7个研究背景和意义示例,教你写计算机目标检测算法论文

今天分享的是关于目标检测算法的7篇计算机毕业论文范文, 如果你的论文涉及到目标检测算法等主题,本文能够帮助到你

基于目标检测的交通标志识别系统的研究与实现

这是一篇关于交通标志识别,双目测距,辅助驾驶,目标检测算法的论文, 主要内容为当前社会交通安全问题日益突出,成为目前急需解决的问题,其中基于计算机视觉的辅助驾驶系统是解决交通安全问题的重要研究方向。基于此,本文设计了基于目标检测的交通标志识别系统,对行车过程中的交通标志信息及距离信息进行识别并作出提醒,提高行车安全系数。论文针对目标检测算法展开研究,结合工程应用技术,设计并实现了交通标志识别系统。主要贡献包括:1)提出了添加CBAM注意力机制及CA注意力机制的YOLOv5算法改进方法,使其网络模型更加关注重点内容,模型的m AP@0.5值提升了0.6%。提出了添加小目标检测层的YOLOv5目标检测算法改进方法,解决目标检测算法无法很好检测小目标交通标志的问题,模型训练效果的m AP@0.5值提升了5.3%。2)提出了基于切片推理的YOLOv5目标检测算法改进方法,对数据集进行2*2切片,并对标注文件重新计算和模型训练,解决了输入图像尺寸较大无法有效检测到交通标志的问题。检测模型对输入的图像进行2*2图像切片并把检测出来的结果进行融合和NMS抑制,模型训练效果的m AP@0.5值提升了8.6%。3)结合工程思维,对目标检测算法进行应用,设计并实现交通标志识别系统,并通过双目摄像头、双目测距算法解决了检测算法无法对检测目标测距的问题。通过需求分析、系统设计等过程,并结合Vue.js、Rabbit MQ、Fast API等工程技术实现交通标志识别系统。通过以上各点研究,最终实现交通标志识别系统,在规范用户驾驶行为,保障交通安全等方面起到重要作用,具有一定的社会价值和意义。

基于深度学习的煤矸石识别检测技术研究

这是一篇关于煤和矸石分选,数据集样本制作,目标检测算法,轻量化网络模型,注意力机制的论文, 主要内容为原煤中混入矸石会导致煤的燃烧效率低下,并产生大量的污染物,故原煤在入选前需要进行排矸。传统的煤矸石分选方式不仅会消耗大量的物力财力,还会对人的身心健康或者自然环境造成一定程度上的影响,并且识别准确率低下。随着机器视觉和人工智能技术的发展,利用深度学习算法对煤和矸石进行实时识别检测成为一个新的研究方向。本文使用多种深度学习目标检测算法进行分析对比试验,并对选取的算法模型进行轻量化改进和优化,提出了一种适用于低性能检测平台的高效实时轻量化目标检测算法。深度学习目标检测算法的实现,图像数据集的采集与制作是其中关键的一环。本文搭建煤和矸石图像采集平台,编写图像收集程序采集图像,同时调整工业相机与工作台的距离,使用环形光源,以保证图像采集的清晰度。为模拟选煤厂的工作环境,采集了多种类型的样本数据图片,同时收集了四种不同表面类型的矸石样本;接着通过空间变换、颜色变换和图像融合等数据增强技术,扩充煤和矸石样本数据,提高自制数据集的质量。对不同的目标检测算法Faster R-CNN、SSD、YOLOv3、YOLOv4、YOLOv5和YOLOX进行分析研究,将本文划分的四个不同复杂度和数量的数据集DATASET-01、DATASET-02、DATASET-03和DATASET-04分别用不同的目标检测算法进行训练。调整模型参数,在实验训练平台上使用预训练权重进行冻结训练和解冻训练,根据评价指标F1得分、平均精度AP、平均AP值MAP@0.5和FPS对训练好的模型进行筛选。最终发现YOLOX网络模型针对不同复杂度的数据集样本具有良好的识别稳定性,且在数据集DATASET-04下,能达到99.18%的MAP@0.5和13.56的FPS,有利于后续模型的轻量化改进。为提升模型的检测速度,研究不同的轻量化模型Efficient Net-B0、Shuffle Net V2、Mobile Net系列和Ghost Net,将这些轻量化网络模型与YOLOX相结合,替换YOLOX模型的特征提取主干网络。在测试平台上测试网络模型的性能,发现轻量化后的网络模型的准确率都有所下降,其中下降最多的为自身轻量化的YOLOX-Nano算法,但是其检测速度是最快的;最终在保证模型能够实时性检测的需求下,选择MAP@0.5最大且为98.01%的Mobile Net V3-YOLOX作为本文的轻量化网络模型。由于轻量化改进YOLOX以后,模型的MAP@0.5值有所下降,本文进一步尝试对Mobile Net V3-YOLOX改进优化,在FPS影响不大的前提下,提高轻量化模型的MAP@0.5值,因此选用参数量少且灵活性高的注意力机制对模型进行改进。本文选择ECA、CBAM、CA三种不用的注意力机制,对Mobile Net V3中的SE注意力机制进行替换或者在模型中加入注意力机制,以改善轻量化模型的性能。在使用多种注意力机制改进轻量化模型的方式中,发现将Mobile Net V3中的SE替换为CA后得到的MB3(CA)-YOLOX网络模型,能够在FPS为25.8,满足实时性检测的需求下,将模型的MAP@0.5提高到98.38%,是所有改进模型中效果最好的。

