摘要：针对含硫天然气中H2S等腐蚀性物质易导致井站设备、管线等发生泄漏,易引发火灾,但常用的火焰和烟雾检测仪器、算法易受井站复杂环境影响,且含硫井站人工巡检存在一定风险,提出一种基于深度学习目标检测模型的含硫井站火焰和烟雾检测方法。首先,将能在移动端实时检测的yolo v4目标检测模型先对公开火焰、烟雾数据集进行训练;接着,将训练好的模型采用迁移学习方法对井站火焰、烟雾数据集进行训练,提取井站火焰、烟雾特征;最后,经迁移学习训练后的yolo v4模型对火焰、烟雾检测的平均精度均值高达99.62%,配合巡检机器人将对含硫井站有更好的火灾预警和救援侦察能力。

摘要：针对研究人员难以利用计算机视觉对棉种这类尺寸较小的物体进行双面检测,导致检测效果不佳的问题,设计了一款新型棉种检测分选装置,利用亚克力板在强光和白色背景下透明的特点,将棉种通过上料装置滑入透明亚克力板的凹槽中,随着转盘的转动,同一批棉种的正反两面图像分别由2个不同位置的CCD相机采集得到。利用改进yolo v4的目标检测算法检测破损棉种,试验结果表明该方法建立的模型对群体棉种中的破损棉种和完好棉种的检测准确率达到95.33%、召回率为96.31%、漏检率为0,检测效果优于原yolo v4网络,实现了对双面群体棉种的破损识别,为后续脱绒棉种智能检测装备研发提供了技术支持。

摘要：针对two⁃stage网络模型训练成本高,无人机搭载的边缘计算设备检测速度低等问题,提出一种基于改进yolo v4模型的受灾树木实时检测方法,以提高对落叶松毛虫虫害树木的识别精度与检测速度。以黑龙江省大兴安岭地区呼玛县白银纳乡受落叶松毛虫侵害的落叶松无人机图像为数据,利用LabelImg软件标注75~100 m的无人机图像,构建落叶松毛虫虫害树木图像数据集。将CSPNet应用于yolo v4模型的Neck架构,重新设计Backbone的特征提取网络———CSPDarknet53模型结构,并在CSPNet进行优化计算前的卷积中加入SENet以增加感受野信息,使其改变网络的深度、宽度、分辨率及网络结构,实现模型缩放,提高检测精度。同时,在PANet中使用CSPConvs卷积代替原有卷积Conv×5,最后经过yolo Head检测输出预测结果。将yolo v4 CSP网络模型部署至GPU进行训练,训练过程的内存降低至改进前的82.7%。再搭载至工作站进行测试,结果表明:改进的yolo v4 CSP网络模型在测试阶段对虫害树木检测的正确率为97.50%,相比于yolo v4的平均正确率提高3.4个百分点,模型精度接近目前主流two⁃stage框架Faster R CNN的98.75%;将改进的yolo v4 CSP网络模型搭载至Jetson nano边缘计算设备,检测速度达到4.17 f/s,高于yolo v4模型的1.72 f/s。基于yolo v4 CSP的检测模型可实现对受灾树木检测速度与精度的平衡,降低模型的应用成本,搭载至无人机可实现对森林虫害的实时监测。

摘要：为实时准确地检测到自然环境下背景复杂的荔枝病虫害,本研究构建荔枝病虫害图像数据集并提出荔枝病虫害检测模型以提供诊断防治。以yolo v4为基础,使用更轻、更快的轻量化网络GhostNet作为主干网络提取特征,并结合GhostNet中的核心设计引入更低成本的卷积Ghost Module代替颈部结构中的传统卷积,得到轻量化后的yolo v4-G模型。在此基础上使用新特征融合方法和注意力机制CBAM对yolo v4-G进行改进,在不失检测速度和模型轻量化程度的情况下提高检测精度,提出yolo v4-GCF荔枝病虫害检测模型。构建的数据集包含荔枝病虫害图像3725幅,其中病害种类包括煤烟病、炭疽病和藻斑病3种,虫害种类包括毛毡病和叶瘿蚊2种。试验结果表明,基于yolo v4-GCF的荔枝病虫害检测模型,对于5种病虫害目标在训练集、验证集和测试集上的平均精度分别为95.31%、90.42%和89.76%,单幅图像检测用时0.1671 s,模型内存占用量为39.574 MB,相比改进前的yolo v4模型缩小84%,检测速度提升38%,在测试集中检测平均精度提升4.13个百分点,同时平均精度比常用模型yolo v4-tiny、EfficientDet-d2和Faster R-CNN分别高17.67、12.78、25.94个百分点。所提出的yolo v4-GCF荔枝病虫害检测模型能够有效抑制复杂背景的干扰,准确且快速检测图像中荔枝病虫害目标,可为自然环境下复杂、非结构背景的农作物病虫害实时检测研究提供参考。

摘要：针对深层神经网络模型部署到番茄串采摘机器人,存在运行速度慢,对目标识别率低,定位不准确等问题,本文提出并验证了一种高效的番茄串检测模型。模型由目标检测与语义分割两部分组成。目标检测负责提取番茄串所在的矩形区域,利用语义分割算法在感兴趣区域内获取番茄茎位置。在番茄检测模块,设计了一种基于深度卷积结构的主干网络,在实现模型参数稀疏性的同时提高目标的识别精度,采用K-means++聚类算法获得先验框,并改进了DIoU距离计算公式,进而获得更为紧凑的轻量级检测模型(DC-yolo v4)。在番茄茎语义分割模块(ICNet)中以MobileNetv2为主干网络,减少参数计算量,提高模型运算速度。将采摘模型部署在番茄串采摘机器人上进行验证。采用自制番茄数据集进行测试,结果表明,DC-yolo v4对番茄及番茄串的平均检测精度为99.31%,比yolo v4提高2.04个百分点。语义分割模块的mIoU为81.63%,mPA为91.87%,比传统ICNet的mIoU提高2.19个百分点,mPA提高1.47个百分点。对番茄串的准确采摘率为84.8%,完成一次采摘作业耗时约6 s。

