基于深度学习的母猪关键点识别研究
这是一篇关于深度学习,目标检测,关键点识别,母猪,计算机视觉的论文, 主要内容为近年来,计算机图像视觉技术受到了广泛关注,也成为了精准化畜牧养殖的研究热点。为了保证母猪的健康、提高母猪产量和猪场的生产效益,本文利用计算机视觉技术,着重研究母猪目标检测和关键点识别方法,提出的方法能够较为准确的实现母猪的目标检测和关键点识别任务,主要研究内容和结论有:(1)针对真实养殖环境及复杂情况下的猪只关键点建立了特定的深度图像数据获取模型。其中包括一个目标检测框pig,一个头部关键点head,一个肩膀关键点shoulder,一个臀部关键点butt,四个脚部关键点foot。从实验的AP值来看,YOLO V4、SSD、Faster RCNN算法的检测AP值分别为91.3%、88%、90.1%。(2)对比了三种目标检测算法对母猪目标检测任务的实现效果,采用骨干网络分别为VGG16、Res Net101的YOLO V4、SSD和Faster RCNN算法训练目标检测模型,结果表明,以骨干网络为Res Net101的目标检测算法,其AP值分别为91.1%、89.9%、90.9%,基本比以内核为VGG16的目标检测算法的AP值高,因此采用以Res Net101为骨干网络的三种目标检测算法完成同步实现目标检测和关键点识别方法。(3)提出基于深度学习的关键点识别方法,主要利用了三种目标检测算法完成了母猪的关键点识别。分别使用YOLO V4、SSD和Faster RCNN算法同步实现母猪的目标检测和关键点识别任务,识别的关键点部位包括母猪的头部、肩膀、屁股、脚部。将三种算法识别的loss曲线、精确度、召回率、AP值和m AP值等进行了分析和比较,最终结果表明,使用YOLO V4算法同步实现母猪目标检测和关键点识别的平均精确度和m AP值分别为97.44%、97.76%,使用SSD算法识别的平均精确度和m AP值分别为81.59%、76.81%,使用Faster RCNN算法识别的平均精确度和m AP值分别为85.26%、76.08%;YOLO V4算法整体识别准确度高,比其它两种算法效果要好。
桥梁拉索表面缺陷视觉检测系统研究
这是一篇关于计算机视觉,缺陷检测,图像差分,深度学习,云端的论文, 主要内容为最近几年,国内外各大桥梁频频发生事故,桥梁的检修、维护等安全性问题也越来越受到各个国家的重视。斜拉桥拉索表面保护层的缺陷主要包括开裂、变形、磨损、腐蚀、老化等。传统的人工拉索检测方式费时费力,还比较危险,而现存的计算机视觉检测方法适应面窄,且普遍对光照不均的抗干扰性较差。为了更快速准确地对斜拉索表面进行缺陷检测,本文依托于实验室的爬索机器人,设计了一套基于计算机视觉的拉索检测系统,既可以实时对拉索表面缺陷进行初步检测,又可以离线对图像进行进一步的判断和分类,还可以远程对缺陷和模型进行检测和训练。对进一步提高拉索表面缺陷检测的精度和适应性具有重要的意义。搭建了拉索缺陷检测系统的软硬件平台,对爬索机器人携带的摄像机、无线图传等进行了硬件的选型,软件方面构建了包括图像采集、区域提取、缺陷检测等一系列流程。除了传统的图像处理技术,本文还使用改进的YOLO V3目标检测算法对拉索表面缺陷进行了更精确的检测和分类,并实现了网页端的检测及在线数据集训练。在实时检测部分,针对以往检测算法对光照条件敏感的问题,提出了基于阈值图像差分的缺陷检测方法。首先,根据拉索图像的灰度及梯度特征,提出了基于列灰度值与Grab Cut算法的区域自动提取方法;然后选择合适的算法对拉索图像进行增强;最后基于阈值差分与连通区域面积对是否存在缺陷进行判定。在离线检测部分,首先对YOLO V3目标检测算法的模型、网络架构、损失函数等进行了介绍,然后对YOLO V3分别从速度和精度两方面进行了改进,通过合并BN层简化计算流程,通过向主干网络添加注意力机制进一步提高检测的精度,最后对模型的训练过程进行了介绍。在云端检测部分,将实时与离线部分的检测算法与云服务器结合,基于Flask框架,使用HTML5、CSS等技术,搭建了基于B/S端的缺陷检测系统及数据集在线训练系统,并将Flask程序部署在云端服务器上,最终实现网页端拉索缺陷在线检测和云端数据集训练。
