给大家分享7篇关于YOLOv7的计算机专业论文

今天分享的是关于YOLOv7的7篇计算机毕业论文范文, 如果你的论文涉及到YOLOv7等主题,本文能够帮助到你 基于深度学习的森林火灾检测研究 这是一篇关于深度学习

今天分享的是关于YOLOv7的7篇计算机毕业论文范文, 如果你的论文涉及到YOLOv7等主题,本文能够帮助到你

基于深度学习的森林火灾检测研究

这是一篇关于深度学习,森林火灾检测,SSD,YOLOv7的论文, 主要内容为森林是地球上重要的自然资源,不论是对人类还是自然都有着举足轻重的作用,然而近年来大规模森林火灾频频发生,对地球的生态系统和人类社会都造成了严重危害。因此快速准确地检测森林火灾就显得尤为重要。传统的检测方法存在实时性差,依赖人力等诸多缺点,已经不能满足目前对森林火灾检测的需求。随着深度学习技术的不断发展,涌现出了许多优秀的目标检测算法。然而森林火灾检测对检测速度和精度要求高,且森林环境复杂,干扰条件多,直接使用现有检测算法无法满足对森林火灾的检测要求。本文基于深度学习,对森林火灾的检测方法进行研究,具体研究内容如下:(1)本文自制了实验所用数据集,涵盖了各类干扰条件及大中小目标,共计有大约3000张图像。分别使用Faster R-CNN,YOLOv3,YOLOv4,SSD和Center Net五种目标检测算法在自制数据集上实验,并将实验结果作为后续提出的改进算法的性能比较基准。(2)针对SSD模型参数量较大,计算量较多的问题,提出将主干网络修改为Mobile Net V2的改进;针对替换主干网络后精度下降的问题,提出优化先验框和修改数据增强算法的改进。将SSD的主干网络替换为Mobile Net V2,提高了网络的检测速度,在本文的实验环境下,检测速度从97FPS提升到了107FPS,效果显著。其次针对轻量化后的SSD模型检测精度下降的问题,本文提出使用二分k-means聚类分析火焰目标,优化了模型的先验框尺度。最后本文提出了Mask Mosaic数据增强,并将其用于改进SSD模型,通过实验对比,证明了Mask Mosaic相比Mixup和Mosaic数据增强性能更优,对模型改进效果更好。实验结果证明,本文提出的改进SSD算法在检测速度和检测精度上均优于五种基准算法。(3)针对YOLOv7-tiny检测精度较低的问题,提出嵌入注意力机制和修改激活函数的改进。本文首先引入了4种注意力机制模块:SE,CBAM,ECA,CA。实验结果表明CBAM和CA注意力机制对模型的检测速度影响较大,加入模型后检测速度显著下降,并且检测精度相较使用SE和ECA的模型没有明显提升。之后本文对YOLOv7-tiny的激活函数进行修改,分别将其替换为GELU,Si LU和ACON,实验结果表明三种激活函数均可以有效提升模型精度,同时不影响模型检测速度。最后通过消融实验,发现添加了SE注意力机制并将激活函数修改为ACON的模型在速度和精度上取得了较好的平衡。相比原版YOLOv7-tiny,改进后的模型AP提升了3.2%,精确率提升了4.44%,召回率提升了3.91%。

