1 长春理工大学 机电工程学院, 吉林 长春 130022
2 长春理工大学 重庆研究院, 重庆 401135
3 郑州轻工业大学 电气信息工程学院, 河南 郑州 450002
4 中国烟草总公司 郑州烟草研究院, 河南 郑州 450001
针对瞳孔区域屈光度识别准确率低、检测效率低等问题, 本文提出一种基于改进Y0L0v3深度 神经网络的瞳孔图像检测算法。首先构建用于提取瞳孔主特征的二分类检测网络Y0L0v3-base,强化 对瞳孔特征的学习能力。然后通过迁移学习, 将训练模型参数迁移至 YOLOv3-DPDC(Deep Pupil Diopter Classify), 降低样本数据分布不均衡造成的模型训练困难以及检测性能差的难题, 最后采用 Fine-tuning调参快速训练YOLOv3多分类网络, 实现了对瞳孔屈光度快速检测。通过采集的1200张 红外瞳孔图像进行实验测试, 结果表明本文算法屈光度检测准确率达91.6%, 检测速度可达 45 fps, 优于使用Faster R-CNN进行屈光度检测的方法。
瞳孔屈光度检测 深度学习 YOLOv3网络 多尺度特征 机器视觉 pupil diopter detection, deep learning, YOLOv3, mu
1 中国科学院 长春光学精密机械与物理研究所 应用光学国家重点实验室，吉林 长春 130033
2 中国科学院大学，北京 100049
基于行车图像的目标检测方法为感知周围的道路环境提供了便宜、有效的解决方案，但同时也对检测效果和检测速度提出了较高要求。本文针对基于深度学习的一阶段目标检测算法YOLOv3展开研究，结合自注意力机制，在其网络深层结构中嵌入高斯掩码自注意力模块，缓解卷积操作感受野不足的缺陷，以捕捉更多的全局信息，提高算法的检测效果。实验结果表明，改进后的模型在MS COCO 2017数据集上训练结果的mAP@0.5达到56.88%，精度达到65.31%。与YOLOv3相比，mAP@0.5提高了2.56%，精度提高了3.53%。虽然检测速度有一些损失，但有效提高了模型的检测效果，能够更好地支撑辅助驾驶等应用。
目标检测 YOLOv3网络 自注意力 辅助驾驶 object detection yolov3 network self-attention assisted driving system
河北工业大学人工智能与数据科学学院, 天津300100
针对目前算法对遥感图像中背景复杂、目标小而密集的复杂场景下的目标检测精度低的问题,提出了一种基于YOLOv3的改进算法,在YOLOv3的基础上,结合了密集连接网络,利用密集连接块来提取深层特征,增强特征传播,同时引入Distance-IoU(DIoU) loss作为坐标预测的损失函数,使边界框的定位更加准确,此外针对目标间相互遮挡的情况,改进了传统的非极大值抑制算法,使用DIoU代替IoU来克服虚假抑制的问题。对所提算法在三个经典的遥感数据集上进行了测试,实验结果证明,所提方法具有更高的检测精度。
遥感 遥感图像 卷积神经网络 目标检测 YOLOv3网络 密集连接 激光与光电子学进展
2021, 58(20): 2028006
江南大学物联网工程学院, 轻工过程先进控制教育部重点实验室, 江苏 无锡 214122
针对目前多目标跟踪过程中漏检率高和检测速率慢的问题,提出一种改进YOLOv3网络结构的多目标跟踪算法。首先,利用K-means++聚类算法对数据集中的目标边框进行聚类,根据聚类结果优化网络的先验框参数。然后,在Darknet-53特征提取层中引入深度可分离卷积模块,用深度可分离卷积代替标准卷积,减少参数量,并在YOLO预测层中引入SENet模块,利用SENet模块突出特征图的关键通道信息。最后,选定经典的tracking-by-detection框架,使用改进的YOLOv3算法来实现对目标信息的检测工作,跟踪部分选用Deep-SORT算法进行跟踪。实验结果表明,所提出的多目标跟踪算法能够有效地减小漏检率,同时兼顾了算法的检测精度和实时性。