基于深度学习的鱼类识别检测技术与系统研究

这是一篇关于鱼类识别检测,深度学习,卷积神经网络,目标检测算法,嵌入式系统的论文, 主要内容为在我国鱼类多样性资源保护及现代渔业生产中,鱼类种群信息采集与生长环境监测技术相对落后,设计开发一套通过机器视觉采集种群信息并实现生长环境监测自动化的设备可提升我国鱼类生物多样性保护能力,推动渔业现代化发展进程。首先,本文采用卷积神经网络对鱼类进行识别,可获取固定流域的鱼类物种信息,以防止生物入侵,从而改善渔业养殖环境。然后,研究了目标检测算法以获取鱼类的种类和位置,实现端到端的检测,为后续水下设备定位追踪、路径规划等技术的实现提供支持。最后,本文在所研究基于深度学习(Deep Learning,DL)的鱼类识别和检测模型基础上,设计并开发了鱼类识别检测系统。具体研究内容如下:(1)针对鱼类识别问题,研究了AlexNet、MobileNet、ShuffleNet卷积神经网络,实现固定流域鱼类种群监测。再采用迁移学习(Transfer Learning,TL)技术解决模型训练样本少,计算资源消耗大的问题,建立了基于TL的ShuffleNet模型,进一步提高了识别正确率。为了解决ShuffleNet模型训练过程中参数不能够自适应确定的问题,采用粒子群算法(Particle Swarm Optimization,PSO)将模型的损失函数作为适应度函数,对批处理大小和学习率两个参数进行优化,建立了基于TL的PSO-ShuffleNet模型。实验表明,Alex Net的正确率为0.57,Mobile Net的正确率为0.69,ShuffleNet的正确率为0.73,基于TL的ShuffleNet的正确率为0.81,基于TL的PSO-ShuffleNet的正确率为0.90,该模型性能最优。(2)针对鱼类目标定位问题,研究了SSD、YOLOv3、Faster-RCNN目标检测算法以获取鱼类目标位置信息,为后续水下设备定位追踪、路径规划等技术的实现提供支持。通过研究发现Faster-RCNN收敛性好,模型的m AP最高,但特征提取部分结构复杂且消耗计算资源大,模型训练时批处理大小不具备自适应性,因而通过改变特征提取网络结构并采用PSO优化训练过程对其进行改进。实验结果表明,SSD模型的m AP为0.44;YOLOv3网络波动大,模型m AP为0.55;Faster-RCNN收敛性较好,模型的m AP为0.75,检测速度为10FPS;Faster-RCNN改进模型收敛性好,网络稳定性高,模型的m AP为0.63,检测速度为23FPS。所以,Faster-RCNN改进模型的性能满足系统研究要求。(3)采用嵌入式技术和PyQt5平台设计开发了鱼类识别检测系统的上下位机。下位机包含推进控制模块、数据采集模块和系统供电模块;上位机包含注册登录模块、识别定位巡航模块、手动控制模块、图像采集模块、网络训练模块和环境监测模块。实验表明,本设计研发的鱼类识别检测系统能够实现自动化渔业信息的采集。