基于立体视觉及深度学习的油茶果目标检测及定位研究

这是一篇关于嵌入式开发,立体视觉,卷积神经网络,油茶果检测,YOLOv7的论文, 主要内容为现有的油茶果采摘方式难以满足目前油茶果产业规模化发展的生产需求,亟需实现油茶果的机械化智能化采收,提高生产效率。而快速准确的识别出冠层油茶果的分布位置对于油茶果采摘机器高效低损作业起到关键作用,但目前的果实检测定位仍易受光线干扰,难以满足现场快速定位的需求,因此本文以冠层油茶果为研究对象,基于双目结构光视觉建立了油茶果视觉定位系统,设计并开发了基于嵌入式平台的油茶果定位装置,利用该装置对田间环境下冠层油茶果的图像进行目标油茶果的三维定位,结合油茶果视觉定位系统研发了嵌入式装置的检测软件。最后进行田间试验对油茶果定位装置的功能进行验证。本文的主要研究工作内容如下:(1)以冠层油茶果为研究对象构建冠层油茶果的数据集,建立油茶果深度学习识别模型。采集了果园复杂环境下的油茶果的图像,利用YOLOv7、YOLOv5、YOLOv3-spp和Faster R-CNN目标检测网络建立了油茶果检测模型,对比各项性能指标得到最佳目标检测网络为YOLOv7,模型的平均精度为95.74%,F1得分为93.67%,准确率为94.21%,召回率为93.13%,并且每幅图像的平均检测时间为0.025s;进一步利用多元数据增强方法对数据集进行扩充,优化该模型的泛化能力,建立DA-YOLOv7检测模型,模型的平均精度为96.03%,F1得分为95.15%,准确率为94.76%,召回率为95.54%,模型对不同的光照和遮挡情况下的油茶果取得了最多的正确识别数,可以有效的避免误检和漏检,鲁棒性较强。(2)确定基于油茶果识别模型的油茶果视觉定位系统总体方案和整体架构。基于深度相机OAK-D-Pro结合摄像机标定及立体匹配构建双目结构光立体视觉系统,对摄像机进行张正友标定获取摄像机内外参数,对获取的定位点进行坐标系转换。结合DA-YOLOv7检测模型输出检测框,完成双目结构光果实图像的质心立体匹配。立体匹配后进行油茶果三维空间点定位试验,进行多组试验并获取深度坐标及深度误差。试验表明,立体视觉在设定范围内平均误差值为20.9 mm,平均相对误差为1.82%,该误差范围内能够满足油茶果实的识别定位要求。(3)基于嵌入式技术开发油茶果检测定位装置。根据田间环境下的检测需求对油茶果嵌入式定位装置的软硬件选型,完成硬件的各部件连接,在边缘计算模块上部署Ubuntu操作系统,利用Qt Creator开发工具完成了定位装置的程序设计和图形化界面开发。(4)基于嵌入式油茶果定位装置进行田间冠层油茶果的检测定位试验。对开发的油茶果检测定位装置进行了稳定性验证测试,设计并开展了田间环境下的油茶果检测定位试验。统计油茶果定位坐标并计算得出装置在不同识别距离下的平均识别准确率为88.39%,田间环境下定位的平均误差为30.33mm,平均相对误差为2.26%。

基于深度学习的PPR水管防护帽缺陷检测系统的设计与实现

这是一篇关于水管防护帽缺陷检测,深度学习,目标检测,YOLOv7,注意力机制的论文, 主要内容为随着城市基础建设的不断发展,对水管的需求量不断增大,PPR水管因其稳定的性能以及良好的耐热性成为了城市用水的主要材料,被广泛应用于城市的冷热水系统,市政工程的供水排水系统等场景。为了避免水管在使用过程中因为质量缺陷出现漏水造成重大的经济损失,需要对出厂前的水管安装防护帽以防止在运输储存的过程中发生损坏或者污染,而防护帽本身缺陷或者没有正确的安装会导致其防护能力降低或者消失,因此需要在出厂前对水管防护帽进行缺陷检测,但是传统人工检测费时费力,效率低下且恶劣生产条件下不利于检测人员的健康,针对此问题本文设计并实现了基于深度学习的PPR水管防护帽缺陷检测系统。本文主要工作如下。(1)构建PPR水管防护帽缺陷检测数据集。通过搭建实验平台模拟生产环境将生产过程中产生的缺陷样本进行拍摄,并使用数据增强平衡了各个缺陷类别之间的数量,随后对数据进行标注、分割等操作完成了数据集的制作。(2)针对YOLOv7网络模型对正常与倾斜样本区分能力较差的问题,对模型进行了改进优化,首先将网络部分跨步卷积与池化层替换为了SPD-Conv模块,避免了在不断地使用跨步卷积和最大池化操作提取特征降低参数的过程中图片的细粒度信息丢失从而无法提取相似类别关键特征的现象。随后引入了注意力机制增强了模型对检测目标的感兴趣程度,提高了资源的利用率。最后将预测框回归损失函数改为WIo U,平衡了模型对优秀标注样本与较差标注样本的重视度。通过实验对比,改进后模型较原始模型m AP提高7.1%,满足了实际生产中的任务需求。(3)完成了PPR水管防护帽缺陷检测系统的软硬件设计,实现了实时检测、样品计数、缺陷样本保存等功能。提高了企业生产的自动化程度。