图像处理 多目标跟踪 YOLOv3网络 SENet结构 深度可分离卷积 Deep-SORT算法 激光与光电子学进展
2021, 58(16): 1610004
1 四川轻化工大学机械工程学院, 四川 宜宾 644000
2 中国科学院成都计算机应用研究所, 四川 成都 610041
3 四川大学机械工程学院, 四川 成都 610065
针对传统图像处理算法难以快速、准确识别轮对踏面缺陷的问题,提出一种采用双深度神经网络对轮对踏面缺陷进行检测的算法。该双网络分为踏面提取网络与缺陷识别网络。根据踏面为大目标的特点,分析与测试SSD网络,并用该网络提取轮对图像中的踏面区域。为提高踏面缺陷识别效率,在提取出踏面图像后,针对踏面缺陷属于中、小目标的特点,对YOLOv3网络结构进行优化得到M-YOLOv3。实验测试表明:提取踏面区域时,SSD算法的精度均值(AP)最高,达99.8%;识别踏面缺陷时,M-YOLOv3的AP达89.9%,相较于原始YOLOv3,单张图像计算耗时减少7.1%,同时AP仅有0.6%的损耗。结果表明,所提算法具有较高的检测准确率。
图像处理 轮对踏面 缺陷检测 深度学习 SSD网络 YOLOv3网络 激光与光电子学进展
2021, 58(4): 0410020
1 武汉科技大学 信息科学与工程学院，湖北 武汉 430081
2 冶金自动化与检测技术教育部工程中心，湖北 武汉 430081
针对棉花异性纤维检测准确率不高、实时性较差的问题，以棉花为研究对象，提出了一种基于改进YOLOv3的棉花异性纤维检测方法。引入轻量级MobileNets网络为特征提取网络，结合YOLOv3的多尺度特征融合检测网络，构建改进的MobileNets-YOLOv3模型。提出一种分段式学习率，以增强学习效果。将实际采集到的真实棉花异性纤维图像数据集按4∶1的比例划分为训练集和测试集，并使用对比度增强、水平镜像等6种图像增广方法扩充数据集。对扩充前后的数据集、不同的学习率、改进前后的YOLOv3模型、本文模型与Faster R-CNN和SSD_300模型做了对比试验。实验结果表明，数据集的增广、改进后的分段式学习率均能改善训练模型的过拟合现象，在测试集上的平均正确率(mAP)分别提高了3.6%、5.64%; 改进后的YOLOv3模型对测试集进行检测的平均正确率(mAP)为84.82%，帧速率为66.67 f·s-1，识别精度优于YOLOv3模型，提高了2.03%，帧速率是YOLOv3模型的3倍，总体性能也优于Faster R-CNN和SSD_300模型，能较好地满足棉花异纤检测的精度和实时性要求。
棉花 目标检测 YOLOv3网络 MobileNets网络 深度学习 cotton target detection YOLOv3 network MobileNets deep learning
1 东华大学 信息科学与技术学院，上海 201620
2 东华大学 数字化纺织服装技术教育部工程研究中心，上海 201620
环境感知是无人车夜间行驶中的一项关键任务，提出一种改进的YOLOv3网络，以实现夜间对无人车获取的红外图像中行人、车辆的检测，将判断周边车辆的行驶方向问题转化为预测车辆位置的角度大小问题，并与深度估计信息进行融合对周边车辆行驶的距离和速度作出判断，从而实现夜间无人车对周边车辆行驶意图的感知。该网络具有端到端的优点，能实现整张图像作为网络的输入，直接在输出层回归检测目标的边界框位置、所属的类别和车辆的角度预测结果，并和深度估计信息融合得到周边车辆的距离和速度信息。实验结果表明，使用改进的YOLOv3网络对夜间无人车获取的红外图像进行目标检测的时间为0.04 s/帧，角度和速度预测效果较好，准确性和实时性达到了实际应用要求。
红外图像 目标检测 YOLOv3网络 角度预测 深度估计 infrared image target detection YOLOv3 network angle prediction depth estimation