基于深度学习的课堂学生身份及行为状态识别研究

这是一篇关于卷积神经网络,目标检测算法,人脸识别算法,课堂行为状态识别的论文, 主要内容为随着教育教学与信息技术的深度融合,越来越多的学校在课堂教学与学生管理中都进行了数字化升级改造。其中,在课堂教学中进行学生的身份及行为状态识别,可以为教学质量评估及改进教学方式提供有效的数据支持与数据分析。本文基于深度学习建立了课堂学生身份及行为状态识别网络,对识别的精度与效率进行了优化改进,对学生的听课状态与学生身份进行识别并进行信息精准匹配,以此达到教育教学智能分析和管理的目的。主要内容如下:首先,阐述了人工智能与教育教学相融合的背景,分析了人工智能算法与课堂学生识别监测的研究现状,给出了卷积网络的基本原理、网络结构,重点介绍了应用最为广泛的几种目标检测算法网络和人脸识别算法,并对算法的结构和性能进行分析。其次,针对密集座位和教室后排学生人脸识别准确率低的问题,提出了一种基于注意力机制的课堂人脸识别算法CBAM-Insightface。该算法使用了CBAM-Mobile Net主干网络,是一种具有注意力机制的卷积网络。此网络采用了轻量化设计,减小了模型计算所需的参数量和计算量,并且滤除了图像中可能导致分类不明显和误检的特征,增加了重要特征的权重,提高了识别的速度和精度。使用LFW数据集对其进行测试,平均准确率达到98.75%,平均监测速度达到10帧每秒。再次,为了构建一种适用于课堂环境的行为识别方法,提出了基于ShuffleYOLO的课堂行为识别算法。在YOLOv4网络的基础上,对其特征提取网络和深度分离卷积、组卷积进行了结合,并使用通道随机混合方法(channel shuffle)设计出了Shuffle-YOLO网络。针对课堂中的实际教学场景对现有算法主干网络在检测精准度方面进行了改进设计和优化,使得网络效率更高。Shuffle-YOLO算法在Smart-Classroom学生行为数据集验证的平均准确度(m AP)达到92.6%,在VOC 2007数据集上各个类别的识别上性能较原算法均有提升,所有类别的均值平均精度m AP为79.2%,较原算法提高了3.4%从次,为了对学生的课堂行为进行有针对性的个性分析,将人脸识别和行为识别算法所识别的信息有效融合,提出了一种基于深度学习的学生身份和动作识别方法。该算法将目标检测与人脸识别算法级联,并将空间注意力模块应用于网络。利用空间注意力模块识别与动作相匹配的人脸位置,人脸进行筛选,以解决算法误检率高的问题。使用arcface损失函数训练CBAM-Mobile Net主干网络提取人脸特征编码,与数据库中数据对比,得到身份信息。在实验中比较了不同主干网络在实际检测识别中的效率和准确度,在2K分辨率的教室实际场景图像识别实验中,检测准确率为85.2%,平均每帧检测耗时97毫秒,每秒输出的帧数(FPS)为10.3。最后,对全文的工作内容以及创新进行了总结,并对深度学习当中的智能检测算法应用在教育教学的研究上进行了对未来发展方向的展望。

基于机器视觉的室内停车场泊车位检测方法研究

这是一篇关于自动泊车,目标检测算法,卷积神经网络,泊车位检测,双目立体视觉的论文, 主要内容为自动泊车系统作为自动驾驶领域的一个分支存在重要的应用价值,环境感知部分是其第一环节,具有关键的作用。室内停车场中复杂场景下的泊车位检测任务常面临污染、光照等环境因素引起的干扰问题,基于鱼眼摄像头和传统视觉的泊车位检测方法具有精度低、鲁棒性差和泛化能力弱等问题,而高精度深度学习网络会带来模型参数较大的压力,为克服现有车位检测技术的不足,本文重点研究了室内停车场中轻量级有效车位检测模型与泊车定位方法,主要工作和贡献如下:(1)根据具体泊车过程分析,设计与搭建了泊车数据采集平台,确定了双目相机模块参数,对其成像模型进行了分析并进行了畸变校正,通过数据采集平台完成了车位数据集的构建与标注。(2)设计了基于深度学习的有效车位检测模型。针对YOLOv4网络准确度高但是参数量巨大的问题,分析了轻量级Mobile Net V3网络并对其替换性进行了研究,设计了基于YOLOv4-Mobile Net V3的车位检测模型,并对应用范围同样较广的SSD网络进行了替换作为参照,通过检测实验对比验证了其有效性。(3)提出了基于改进YOLOv4-Mobile Net V3网络的有效车位检测模型。针对存在路障等小障碍物于车位时的误检问题,设计了基于轻量级空车位分类网络和YOLOv4-Mobile Net V3网络的有效车位检测模型,与YOLOv4原始模型相比,参数量减少了78.4%,FPS提升37.4%,而m AP仅损失0.27%。(4)设计了室内停车场中泊车定位方法。通过立体校正后的有效车位检测模型实现了泊车过程中的动态感兴趣区域选择方法,通过预处理方法降低图像计算量与突显细节特征,对OTSU算法加入权重参数来有效的分割出车挡目标,采用了形态学滤波初步筛除干扰,并设计了连通域筛选方法拟合出车挡的外接矩形确定其中心坐标,对比分析了局部与半全局立体匹配算法,验证了SGBM算法的可行性,并设计了视差优化方法进行缺失信息的孔洞填充,最终得到坐标点的定位信息。综上,设计了基于机器视觉的泊车位检测系统的整体框架,并对车位检测网络,分别进行了参数、速度与评价指标多项对比验证,对泊车定位方法进行了目标拟合实验与实际测距对比实验。结果表明,本文提出的方法能够有效实现室内停车场中泊车位检测任务,对自动泊车系统中环境感知模块具有重要的理论和实际意义。