基于深度与小波特征融合的羊脸识别方法研究

这是一篇关于奶山羊,YOLOv7,小波变换,特征融合,羊脸检测,羊脸识别的论文, 主要内容为规模化养殖是现代奶山羊产业的主要发展方向,精确、快速的奶山羊个体识别方法在其中起着关键性作用。在传统养殖过程中,大多采用给奶山羊佩戴耳标的方式实现个体识别,然而,这种方式会给羊带来痛苦,对其造成生理损伤,还会引发应激反应或疾病。此外,羊耳标识别效率较低,消耗的硬件成本和人力成本却很高,而且无法有效应对农险理赔环节中的欺诈行为。近年来,随着养殖场摄像设备的增多,以及人工智能的快速发展,基于深度学习、计算机视觉技术的家畜个体识别方法已成为重要研究方向。本文利用羊脸图像的深度特征与小波特征,依次提出羊脸检测、识别模型,提供了一种高精度、无接触、低成本识别奶山羊的方法。主要工作及结论如下:(1)羊脸图像数据集构建。本文以西农萨能奶山羊为采集对象,在不同光照、不同角度等条件下进行图像数据采集。为提高数据集的质量,紧接着对采集到的不合格图像进行剔除,并基于SSIM指标对相似度过高的图像进行过滤。之后,使用label Img标注工具进行羊脸区域标注,制作PASCAL VOC格式的标签文件,形成羊脸检测数据集。最后,进行图像裁剪和缩放,以及数据增强,实现样本容量的扩充,形成包含总计17 600张羊脸图像的羊脸识别数据集。(2)基于改进YOLOv7的轻量级羊脸检测模型构建方法研究。为实现羊脸的精确、快速检测,本文以YOLOv7目标检测模型为基础,使用Ghost模块替换常规卷积操作,添加ECA轻量级注意力机制,并将模型的定位损失函数优化为SIo U Loss。实验结果表明,改进后的YOLOv7-Ghost-ECA-SIo U模型有效降低了模型规模,精确率、召回率、m AP三项指标较YOLOv7分别提升了3.80、2.65、3.15个百分点,能够高效完成羊脸检测任务。(3)基于小波变换与卷积神经网络的羊脸识别模型构建方法研究。为解决养殖场条件下羊的个体识别问题,本文设计了基于2D-DWT与卷积运算的羊脸特征提取模块,对羊脸深度特征和小波特征进行特征融合,并据此模块完成卷积神经网络搭建,形成了羊脸识别模型DWT-Goat Net。实验结果表明,所提出模型在日间光照环境、夜间灯光环境两种不同场景下羊脸识别测试集上识别准确率分别可达99.74%和99.89%。模型结构简单、收敛迅速,引入小波特征后模型的特征提取能力取得了一定增益,且模型相较于经典卷积神经网络在羊脸识别任务中更具优越性,为精准养殖、农险理赔和动物福利等领域问题提供了有效解决方案。

基于深度学习的森林火灾检测研究

这是一篇关于深度学习,森林火灾检测,SSD,YOLOv7的论文, 主要内容为森林是地球上重要的自然资源,不论是对人类还是自然都有着举足轻重的作用,然而近年来大规模森林火灾频频发生,对地球的生态系统和人类社会都造成了严重危害。因此快速准确地检测森林火灾就显得尤为重要。传统的检测方法存在实时性差,依赖人力等诸多缺点,已经不能满足目前对森林火灾检测的需求。随着深度学习技术的不断发展,涌现出了许多优秀的目标检测算法。然而森林火灾检测对检测速度和精度要求高,且森林环境复杂,干扰条件多,直接使用现有检测算法无法满足对森林火灾的检测要求。本文基于深度学习,对森林火灾的检测方法进行研究,具体研究内容如下:(1)本文自制了实验所用数据集,涵盖了各类干扰条件及大中小目标,共计有大约3000张图像。分别使用Faster R-CNN,YOLOv3,YOLOv4,SSD和Center Net五种目标检测算法在自制数据集上实验,并将实验结果作为后续提出的改进算法的性能比较基准。(2)针对SSD模型参数量较大,计算量较多的问题,提出将主干网络修改为Mobile Net V2的改进;针对替换主干网络后精度下降的问题,提出优化先验框和修改数据增强算法的改进。将SSD的主干网络替换为Mobile Net V2,提高了网络的检测速度,在本文的实验环境下,检测速度从97FPS提升到了107FPS,效果显著。其次针对轻量化后的SSD模型检测精度下降的问题,本文提出使用二分k-means聚类分析火焰目标,优化了模型的先验框尺度。最后本文提出了Mask Mosaic数据增强,并将其用于改进SSD模型,通过实验对比,证明了Mask Mosaic相比Mixup和Mosaic数据增强性能更优,对模型改进效果更好。实验结果证明,本文提出的改进SSD算法在检测速度和检测精度上均优于五种基准算法。(3)针对YOLOv7-tiny检测精度较低的问题,提出嵌入注意力机制和修改激活函数的改进。本文首先引入了4种注意力机制模块:SE,CBAM,ECA,CA。实验结果表明CBAM和CA注意力机制对模型的检测速度影响较大,加入模型后检测速度显著下降,并且检测精度相较使用SE和ECA的模型没有明显提升。之后本文对YOLOv7-tiny的激活函数进行修改,分别将其替换为GELU,Si LU和ACON,实验结果表明三种激活函数均可以有效提升模型精度,同时不影响模型检测速度。最后通过消融实验,发现添加了SE注意力机制并将激活函数修改为ACON的模型在速度和精度上取得了较好的平衡。相比原版YOLOv7-tiny,改进后的模型AP提升了3.2%,精确率提升了4.44%,召回率提升了3.91%。