摘要：为提高马铃薯幼苗叶芽检测识别的准确率,提高自动育苗生产系统的工作效率,提出了基于yolo v4网络的改进识别网络。将yolo v4特征提取部分CSPDarknet53中的残差块(Residual Block)替换为Res2Net,并采用深度可分离卷积操作减小计算量。由此,在增大卷积神经网络感受野的同时,能够获得叶芽更加细小的特征信息,减少马铃薯叶芽的漏检率。设计了基于扩张卷积的空间特征金字塔(DSPP模块),并嵌入和替换到特征提取部分的3个特征层输出中,用于提高马铃薯叶芽目标识别定位的准确性。采用消融实验对改进策略的有效性进行了验证分析。实验结果表明,改进的识别网络对马铃薯叶芽检测的精确率为95.72%,召回率为94.91%,综合评价指标F1值为95%,平均精确率为96.03%。与Faster RCNN、yolo v3、yolo v4网络相比,改进的识别网络具有更好的识别性能,从而可有效提高马铃薯自动育苗生产系统的工作效率。

摘要：铁路侵限异物的自动检测是未来实现铁路智能化的重要组成部分。由于随机的侵限行为可能导致严重的行车后果,研究可以实现连续检测列车运行前方区域状况的技术,是保障列车出行安全的现实需求。针对传统侵限异物检测方法检测类别单一和时效性差的不足,提出一种基于yolo v4检测网络的侵限异物检测模型。在锚框(anchor)的选择上,通过对K-means算法聚类中心的选取方法进行改进,用欧式距离度量替换随机选择的方法,从而获得更具代表的anchor尺寸;在yolo v4网络的基础上,通过在骨干网络和特征融合网络之间加入压缩和激励模块,在不增加检测时间的同时提升了检测效果;在侵限检测模型的训练方面,使用公共数据集和自制异物侵限数据联合训练的方式提高了模型的泛化能力。在侵限异物测试集上对训练好的模型进行测试,结果表明:该方法对常见异物的平均检测精度达到90.2%,检测速度为53 fps,与Faster R-CNN相比检测精度相差较少的情况下,检测精度有大幅提升。改进的检测模型达到了预期设计目标,可以为铁路侵限异物检测智能化的研究提供参考。

摘要：为提高采摘设备的执行效率,采用六自由度机械臂、树莓派、Android手机端和服务器设计了一种智能果实采摘系统,该系统可自动识别不同种类的水果,并实现自动采摘,可通过手机端远程控制采摘设备的起始和停止,并远程查看实时采摘视频。提出通过降低自由度和使用二维坐标系来实现三维坐标系中机械臂逆运动学的求解过程,从而避免了大量的矩阵运算,使机械臂逆运动学求解过程更加简捷。利用Matlab中的Robotic Toolbox进行机械臂三维建模仿真,验证了降维求解的可行性。在果实采摘流程中,为了使机械臂运动轨迹更加稳定与协调,采用五项式插值法对机械臂进行运动轨迹规划控制。基于Darknet深度学习框架的yolo v4目标检测识别算法进行果实目标检测和像素定位,在Ubuntu 19.10操作系统中使用2000幅图像作为训练集,分别对不同种类的果实进行识别模型训练,在GPU环境下进行测试,结果表明,每种果实识别的准确率均在94%以上,单次果实采摘的时间约为17 s。经过实际测试,该系统具有良好的稳定性、实时性以及对果实采摘的准确性。

摘要：岩体结构面对岩体稳定性和渗透性有着重要影响,是决定深部地下工程稳定性的重要因素.针对井下电视技术获取的钻孔影像,提出了一种基于深度学习算法(You Only Look Once version 4,yolo v4)的岩体结构面识别方法,并计算识别岩体结构面的几何参数.首先,采集图像数据并进行预处理.以某隧道工程为案例,使用智能钻孔光学成像仪采集4号和6号钻孔图像,筛选含有结构面的钻孔图像进行标注以建立Ground truth数据集.从中随机选择数据集的70%作为训练数据、10%作为验证数据、20%作为测试数据,并对训练数据集使用数据增强处理.接下来使用CSPDarkNet53网络作为特征提取网络,构建yolo v4模型,并采用试错法获取最优参数进行模型训练.利用测试集生成P-R(Precision-Recall)曲线来测试最终的模型训练效果,结果显示P-R曲线的平均精度达0.87,这表明yolo v4训练结果较好.最后,将定位的结构面采用Canny算法通过拟合上、中、下正弦曲线函数获取岩体结构面边缘,并依据正弦函数的系数计算结构面的4个几何参数(倾向、倾角、深度和张开度).

摘要：随着基于深度学习的目标检测算法研究越来越深入,其在智慧交通中的应用也越来越广泛。现有的人车混检算法面临着路口场景下车辆行驶角度多变、目标遮挡、人车重合的考验。针对现有问题,本文基于yolo v4算法进行改进,优化yolo v4的特征提取预测网络结构,设计加入F-CSP结构,提高网络特征提取和特征融合的能力,减少小目标特征的缺失。实验制作针对复杂路口环境下的车辆和行人数据集与coco数据集结合进行训练并测试。相比于yolo v4算法,在复杂路口场景下,对遮挡严重和重合严重的行人和车辆检测准确率有所提升。