基于深度学习的道路危险车辆检测
这是一篇关于道路危险车辆,Transformer,YOLOX,Faster RCNN,掩码学习的论文, 主要内容为道路危险车辆违规行驶检测在智能交通领域有着广泛的应用价值。目前,研究人员多使用卷积神经网络(Convolutional Neural Network,CNN)对道路危险车辆进行检测。然而,现有的检测框架仍存在检测精度不达标、推理速度慢的问题。Transformer模型是一种基于注意力机制的新型架构,相比CNN有着更能关注全局信息、建模长距离依赖关系能力强的优点,给目标检测领域带来了重大革新。鉴于此,本文将Transformer和现有的检测框架相结合,旨在平衡检测速度和检测精度。研究道路危险车辆的快速准确检测,主要内容如下:针对现有单阶段目标检测算法YOLOX检测器推理速度快,但检测精度仍有欠缺的情况,研究加入注意力机制的YOLOX模型。首先,将YOLOX的主干网络替换为Conv Ne XT,提高模型的特征提取能力;然后,在特征融合阶段加入混合域注意力模块,在特征图的空间和通道两个维度上更有效地关注车辆信息;最后,与现有的检测算法进行对比分析。实验表明,改进后的YOLOX模型的检测精度达到0.960,其性能超过其他常用检测器。同时,与YOLOX算法进行消融实验对比,本文所建立的YOLOX模型在平均准确度上提升3%,验证了Conv Ne XT网络、混合域注意力模块的效果。针对现有双阶段目标检测算法检测器检测精度高,但推理速度慢的问题。以经典的两阶段检测器Faster RCNN为基线模型,研究融合Transformer和自监督预训练的目标检测框架。首先,将Faster RCNN的主干网络替换为基于Transformer设计的特征提取网络,提高模型的全局信息关注能力;然后,针对视觉Transformer在小规模数据集上表现不佳,模型收敛速度慢、容易过拟合的情况,使用了基于掩码学习的自监督预训练,引导网络学习车辆特征表示。实验表明,基于掩码学习的Faster RCNN模型的检测精度达到0.980,其性能超过其他常用检测器。同时,与Faster RCNN算法进行消融实验对比,本文所建立的模型在平均准确率上提升5%,计算量与Faster RCNN模型相比下降6%,验证了Transformer架构、自监督预训练的效果。对所研究方法打包封装,开发道路危险车辆检测软件,可实现危险车辆数据的可视化管理、实时检测等功能。基于Py Qt5平台开发的道路危险车辆检测系统界面友好、操作简单,促进人工智能技术在交通管理领域的应用。该论文共有图46,表7,参考文献87篇。
基于边缘计算平台的自动驾驶视觉目标检测算法研究
这是一篇关于边缘计算,目标检测,模型轻量化,自动驾驶,YOLOX,Edge TPU的论文, 主要内容为车载自动驾驶技术拥有降低出行成本、提升通行效率、提升出行安全等多个优势,具有非常重大的现实意义,同时也是中国未来在智能汽车产业能否具备竞争力的关键因素。车载图像目标检测算法技术较为成熟,单阶段目标检测算法在检测速度上有着比较大的优势,但是检测精度相对较差。此外,云端计算平台虽然有着较大的计算资源,但是由于通信的不稳定性和高时延性,使得安全性并不能够得到保障,而边缘计算平台能够一定程度解决这个问题。在自动驾驶场景下,目标检测算法对于检测速度和检测精度都有很高的要求,虽然算法和边缘计算平台都在快速发展,但是仍然存在着算法性能不足、算法部署低效、软硬件不兼容等问题。而如何优化算法性能,充分利用边缘平台计算资源,解决软硬件“断层”,将算法高效地部署在计算平台上,在工程应用中都是非常重要的。在此背景下,本文的主要工作内容是实现目标检测算法和边缘计算平台软硬件的高效协同,优化算法的性能并高效地部署在边缘计算平台上。具体的,本文采用单阶段目标检测且性能较强的YOLOX算法展开研究,首先对YOLOX算法进行检测精度优化,得到精度较好的模型后再针对硬件平台进行轻量化改进,提高检测速度,然后将改进后的算法部署在谷歌Coral Dev Board开发板中并做出实验。具体工作如下:(1)本文首先以精度为导向对模型进行改进,针对数据集第二类样本较少的情况,本文使用Copy-Paste、Copy-Paste-Mix和过采样等方式对此类样本数据进行数据增强,缓解数据样本不平衡的问题,提高模型对第二类样本的检测能力。