基于注意力机制和卷积神经网络的垃圾识别与分类

这是一篇关于卷积神经网络,ResNet模型,垃圾分类,注意力机制,目标检测,YOLOv7的论文, 主要内容为当前,我国的物质条件不断提升,但随之而来所产生的垃圾也越来越多,使用人工来进行垃圾分类已经变得极不现实。近年来,机器学习领域发展迅速,针对图像分类领域的一些模型已经可以很好地被利用到生活中,并且各种各样所需要的数据也很容易获得。在这样的背景下,将垃圾分类任务交由计算机来完成已是大势所趋,不仅节约了人力物力,同时也可以提高垃圾分类的效率。因此,本文将基于卷积神经网络对垃圾识别与分类来展开研究,为垃圾分类的智能化以及自动化提供更多的思路。具体研究内容如下:首先针对本文所研究的垃圾分类领域,采用了图像分类准确率较高的Inception模型、Res Net模型和Dense Net模型三种模型,同时通过爬虫和手动拍摄构建本文所需的垃圾分类图片数据集,并将数据集带入到上述三个模型中比对结果,发现他们各自存在的一些问题以及他们的优势。其次,为了提高模型的准确率,将注意力机制运用到神经网络模型中,很好地提高了模型的准确率。最后,为了能够实现多目标分类识别任务,将目标检测相关理论知识运用到垃圾分类领域中,用来实现多目标分类识别任务。本文的创新点主要包括:(1)将注意力机制引入Res Net模型并将其应用到垃圾分类领域。(2)将YOLOV7算法应用到垃圾分类领域。通过上述研究,可以得到以下结论:(1)本文所构建的垃圾数据集在Res Net模型上具有较好的性能。(2)加入注意力模块能够显著提高垃圾数据集在卷积神经网络上的准确率。(3)YOLOv7目标检测模型能够很好的解决上述卷积神经网络存在的缺陷,即实现多目标分类识别任务。

基于深度学习的PPR水管防护帽缺陷检测系统的设计与实现

这是一篇关于水管防护帽缺陷检测,深度学习,目标检测,YOLOv7,注意力机制的论文, 主要内容为随着城市基础建设的不断发展,对水管的需求量不断增大,PPR水管因其稳定的性能以及良好的耐热性成为了城市用水的主要材料,被广泛应用于城市的冷热水系统,市政工程的供水排水系统等场景。为了避免水管在使用过程中因为质量缺陷出现漏水造成重大的经济损失,需要对出厂前的水管安装防护帽以防止在运输储存的过程中发生损坏或者污染,而防护帽本身缺陷或者没有正确的安装会导致其防护能力降低或者消失,因此需要在出厂前对水管防护帽进行缺陷检测,但是传统人工检测费时费力,效率低下且恶劣生产条件下不利于检测人员的健康,针对此问题本文设计并实现了基于深度学习的PPR水管防护帽缺陷检测系统。本文主要工作如下。(1)构建PPR水管防护帽缺陷检测数据集。通过搭建实验平台模拟生产环境将生产过程中产生的缺陷样本进行拍摄,并使用数据增强平衡了各个缺陷类别之间的数量,随后对数据进行标注、分割等操作完成了数据集的制作。(2)针对YOLOv7网络模型对正常与倾斜样本区分能力较差的问题,对模型进行了改进优化,首先将网络部分跨步卷积与池化层替换为了SPD-Conv模块,避免了在不断地使用跨步卷积和最大池化操作提取特征降低参数的过程中图片的细粒度信息丢失从而无法提取相似类别关键特征的现象。随后引入了注意力机制增强了模型对检测目标的感兴趣程度,提高了资源的利用率。最后将预测框回归损失函数改为WIo U,平衡了模型对优秀标注样本与较差标注样本的重视度。通过实验对比,改进后模型较原始模型m AP提高7.1%,满足了实际生产中的任务需求。(3)完成了PPR水管防护帽缺陷检测系统的软硬件设计,实现了实时检测、样品计数、缺陷样本保存等功能。提高了企业生产的自动化程度。

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:代码助手 ,原文地址:https://m.bishedaima.com/lunwen/54498.html

相关推荐

发表回复

登录后才能评论