摘要：目前,动车组运行故障图像检测系统(TEDS)采集的动车组关键部位图像主要由人工判别,为提高裙板螺栓检测效率,提出一种基于改进yolov2的运行动车组裙板螺栓丢失检测方法。首先,通过K-Means聚类分析待检测螺栓区域目标框尺寸;其次,针对目标区域尺寸相似且较小的情况,在单尺度检测的yolov2模型中增加Spatial Pyramid Pooling(SPP)层,提高目标感知能力;最后,在动车组裙板螺栓数据集上,将改进前后的算法实验效果进行对比。结果表明,改进的yolov2-SPP平均精度均值从94.12%提升至95.83%,在单张2080Ti显卡上,检测速度达到73.6FPS,是同等环境下yolov3检测速度的2.5倍,yolov4的3.3倍,可快速准确检测出运行动车组中的裙板螺栓及螺栓丢失区域,减少分析员识别压力。

摘要：针对智能化导引头信息处理算法设计验证需求,本文对多类型目标、海陆空背景辐射特性数据进一步挖掘,提出引入深度学习算法应用于外场红外数据二次分析挖掘的方法。选择采集得到的包括车、船、无人机(UAVs)、客机等类型的红外数据,针对红外图像与可见光图像不同的成像特性,利用改进式yolov2红外目标检测与分类算法,融合多级特征,增加一个重组特征图,实现对红外弱小目标智能化快速分类研究,对提取的海量视频库中的目标红外辐射特征进行分类整理。

摘要：为解决目前宠物喂食机定时投喂功能易造成食物变质或污染的问题,设计了一款智能宠物喂食机。该喂食机以Hi3861V100和Hi3516DV300为主控芯片,yolov2和ResNet-18为目标检测和分类算法,当有宠物在喂食机前等待时,可智能识别宠物类型并投喂食物。该设计可根据宠物当天的进食量智能调节次日出粮量,在投喂时播放主人声音、放松性音乐引导宠物进食,并具备喂食异常警报、宠物丢失警报等功能。经过测试,该喂食机在识别不同品种宠物方面均有较高的准确率,喂食模块各功能均达到了设计要求,工作稳定可靠,具有一定的市场应用价值。

摘要：针对摩托车头盔的传统检测方法准确率低、泛化能力差和目标检测网络参数量大难以在嵌入式设备运行的问题,提出改进的yolov2的MNXt-ECA-D-yolov2目标检测算法模型。首先引入Mobile Ne Xt网络替换yolov2原始骨干网络,其次在Mobile Ne Xt的沙漏块中引入密集连接结构同时在网络中引入有效通道注意力机制,然后在不同深度网络层应用不同的激活函数,最后在网络输出卷积层之前增加Drop Block模块。采用K-means聚类算法重新设计了自制数据集的先验框尺寸。实验结果表明,改进后的模型相比原始yolov2,在AP50指标上提高了3.53%,模型大小减少77.44%,检测速度提高了近4倍。通过对比实验可知,改进后的yolov2模型在保持较高的精度下模型更小,在CPU中的推理速度更快,具有一定的应用价值。

摘要：为克服传统船舶检测方法提取的特征在复杂多变的实际海域场景中泛化能力差而导致船舶检出率和识别率较低这一问题,提出一种基于yolov2和支持向量机(support vector machine,SVM)的船舶检测分类算法。基于yolov2网络检测船舶目标,通过卷积神经网络提取船舶区域的深度特征,特征全局池化后利用SVM分类器实现分类。实验结果表明,该算法在自建的船舶数据集上船舶检测的平均精确率达80.5%,船舶分类的准确率达90.87%,有效实现复杂海况下船舶目标的检测以及舰艇、货船、渔船的识别。

摘要：针对镜片缺陷检测采用图像处理法和神经网络法存在时延高、功耗高和检测缺陷类别较少等问题,设计了一种基于FPGA与退化YOLO的软硬协同检测系统。系统中使用卷积层代替YOLO网络的重排序层进行网络退化,并映射到FPGA上;采用动态量化、模块融合、双缓冲流水线、循环展开和分块等优化策略,设计可动态配置的加速IP,其中的卷积计算模块分别实现了基于Winograd和GEMM的快速卷积算法。实验结果表明,本系统的加速IP在PYNQ-Z2上获得了51.89 GOP/s的计算性能,比基于典型滑动窗口卷积计算方法的性能提高了0.76倍,加速单张图像的时延为433 ms,功耗为1.07 W,与Core i5-10500 CPU相比,能效是其365.27倍,实现了小型设备对手机镜片低时延、低功耗的多缺陷检测。

摘要：在自动驾驶系统中,基于视觉的车辆前方多目标检测和轨迹跟踪能够为前方目标的姿态估计、行为分析提供有效信息。针对协同运动信息和核相关滤波跟踪信息的多目标跟踪的不足,使用卷积神经网络yolov2检测目标,提出了融合核相关滤波和目标运动信息的多目标轨迹跟踪方法,目的是将运动信息融入到图像特征跟踪容器中,优化运动模型,减少环境噪声造成的目标跟踪丢失、偏离。提出了基于运动信息改进核相关滤波跟踪尺度不变性算法。建立了多目标的检测跟踪容器,提出了结合目标属性、重合度、运动状态、跟踪状态的多目标匹配方法。实验表明,本文算法能够实现一定场景下的多目标的持续实时轨迹跟踪,平均有效跟踪率为92.5%。

摘要：为了提高行人检测方法的准确率,针对行人图像特征,提出一种基于深度残差网络和YOLO(you only look once)方法的行人检测方法。以加强行人特征表达为目的,通过分析行人在图像中的表达和分布特征,提出一种不影响实时性的矩形输入深度残差网络分类模型以改进YOLO检测方法,使模型能够更好地表征行人;为了进一步提高模型的准确率和泛化能力,采用了混合行人数据集训练的方式,提取VOC数据集的行人数据与INRIA数据集组成混合数据集进行训练,明显降低了漏检率;并且利用聚类分析预测框的方法重新设计了初始预测框,提高行人定位能力并加快收敛。经公开的INRIA数据集的测试实验证明,该方法较主流的行人检测方法每张图片误检率有明显改善,降低至13.86%,有1.51%～58.62%不同程度的提升,并且本方法拥有良好的实时性和泛化能力,实用性强。