针对模型对小目标检测性能较差的问题,本文采用添加浅层特征融合、残差模块和自适应空间特征融合(ASFF)模块对特征融合层进行改进,有效提高模型对小目标的检测精度。同时考虑到ASFF带来的大量的计算量,本文提出Fast＿ASFF模块有效提高模型的推理速度。针对数据集不同类别样本数量、尺寸差别较大的问题,本文采用Focal Loss替换原来的Loss函数,有效减缓样本不均衡的问题,提高模型的检测精度。(2)本文的第二个工作是基于边缘计算平台的软硬件协同,结合边缘计算平台的硬件特性,以模型的部署推理性能为导向对YOLOX算法进行改进,首先针对模型参数量、计算量较大的问题,本文分别基于Shuffle Net V2和Mobile Net V2两种轻量化结构对YOLOX算法进行轻量化改进和实验,并进行了图优化工作,有效减少模型大小和时延,并根据实验结果和轻量化相关理论分析,基于Ghost Net提出轻量化架构GNet,并基于GNet对模型进行改进和实验,提高模型的边缘端推理性能。针对模型在推理过程中产生的动态数据流大小不稳定的问题,本文提出一种平滑策略能够有效减少数据流大小的不稳定性,进一步提高模型在边缘端推理的速度。最后,本文结合相关轻量化工作,提出一种基于平滑数据流的混合轻量化结构设计,有效提高轻量化模型在资源有限的边缘计算平台推理性能。(3)本文的第三个工作在于结合前两个工作的实验内容,根据Coral Dev Board开发板的硬件特性,分别从轻量化结构、特征融合层、平滑策略三个方面进行部署实验,并在最后给出最终的改进模型部署实验,同时对实验结果进行分析。根据实验结果可以得出,本文的前两部分工作取得了一定的效果,符合实验预期。
电力巡检无人机智能纠偏系统的设计与实现
这是一篇关于无人机,Hough变换,Sobel算子,YOLOX,视觉纠偏的论文, 主要内容为随着科技的发展,无人机在高压线路巡检中发挥着越来越重要的作用。目前虽然有很多公司将实时动态载波相位差分技术融入无人机自主巡检,但是无人机在高空巡检和巡检完成之后的降落时,仍然会有目标物体偏离画面中心和降落点偏离指定位置的情况。本文以提高无人机目标物体追踪及自主着陆精度为主要目标,通过设计基于目标检测的无人机自主纠偏巡检系统,实现高性能的全自主无人机高压线路巡检。本文的主要工作如下:首先研究视觉辅助降落技术,本文对于常规图像预处理进行优化,采用自适应阈值对图像进行二值化操作,滤除二值化画面中的噪声。对于Sobel边缘检测算子引入八个方向的梯度矩阵。对于Hough变换圆形检测进行改进,使其适用于无人机在降落过程中圆形半径不断变化的情况。在降落标识检测中对比优化之前的预处理算法,X轴降落偏差减少53%,Y轴偏差减少32%。在目标检测框架研究中,为了满足无人机嵌入式设备的硬件条件,在YOLOX目标检测框架的基础上对其进行轻量化改进,将Backbone替换成Mobile Net V3,同时在输出特征层引入Coordinate attention。引入Ghost Module,同时应用Depthwise卷积代替Neck中的普通卷积,减少模型的参数量和计算量。引入alpha-DIOU损失函数提高边界框回归的精度。相比于原有的YOLOX＿tiny,新模型在m AP0.5:0.95指标上提高了2%,但是参数计算量大大减少,同时在Nvidia NX上运行速度可达到56FPS。实验结果显示本文系统能有效解决巡检无人机纠偏的问题。
基于深度学习的智能垃圾分类系统设计与实现
这是一篇关于垃圾分类,深度学习,YOLOX,卷积块注意力机制,坐标注意力机制,NVIDIA Jetson Xavier NX的论文, 主要内容为世界发展日新月异,生产力呈指数型增长,与此同时垃圾产生数量也不容忽视,如何处理各种垃圾是非常棘手的问题。对垃圾进行合理的分类,有利于垃圾的处理以及资源的回收利用,改善环境质量。然而,当前的垃圾分类与处理工作主要依靠人工完成,存在成本高和效率低等弊端,且垃圾集中分类环境恶劣,不利于人体健康。因此,应从源头解决垃圾分类问题。针对现有问题,本文设计实现基于深度学习的垃圾分类系统和智能垃圾处理装置。本文将YOLOX目标检测算法应用在垃圾检测领域,以华为公司发布的公开垃圾数据集为基础,扩充常见生活垃圾样本数量。同时,采用数据增强技术对原始数据集进行扩充,解决模型训练过程中因为数据集样本不均衡、图像数据量小导致的模型精度低及过拟合问题。