基于计算机视觉的水稻虫害检测方法研究
这是一篇关于计算机视觉,深度学习,目标检测,卷积神经网络,虫害检测的论文, 主要内容为水稻是世界上最重要的农作物之一,准确识别水稻虫害是防止和消除虫害的基础,同时对提高水稻产量和质量、保护生态环境具有十分重要的意义。传统的水稻害虫检测方法十分依赖人力,对于一些外观相似的虫害非常容易造成误判,已经不能满足当前大面积水稻健康生长的需要。近些年来,随着智慧农业概念的兴起,已经有越来越多的研究者通过一些传感器,例如摄像头来采集图片或视频并自动检测水稻虫害危害,但现有的模型在检测一些形状多变或外观相似的水稻虫害存在精度不够高的问题。因此,本文基于计算机视觉中目标检测模型在水稻虫害检测方面展开研究,提出了一种引入自注意力机制特征融合的水稻虫害检测模型,旨在提高水稻虫害检测的精度。本文的研究内容主要有以下几个方面:(1)将四种目前常用于目标检测的神经网络:Faster RCNN、SSD、Retina Net和VFNet分别建立模型,使用水稻虫害数据集进行模型训练,在训练过程中引入多尺度训练、数据增强和迁移学习策略来加强训练效果,比较这四种模型在相同实验环境下的检测性能,结合实验结果选出最优的模型。(2)对于一些形状多变的水稻虫害和一些外观极其相似的水稻虫害,VFNet不能取得很好的效果,针对这些问题,提出了一种用于水稻虫害检测的可变形卷积模块和自注意力机制融合特征,并对其思想和结构进行介绍。(3)提出了一种引入自注意力机制融合特征的水稻虫害检测模型,该模型以VFNet为基础,首先在特征提取网络中添加可变形卷积模块,用来提高对形状多变的害虫的特征提取能力。其次,通过获取多张特征图的平衡特征,引入自注意力机制对平衡特征进行细化,旨在更好地还原一些外观相似的虫害的语义信息。然后,使用组归一化方法替代原模型中批量归一化方法,旨在减少批处理大小对模型训练的影响。最后,使用IP102水稻虫害数据集对模型进行训练和验证,实验结果表明,本文模型可实现对稻纵卷叶螟、稻螟蛉等9种水稻虫害精准检测,与Faster RCNN、SSD、Retina Net和VFNet相比,该算法的平均精确率分别提高了33.7%,14.1%,6.5%和2.9%。
基于计算机视觉的梅花鹿个体识别关键技术研究
这是一篇关于计算机视觉,双分支模型,AlexNet,ResNet,梅花鹿,个体识别的论文, 主要内容为梅花鹿作为一种特种经济动物,其各个部位都具有非常好的医疗、食疗和健康保健的功效,长期以来深受国内外消费者的欢迎。随着养殖规模逐渐扩大和信息化技术的发展,我国梅花鹿产业正由人工散养逐步向信息化、智能化、精准化方向发展。精准高效的对梅花鹿个体进行识别是实现鹿场智能化养殖的前提,有助于跟踪和分析梅花鹿的生理、营养和健康情况,为优选繁育和进一步的产品溯源奠定基础。传统梅花鹿个体识别主要有人工观测法、刻耳法和射频识别技术,但传统的识别方法具有效率低、误差大、以及会对梅花鹿产生伤害的弊端。近年来,随着计算机视觉技术的飞速发展,基于图像的无接触识别已经取代了传统的动物识别方法成为当今动物识别领域的一种重要手段,受到越来越多的关注。但传统的机器视觉需要人工提取特征,且识别模型存在参数量大,难以部署到算力受限的真实农场中。针对上述问题和研究现状,本文通过分析在真实农场环境中采集的复杂背景的梅花鹿图像,并以之为研究样本开展梅花鹿个体身份识别的研究工作。针对梅花鹿数据集的特点,改进并优化两个卷积神经网络模型,之后分别抽取了这2个模型的优势并加以增强设计出第三个模型,用梅花鹿斑点数据集和梅花鹿鹿脸数据集对三个模型以及其他经典模型分别进行训练和验证以及性能对比。