and Realtime Tracking,SORT)的云杉数量统计方法。主要内容包括数据采集、YOLOv3检测模型构建、SORT跟踪算法和越线计数算法设计。以平均计数准确率(Mean Counting Accuracy,MCA)、平均绝对误差(Mean Absolute Error,MAE)、均方根误差(Root Mean Square Error,RMSE)和帧率(Frame Rate,FR)为评价指标,该方法对测试集中对应6个不同试验地块的视频内云杉进行数量统计的平均计数准确率MCA为92.30%,平均绝对误差MAE为72,均方根误差RMSE为98.85,帧率FR 11.5帧/s。试验结果表明该方法能够快速准确统计完整地块的云杉数量。相比SSD+SORT算法,该方法在4项评价指标中优势显著,平均计数准确率MCA高12.36个百分点,帧率FR高7.8帧/s,平均绝对误差MAE和均方根误差RMSE分别降低125.83和173.78。对比Faster R-CNN+SORT算法,该方法在保证准确率的基础上更加快速,平均计数准确率MCA仅降低1.33个百分点,但帧率FR提高了10.1帧/s。该研究从无人机航拍视频的角度为解决完整地块的苗木数量统计问题做出了有效探索。
