7篇关于YOLOv3的计算机毕业论文

今天分享的是关于YOLOv3的7篇计算机毕业论文范文, 如果你的论文涉及到YOLOv3等主题,本文能够帮助到你

基于物联网和深度学习的燃气抄表系统设计与实现

这是一篇关于物联网,Arm Pelion,深度学习,YOLOv3,燃气抄表系统的论文, 主要内容为随着“十三五”规划逐步落实,中国推进智慧城市建设。但在燃气旧表管理上,膜式燃气表存在人工抄表难、信息化水平低等缺点;同时,大量的膜式旧表还在使用期限内,全部更换会造成物资浪费,这让旧表难以接轨城市化进程。因此,论文根据上述市场实际需求,提出可行的解决方案,完成膜式旧表抄表智能化、信息化。论文结合物联网和深度学习技术设计燃气抄表系统,可在不更换膜式旧表的情况下实现远程抄表。系统通过在膜式旧表上加装抄表节点,将节点接入Arm Pelion云平台通信。在抄表节点采集码盘图像后,上传至燃气信息管理平台,结合YOLOv3检测算法进行示数识别。整个系统框架由加装的抄表节点、Arm Pelion云平台设备服务、YOLOv3示数识别服务、燃气信息平台四部分构成。论文的主要工作内容如下:(1)采用STM32控制器、OV7670图像传感和ESP8266通信模块,设计和实现抄表节点所需功能,并依托高可用、高安全Arm Pelion云服务,满足海量节点接入与安全通信需求,下发抄表指令和上传码盘图像。(2)选用YOLOv3深度学习检测算法,部署应用层表盘读数识别服务。同时,针对码盘背景干扰项问题,设计码盘分步检测流程,先定位读数区域位置,再对码盘读数进行识别,训练的模型检测准确率达98%。(3)基于Spring Boot与Vue.js框架,开发上层应用燃气信息管理平台。通过整合Arm Pelion设备管理服务和YOLOv3码盘图像识别服务,实现燃气的抄表管理和信息管理,同时实现用户权限、数据可视化等功能。(4)论文对系统硬件、软件、云平台、算法各模块进行测试,包括节点采集传输图像、Pelion云平台接入、表盘读数识别服务、燃气信息管理平台功能。经测试,系统功能均能够正常运行,方案具有可行性。

基于深度学习的水稻病害精准识别技术研究

这是一篇关于水稻,病害识别,深度学习,YOLOv3,ResNet50的论文, 主要内容为水稻是我国主要粮食作物,也是我国人口主食主要来源。由于水稻病害是造成水稻减产的主要原因,因此,及时准确的识别水稻病害至关重要。传统的水稻病害主要由人工进行识别,该类识别方法受主观因素影响较大,容易因识别失误造成水稻减产。近年来,随着深度学习技术的不断发展,其在农业生产领域的应用前景日益引起关注。为了实现对水稻病害的精准识别,本文对复杂环境下常见的8种水稻病害进行研究,采用卷积神经网络对水稻病害进行识别,针对由于水稻存在小病斑及一片叶子上会出现多种病害导致病害识别准确率不高的问题,重点研究了目标检测网络。主要研究内容如下:1.为了解决水稻在复杂环境下病害识别问题,本文提出一种基于改进Res Net50的水稻病害识别方法,首先将CA注意力机制嵌入到原始的残差模块中,构成CA-Conv Block和CA-Identity Block,提高网络对病害特征的提取能力,然后在网络结构方面增加一个全连接层和Dropout机制,抑制模型的过拟合。在训练过程中引入迁移学习机制,使用新的预训练模型。最终在测试集上对白叶枯病、细菌性条斑病、褐斑病、霜霉病、叶瘟病、穗瘟病、纹枯病、稻曲病较原始Res Net50识别准确率分别提高了0.98%、1.39%、0.84%、0.98%、1.86%、0.48%、1.33%、0.5%、1.03%,整体精度提高了1.03%。2.为了解决水稻多种病害和小病斑检测不准确的问题,本文提出一种基于改进YOLOv3(You Only Look Once v3)的水稻叶部病害检测方法--Rice-YOLOv3。首先,使用k-means++聚类算法,计算新的锚框尺寸,使锚框尺寸与数据集相匹配;其次,采用激活函数Mish替换YOLOv3主干网络中的Leaky Relu激活函数,利用该激活函数的平滑特性,提升网络的检测准确率;同时,将CSPNet(Cross Stage Paritial Network)与Dark Net53中的残差模块相结合,在避免出现梯度信息重复的同时,增加了神经网络的学习能力,提升了检测精度和速度;最后,在FPN(Feature Pyramid Networks)层分别引入注意力机制ECA(Efficient Channel Attention)和CBAM(Convolutional Block Attention Module)模块,解决了特征层堆叠处的特征提取问题,提高了对小病斑的检测能力。3.使用Qt Designer和Python语言设计一套水稻病害精准识别系统,该系统可以选择不同网络对水稻病害进行识别和检测,用户可以自主上传图片并及时获得诊断结果,减少了种植者对农业技术专家的依赖,方便他们更快地开展下一步疾病治疗,也为水稻疾病识别提供了强有力的技术支持。