本文主要研究工作如下:(1)构建梅花鹿数据。采集真实鹿场养殖环境下的梅花鹿斑点图像与梅花鹿面部图像。利用目标检测定位梅花鹿面部图像中脸部的坐标,然后使用基于Open CV的方法根据坐标提取鹿脸形成梅花鹿鹿脸数据集。分别对各样本数据进行数据增强、预处理等操作以提升模型的适用性。(2)改进轻量化的Multi-Light模型识别梅花鹿个体。针对CNN模型存在参数量大识别精度低的问题,构建了一种轻量化的Multi-Light识别模型,以实现复杂背景下梅花鹿个体身份的识别。模型中使用了多尺度卷积提取多尺度特征点,并利用残差结构的特性保证提取到的特征不丢失,最后在融合输出的结构中引入SE注意力机制以增加模型的非线性能力。最终Multi-Light模型在梅花鹿斑点数据集上的识别精度为96.68%,在梅花鹿鹿脸数据集上的识别准确率为93.51%,模型的模型大小为3.61MB,模型参数量为9.4×105个。(3)改进高精度的G-Res Net模型识别梅花鹿个体。针对梅花鹿面部特征不明显导致CNN模型识别准确率不高的问题,构建了一种基于Ghost和空洞卷积优化的高精度G-Res Net识别模型,利用Ghost中的廉价线性结构连接bottleneck之间的特征流通,以空洞卷积降低参数量,并利用注意力机制关注更为重要的特征。最终G-Res Net模型在梅花鹿鹿脸数据集上对梅花鹿个体的识别准确率为96.25%,比轻量化的Multi-Light模型提升了2.74个百分点,G-Res Net模型大小为6.51MB,与其他经典的CNN模型对比,G-Res Net模型在具有高识别精度的同时兼顾了低参数量。(4)构建特征融合的Two-Branch模型高效识别梅花鹿个体。为进一步提升梅花鹿个体识别的识别准确率,将轻量化的Multi-Light模型和高精度的G-Res Net模型进行特征融合,搭建出双分支特征融合的Two-Branch模型,分别对两条分支模型进一步优化,突出两条分支模型各自的优势。利用Branch2的G-Res Net模型实现高精度识别,利用Branch1的Multi-Light模型进行特征校准,Two-Branch模型中的两条不同的分支模型对梅花鹿进行特征提取,最后实现特征融合输出,提升梅花鹿个体身份的识别准确率。最终Two-Branch模型在梅花鹿斑点和梅花鹿鹿脸上进行训练和验证,在梅花鹿斑点数据集上的识别准确率为98.86%,在鹿脸数据集上的识别准确率为98.42%。以上研究与实验的结果表明,本文提出的基于计算机视觉的梅花鹿个体识别方法,可以从多个角度准确并快速地识别出梅花鹿个体身份,具有一定的实际价值,有助于进一步的梅花鹿个体识别的实际应用以及为其它动物个体识别提供理论基础。
海上目标智能检测与终端管理系统设计与实现
这是一篇关于海上目标检测,计算机视觉,视频防抖,互联网技术,设计与实现的论文, 主要内容为随着海洋竞争的日益激烈,为了维护海上交通安全保证国家利益,需要对海面情况进行有效地监管。其中,监管的重要一环是能够实现对海上目标的实时检测。本文基于该应用场景,对海上目标检测方案进行了研究,设计并实现了一种基于互联网技术、计算机视觉技术、数字防抖算法和无人终端设备的海上目标智能检测与终端管理系统。以解决现有方案中存在的检测不灵活、使用成本高昂、无法突出目标类别特征以及受风浪影响导致的识别不准确等问题,为海上目标检测领域提供新的解决方案。本文主要研究内容如下:(1)在对现有检测方案研究的基础上,结合海上检测场景的实际情况,提出了一种海上目标检测系统架构方案。该方案将整个系统分为了三个部分:监控与管理平台、服务提供模块、检测任务执行终端。