利用新构建的垃圾数据集训练YOLOX垃圾分类模型,对比YOLOX不同版本的网络模型性能,选择检测速度和检测精度更为均衡的YOLOX-s模型作为后续研究的基础。通过对YOLOX-s模型进行改进,并与经典目标检测算法进行性能比较。实验表明,改进后的模型平均精确度达到95.05%,性能优于现存的大多数算法模型。为了进一步优化YOLOX-s垃圾分类模型性能,本文提出利用卷积块注意力机制(Convolutional Block Attention Module,CBAM)和坐标注意力机制(Coordinate Attention,CA)改进YOLOX-s特征提取网络。首先,利用注意力机制优化主干网络的特征提取信息;然后,通过注意力机制优化特征金字塔(Feature Pyramid Networks,FPN)结构,使得网络的特征提取更加具有针对性,从而提高对小目标的检测能力。实验结果表明,优化后的YOLOX-s垃圾分类模型平均精度达到了98.38%,比优化之前的模型平均精度提升了3.33%。最后,本文将优化后的垃圾分类网络模型部署,进行系统化设计和应用。首先,基于灵活、轻便的Web应用程序框架Flask设计实现垃圾分类与管理系统。然后,将垃圾分类模型部署在NVIDIA Jetson Xavier NX芯片中,基于该模块设计实现了智能垃圾分类装置,该装置可以实时获取用户投放的垃圾图像并判断垃圾类别,自动完成垃圾分类任务。最后,将智能垃圾分类装置与系统结合,实现管理人员对装置的远程监测功能。同时,对垃圾分类与管理系统及智能垃圾分类装置的功能进行了测试并验证了其稳定性。实验结果表明,提出的改进垃圾检测算法能有效提升检测性能,并且该系统与智能装置均满足实际使用需求、有较高的实用性。
光伏组件的热斑故障检测研究
这是一篇关于热斑故障,红外图像,主成分分析,U-net网络,YOLOX的论文, 主要内容为随着化石能源的大量开发和利用,环境污染问题已成为一个全球性的问题,新能源与可再生能源的开发与利用迫在眉睫。太阳能以不消耗资源、不产生污染、取之不尽等特点在新能源发电领域具有重要地位。然而光伏组件作为光伏发电系统的核心器件,运行过程中产生的任何故障问题都会影响整个光伏发电系统的正常工作,热斑故障是光伏组件运行过程中的一种常见故障问题,因此针对光伏组件的热斑故障问题进行研究是十分必要的。基于红外图像的热斑故障检测具有检测效率高、使用成本低等优势,成为常用的热斑故障检测方法。本文以光伏热斑红外图像为研究对象,完成了针对光伏热斑红外图像的去噪、分割工作,并最终实现了光伏热斑的故障检测,具体研究内容如下:1.提出了基于主成分分析的混合噪声自适应去噪算法。针对热斑红外图像具有高斯-椒盐混合噪声的特点,针对性提出了基于主成分分析的自适应去噪算法,在进行主成分提取前首先进行了自适应窗口预处理以滤除图像中的高密度椒盐噪声,然后根据图像的局部相似性提取信息分量、滤除噪声分量,同时更新噪声水平进行二次去噪,提高了算法对高密度噪声的去噪性能。实验结果表明,本算法针对热斑图像混合噪声有较好的去噪效果,热斑区域轮廓明显。2.提出了基于改进U-net网络的光伏红外图像分割方法。针对传统图像分割方法在复杂灰度图像中存在过分割、欠分割等问题,提出了基于改进U-net网络的图像分割方法。首先将灰度共生矩阵与原始图像信息同步输入到U-net网络中,提高U-net网络对图像纹理特征的感知能力;然后在U-net网络的编解码结构中引入多尺度特征融合思想,使网络能够提取更加丰富的图像特征;最后,使用深度可分离卷积,减少网络训练所需参数,提高网络模型的运行速度和泛化能力。实验证明,本算法分割结果准确,具有较强的鲁棒性。3.提出了基于改进YOLOX算法的故障检测方法。选取具有较低参数量、较高鲁棒性的YOLOX-S模型作为主体网络结构,在加强特征提取网络部分使用加权双向特征金字塔网络,将改进的YOLOX-S网络与原始的YOLOX-S及YOLOX进行模型训练及测试。对比结果表明,本改进方法具有较高的m AP值,在减少运算成本的同时保证了故障检测的精度,具有实际应用价值。图[48]表[7]参[80]
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设货栈 ，原文地址：https://m.bishedaima.com/lunwen/48677.html