军警人员日常训练管理及监察系统软件研发

这是一篇关于训练管理,训练监察,YOLOv3的论文, 主要内容为军警人员担负着保卫国家的重要职责,在维护国家安全上发挥着重要的作用,要确保其始终保持高战斗力状态和履行职能使命,日常训练不可缺少。在传统训练工作管理过程中,部队采用人工的方式进行训练管理及监察。由于训练工作的细致繁杂以及人工监察的局限性,往往会出现成绩统计繁琐耗时、训练难以确保全面落实等问题。为解决这些问题,规范军警人员的日常训练,实现日常训练的信息化,研发具有自动化管理训练工作、智能化监察训练环节功能的训练管理及监察系统具有重要意义。本论文针对当前军警人员日常训练工作中出现的问题,研发了军警人员日常训练管理及监察系统软件。软件主要分为训练管理子系统软件和训练监察子系统软件。训练管理子系统软件采用B/S架构设计,主要实现了训练计划的制定与管理,训练情况的登记与统计,训练成绩的登记与统计,训练相关资源、训练标准和数据字典的管理,同时设计了 Web页面用以可视化交互。训练监察子系统基于模块化设计,设计了视频接入层统一管理所有监控设备,通过图像采集模块采集并存储网络摄像机传来的训练场地实况图像,通过智能图像识别模块对训练图像进行分析,基于YOLOv3算法检测图像中训练人员并统计出相应训练人数,从而智能地完成监察工作。经测试,系统有效地管理了各项训练工作,智能地监察了各个训练环节。图片单次人员检测所需时间约为50ms,检测精确率达100%,漏检率低至2%左右,在功能和性能上均满足系统需求。

基于深度学习的手写试卷自动评阅系统设计与实现

这是一篇关于深度学习,自动评阅,手写字符识别,YOLOv3,LeNet-5的论文, 主要内容为考试作为筛选人才和检验能力的重要方法,在教育教学中具有重要的意义。虽然不断涌现出机考等无纸化考试,但是目前依然采用较多的考试形式是纸质试卷考试,然而在日常考试场景下,例如中小学的期中期末测试,大学期末考试等,纸质试卷一般仍然采取人工阅卷方法,评卷老师需要进行大量的重复性阅卷,由此带来身体和精神上的疲惫会导致阅卷效率低下甚至出现错判漏判等问题。而随着人工智能科技和数字图像处理等技术的高速发展,基于图像识别的自动阅卷逐渐成为当前主流且非常有前景的研究方向。基于此背景,本文基于深度学习技术设计和实现一种针对日常手写试卷的自动评阅系统。本文主要研究了以下内容:(1)研究了基于YOLOv3的客观题答案的识别方法。本文为选择题和判断题自制了两个专用的数据集。通过采集当地从小学到大学的多个学科的试卷作为样本,制作用于手写试卷客观题答案识别的数据集。本方法基于自制数据集对YOLOv3模型进行训练,然后采用训练后的模型对测试试卷的客观题进行定位识别。另外考虑实际应用中答案的涂改会降低识别的准确率,本文在模型训练和测试时将数据集中的涂改答案定义为一个类别以此排除涂改答案带来的干扰。实验结果表明,该方法对于客观题的手写答案识别的准确率达到98%。(2)研究了基于Le Net-5和文本相似性匹配的主观题手写答案识别和评分方法。首先,本文基于中科院的CASIA系列中的CASIA-HWDB1合共3755个常用的手写汉字对Le Net-5卷积神经网络进行训练,然后对测试试卷的填空题和简答题手写答案区域定位后实现汉字的识别;最后将识别结果与标准答案进行关键词匹配,从而得出填空题和简答题等主观题的得分。(3)结合(1)和(2)的研究成果,基于Python实现了一个完整的试卷自动评分系统。系统包含了面向用户的试卷图像采集模块,答案评分模块及成绩管理系统模块,实现了试卷图像的实时采集以及学生成绩的计算和导出。另外针对学生在客观题作答时可能出现多答、漏答等问题,提出了简单排序方法和区域划分方法两种答案计分算法,解决了系统在录入学生客观题答案时出现计分错误问题。经测试,系统对于大学期末试卷的扫描和判卷时间大概在10秒左右,选择题和判断题准确率达到98%,填空题和简答题准确率在85%左右;而人工判卷对于单份试卷的判卷时间大概在一分钟左右,并且随着阅卷时间增加,人工阅卷速度以及准确率会快速下降。实验结果表明本文研发的系统能保证在较高识别准确度的前提下较大的提高评卷的效率。