采用了Yolo v5目标检测算法,以光学成像方式达成对海上目标的识别与监测;为减少数据处理时延,提升系统响应速度并降低人力成本,利用无人船和AGX智能计算模块等边缘化部署方式执行巡海检测任务;针对海上风浪造成船体晃动导致的识别准确率下降问题,引入光流法视频防抖技术;为适应无人终端海上搜索场景,还采用了无线自组网模块qca9531提供可靠的网络连接服务。为了方便用户实现统一监控与管理,本文利用互联网技术开发了对应的操作界面和服务程序,使其能以一种用户友好的方式快捷地实现海上目标检测任务。(2)对各个模块进行了详细地构思与实现。包括对系统整体需求的分析;对各种技术特点的掌握与结合;对模块功能的划分;对系统工作流程的设计;对各模块接口的设计;对各模块具体内容的实现。本文对该系统进行了完整的构建,其中前端操作页面采用Vue技术进行编写,操作人员可以通过浏览器进行登录使用。服务部分采用Spring Boot框架编写,除了通过微服务的方式对整个系统提供服务支持外,其还能通过HTTP协议请求的方式实现对检测任务执行终端的管理与控制。同时,本系统还提供了网关、推流服务、性能监控、数据持久化和对外接口等功能。(3)通过理论性能实验和水库实际场景测试等两部分检验的方式对本系统的功能完整度和性能是否合格进行了验证。结果显示本文的检测准确率达到了90.2%的m AP,且相较于防抖处理前测出率与精确率都有提升,检测速度达到了45FPS。到根据实验数据可以证明本海上目标智能检测系统具有良好的识别性能和可用性,能够满足实际检测场景的需求。
基于深度卷积神经网络的智能仓储管理系统研究与应用
这是一篇关于仓储管理系统,计算机视觉,图像识别,卷积神经网络,智能化的论文, 主要内容为在中国军事现代化程度日益增强的大背景下,军用物资的品种、数量也在日益增多,军事仓库的战略地位也更加的凸显。为了适应现代化战争的需求,仓储管理系统的机械化、自动化与智能化必不可少。当下部队中很多仓库仍旧处于机械化初级阶段,信息化水准低下造成了军队仓库的管理水平相对落后、管理效率难以提升,以及运营成本高的窘境。本文以某部队后勤仓储管理自动化工程为项目背景,根据当前仓储管理工作中面临的问题对客户提出的要求进行了分解,并结合实际情景对整个仓储管理工作过程加以总结,将深度学习算法和仓库管理工作中的各种任务紧密结合促进了仓库管理向智能化发展。本文对深度神经网络算法以及仓储管理系统的各个模块进行了功能的详细设计与实现,主要工作如下:(1)调研了仓储管理领域的发展现状,结合深度学习中的计算机视觉方向目标检测技术对仓储部分功能实现智能化,包括智能盘点、物资识别、人员入库检测、安全监控、烟雾火点检测等功能。以Faster R-CNN、YOLOv5、Swin transformer等最新的深度学习目标检测网络为基础,研发了针对于仓库环境的WOLO目标检测网络。该网络使用了复杂的数据增强操作、transformer模块的注意力机制、大分辨率的特征图检测层、可缩放的网络结构来解决仓库环境下的特殊光照、物资尺寸多变、物资遮挡、各个任务对算法的速度与精度要求不一等问题。(2)使用Pytorch深度学习框架,基于YOLOv5实现了 WOLO目标检测网络,并针对仓库管理中的不同任务,收集使用了 6个不同的数据集对WOLO模型进行训练、测试,对WOLO的不同模块进行消融对比实验。实验证明WOLO对类似仓库环境下的图像检测效果非常优秀,WOLO的每个模块都对其性能提升做出了贡献。(3)通过对用户的软件需求进行条分缕析,本文首先理清了仓库管理系统的功能要求、性能需求;然后对仓库系统进行了系统架构的设计和功能结构的搭建、对管理系统的每个子模块进行流程分析与设计;最后采用B/S模式研发并实现了智能仓储管理系统软件。
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：代码小屋 ，原文地址：https://bishedaima.com/lunwen/46132.html
