典型文献
基于YOLOv3的改进仪表检测算法
文献摘要:
仪表检测是智能仪表测试不可或缺的环节,其效果直接决定仪表测试的准确率.针对仪表检测背景复杂且要求速度快的特点,提出一种基于改进YOLOv3的目标检测算法.基于YOLOv3算法,首先使用DenseNet(Densely Connected Convolutional Networks)替换Darknet中的最后2个网络块,以加强模型对特征的重用.然后采用轻量化的Darknet-46作为特征提取网络,并将DenseNet中的卷积神经网络修改为深度可分离卷积网络,再将所有检测层(YOLO Detection)之前的6层卷积修改为2层,以减少模型的参数.同时引入GDIOU(generalized-IOU and distance-IOU,GDIOU)边界框以回归坐标损失,并根据检测需求重新调整损失函数的权重.实验结果表明,相比原算法,改进的YOLOv3算法参数数量减少40%,在仪表检测中的精确率和召回率分别达到95.83%和94.98%,分别提高2.21个百分点和2.09个百分点,平均精度提高2.42个百分点,检测速度提高30.18%.
文献关键词:
仪表检测;轻量化;密集层网络;深度可分离卷积;损失函数
中图分类号:
作者姓名:
黄子平;黄继风;周小平
作者机构:
上海师范大学信息与机电工程学院, 上海 201499
文献出处:
引用格式:
[1]黄子平;黄继风;周小平-.基于YOLOv3的改进仪表检测算法)[J].计算机与现代化,2022(01):77-84,90
A类:
GDIOU,密集层网络
B类:
YOLOv3,仪表检测,智能仪表,目标检测算法,DenseNet,Densely,Connected,Convolutional,Networks,Darknet,重用,特征提取网络,深度可分离卷积,卷积网络,检测层,Detection,generalized,distance,边界框,损失函数,算法参数,数数,精确率,召回率,百分点,检测速度
AB值:
0.300882
相似文献
机标中图分类号,由域田数据科技根据网络公开资料自动分析生成,仅供学习研究参考。