基于室内场景图像增强的房屋交易推荐系统的研究与开发

这是一篇关于推荐系统,图像处理,YOLOv3,K-Means聚类,协同过滤的论文, 主要内容为随着社会的发展,人员流动性增强,通过网络进行租赁房屋和房产买卖的情况在快速增加。部分传统的网络房屋租赁和售卖系统对上传的房屋图片的室内场景没有优化,图片不清晰,严重影响了房屋在网络平台的展示;另外,一些网络平台在推荐系统中没有很好地解决数据稀疏问题,导致推荐效果不佳。基于上述出现的问题,本文通过对当前租房行业的调研和分析,研究并开发了基于室内场景图像增强的房屋交易推荐系统的方案。本文的主要工作如下:(1)提出了一种小样本的FRDSP-YOLOv3(Few-show Retinex Dark Net based on S3Pool)的室内场景识别。对背景干扰问题采取了随机空间采取池化(S3POOL)的下采样方法,以此保留特征图的空间信息;使用Retinex图像增强的方式解决了因设备拍摄的角度以及光线等因素造成的室内场景目标识别不佳的情况,提高了对室内场景识别的能力。实验结果表明,在室内场景识别任务中准确率为93%,召回率为80%。(2)针对在传统协同算法中出现的数据稀疏问题,本文提出了user B-CF推荐算法,即考虑了点击率、用户浏览时间、购买记录、浏览记录和评价等行为的推荐算法。利用用户聚类的方式,先计算出用户在簇中的近邻用户,再根据近邻用户的评分对用户未评分的物品进行评分预测,解决了数据的稀疏导致精度不高的问题。(3)设计开发了基于室内场景图像增强的房屋交易推荐系统的架构方案。系统采用了Spring Boot和Vue框架进行设计与实现。系统由用户网站、管理员后台服务组成,其中用户网站包括了房源查找,房源发布和投诉等模块,后台的服务实现了用户管理、租房管理、售房管理和投诉管理等模块。

基于改进YOLOv3的红外图像行人检测算法研究

这是一篇关于辅助驾驶,深度学习,红外图像,行人检测,YOLOv3的论文, 主要内容为随着我国汽车数量不断增多,交通事故的发生也越来越频繁。这些交通事故对行人和司机的生命安全造成了极大的危害。据统计,大多数交通事故发生在夜间或者光线不足的恶劣天气。针对能见度低的情况下,常规行人检测技术精度低、实时性差的问题,本文提出了一种基于改进YOLOv3的红外图像行人检测算法。具体工作如下:首先,针对红外图像公开数据集少且完整性差的问题,从互联网上搜索红外图像,并根据红外图像特点和深度学习要求,对图像数据进行样本标注、标签整理和样本均衡等操作,建立较完整的红外图像数据集。然后,针对原有特征提取网络Dark Net53参数较多、特征利用率低的缺点,采用密集连接结构的Dense Net121作为本文模型的特征提取网络。在此基础上,采用3个3×3的小卷积核代替输入层一个7×7的大卷积核来提高网络细节学习能力,采用步长为2的卷积层和池化层并联的方式减少过渡层特征的损失,采用Leaky-Relu函数作为激活函数,提高了整个网络的训练效率。最后,针对YOLOv3多尺度融合部分上采样层特征损失严重、参数多的缺点,使用亚像素卷积层来实现特征图的尺寸扩张操作,在没有增加参数数量的前提下,提高了特征利用率。为了弥补红外图像特征少的缺点,使用红外图像和可见光图像混合的方式对网络进行预训练。对于网络输出的检测结果,剔除了明显不符合行人尺寸特点的结果框,进一步提高网络精度。