近年来,机器视觉越来越多的用于人类的交通、物流和安防等方面,它在代替人工重复机械的特征识别等方面发挥着重要的作用。但是自然环境、物种研究等领域的图像识别却并不多见,随着深度学习的发展,国内外有很多学者使用卷积神经网络进行...近年来,机器视觉越来越多的用于人类的交通、物流和安防等方面,它在代替人工重复机械的特征识别等方面发挥着重要的作用。但是自然环境、物种研究等领域的图像识别却并不多见,随着深度学习的发展,国内外有很多学者使用卷积神经网络进行图像识别。使用CNN算法进行汽车图标识别,提高了识别的精度和系统的稳定性,使得分类更加细化。但是传统的算法都普遍存在一个问题,那就是检测识别速度慢,计算量大不适合小型化。而YOLO(you only look once)算法,能在保证识别精度的同时,提升运算效率,加快检测速度。展开更多
为了解决传统安全检测手段存在的检测范围有限、反应滞后和误报率高等问题,文章研究了YOLO算法在输送机检测中的应用,以及安全检测系统的设计与实现。结果表明,该系统能有效提高检测的精确率和召回率,平均每张图像的检测时间为22.60 ms...为了解决传统安全检测手段存在的检测范围有限、反应滞后和误报率高等问题,文章研究了YOLO算法在输送机检测中的应用,以及安全检测系统的设计与实现。结果表明,该系统能有效提高检测的精确率和召回率,平均每张图像的检测时间为22.60 ms,每秒帧率(frames per second,FPS)达到49.85,可以保障带式输送机的安全运行。展开更多
为了综合分析YOLO(You Only Look Once)算法在提升交通安全性和效率方面的重要作用,从“人-车-路”3个核心要素的角度,对YOLO算法在交通目标检测中的发展和研究现状进行系统性地总结.概述了YOLO算法常用的评价指标,详细阐述了这些指标...为了综合分析YOLO(You Only Look Once)算法在提升交通安全性和效率方面的重要作用,从“人-车-路”3个核心要素的角度,对YOLO算法在交通目标检测中的发展和研究现状进行系统性地总结.概述了YOLO算法常用的评价指标,详细阐述了这些指标在交通场景中的实际意义.对YOLO算法的核心架构进行概述,追溯了该算法的发展历程,分析各个版本迭代中的优化和改进措施.从“人-车-路”3种交通目标的视角出发,梳理并论述了采用YOLO算法进行交通目标检测的研究现状及应用情况.分析目前YOLO算法在交通目标检测中存在的局限性和挑战,提出相应的改进方法,展望未来的研究重点,为道路交通的智能化发展提供了研究参考.展开更多
针对Yolov3-Tiny算法在加油站监控场景检测时由于数据特征提取不充分而导致检测精度低、漏检率高等问题,提出一种基于加油站场景的Misp-YOLO(You Only Look Once)目标检测算法。首先引入Mosaic数据增强算法,使图片包含更多特征信息;其...针对Yolov3-Tiny算法在加油站监控场景检测时由于数据特征提取不充分而导致检测精度低、漏检率高等问题,提出一种基于加油站场景的Misp-YOLO(You Only Look Once)目标检测算法。首先引入Mosaic数据增强算法,使图片包含更多特征信息;其次使用InceptionV2和PSConv(Poly-Scale Convolution)多尺度特征提取方法提升网络多尺度预测能力;最后结合scSE(Concurrent Spatial and Channel ‘Squeeze&Excitation’)注意力机制,重构主干网络输出特征。实验结果证明该算法具有较高检测准确度,并且检测速度满足实际需求。优化后的算法性能得到极大提升,可推广应用于其他目标检测中。展开更多
文摘近年来,机器视觉越来越多的用于人类的交通、物流和安防等方面,它在代替人工重复机械的特征识别等方面发挥着重要的作用。但是自然环境、物种研究等领域的图像识别却并不多见,随着深度学习的发展,国内外有很多学者使用卷积神经网络进行图像识别。使用CNN算法进行汽车图标识别,提高了识别的精度和系统的稳定性,使得分类更加细化。但是传统的算法都普遍存在一个问题,那就是检测识别速度慢,计算量大不适合小型化。而YOLO(you only look once)算法,能在保证识别精度的同时,提升运算效率,加快检测速度。
文摘为了解决传统安全检测手段存在的检测范围有限、反应滞后和误报率高等问题,文章研究了YOLO算法在输送机检测中的应用,以及安全检测系统的设计与实现。结果表明,该系统能有效提高检测的精确率和召回率,平均每张图像的检测时间为22.60 ms,每秒帧率(frames per second,FPS)达到49.85,可以保障带式输送机的安全运行。
文摘为了综合分析YOLO(You Only Look Once)算法在提升交通安全性和效率方面的重要作用,从“人-车-路”3个核心要素的角度,对YOLO算法在交通目标检测中的发展和研究现状进行系统性地总结.概述了YOLO算法常用的评价指标,详细阐述了这些指标在交通场景中的实际意义.对YOLO算法的核心架构进行概述,追溯了该算法的发展历程,分析各个版本迭代中的优化和改进措施.从“人-车-路”3种交通目标的视角出发,梳理并论述了采用YOLO算法进行交通目标检测的研究现状及应用情况.分析目前YOLO算法在交通目标检测中存在的局限性和挑战,提出相应的改进方法,展望未来的研究重点,为道路交通的智能化发展提供了研究参考.
文摘针对Yolov3-Tiny算法在加油站监控场景检测时由于数据特征提取不充分而导致检测精度低、漏检率高等问题,提出一种基于加油站场景的Misp-YOLO(You Only Look Once)目标检测算法。首先引入Mosaic数据增强算法,使图片包含更多特征信息;其次使用InceptionV2和PSConv(Poly-Scale Convolution)多尺度特征提取方法提升网络多尺度预测能力;最后结合scSE(Concurrent Spatial and Channel ‘Squeeze&Excitation’)注意力机制,重构主干网络输出特征。实验结果证明该算法具有较高检测准确度,并且检测速度满足实际需求。优化后的算法性能得到极大提升,可推广应用于其他目标检测中。
