MFL-YOLO: 损坏交通标志物的目标检测模型
提出了一种基于 DenseNet 块和 CBAM 的实时深度学习伤害检测模型,采用先进的自我注意机制实现多尺度目标检测,并减少计算复杂度,结果显示该模型性能优于当前最先进模型,是准确和鲁棒的机器人在现实场景下实现自动化损坏检测系统的重要一步。
Mar, 2023
本文研究并实施了流行的对抗性攻击,对 YOLOv5 目标检测算法进行了调查。研究探讨了在交通和道路标志检测的背景下,不同类型的攻击(包括 L-BFGS、FGSM、C&W,BIM,PGD,One Pixel,和通用对抗扰动攻击)对 YOLOv5 检测准确率的影响。结果表明,YOLOv5 容易受到这些攻击的影响,误分类的率随着扰动幅度的增加而增加。此外,本文使用显著性图解释了结果。该研究的发现对交通和运输系统中用于目标检测的算法的安全和可靠性具有重要的意义,强调了需要更加健壮和安全的模型以确保其在实际应用中的有效性。
May, 2023
本文提出了一个增强的道路损伤检测方法,利用 CycleGAN 和改进的 YOLOv5 算法,通过数据增强方法、注意力机制和空洞空间金字塔池化等技术,成功实现了道路损伤的实时、准确检测,并在实际应用中取得了良好结果。
May, 2024
本文使用了改进的 YOLOv5 和 YOLOv8 模型,在不同照明条件下检测和分类不同的道路标志,实验结果表明,两个模型在不同训练设置下都能表现良好,其中 YOLOv8 模型的 MAP50 得分略高。这些发现为寻求可靠且适应性强的物体检测应用方案的从业人员提供了宝贵的见解。
Jun, 2024
研究交通标志改变对物体识别模型的影响,发现在不太可能的条件下暴露于修改的交通标志下,物体识别模型的准确性显著降低。这项研究强调了提高物体检测模型在现实场景中的鲁棒性的重要性,需要进一步研究来提高它们的准确性和可靠性。
May, 2023
本研究提出了 YOLO9tr,一种基于深度学习的新型轻量级目标检测模型,用于道路损坏检测,其在特征提取和注意力机制方面引入了部分注意力块,以提高在复杂情况下的检测性能,并通过多国的道路损坏图像数据集进行训练,扩展了损坏分类范围,并与 YOLO8、YOLO9 和 YOLO10 等先进模型相比具有更高的精度和推断速度,达到高达 136FPS 的帧率,适用于实时应用,该研究进一步验证了部分注意力块的有效性,突出了 YOLO9tr 在实时道路状况监测中的潜力,为维护安全和功能良好的道路基础设施提供了稳健和高效的解决方案。
Jun, 2024
通过应用改进的 MIRNet 模型和 Yolov4 模型,本文解决了低光、噪声和模糊条件下交通标志识别的挑战,并在 GTSRB 数据集上获得了 96.75% 的整体 [email protected],对于广泛类别的 GTSDB 数据集达到了 100% 的 [email protected],与最先进的方法相当。
Aug, 2023
在道路基础设施维护和保障道路安全中,有效检测道路危险是至关重要的。本研究评估了 YOLOv8,一种物体检测模型,在检测路面危险,如坑洞、下水道盖和人孔等方面的综合性能。通过与之前版本 YOLOv5 和 YOLOv7 的比较分析,强调了计算效率在各种应用中的重要性。本文探讨了 YOLOv8 的架构,并探索了旨在提高检测准确性的图像预处理技术,包括光照、道路类型、危险大小和类型的多样条件。此外,通过调整学习率、批量大小、锚点框大小和增强策略进行超参数调优实验,优化模型的性能。模型评估基于 Mean Average Precision (mAP),这是一种广泛接受的物体检测性能指标。通过在多种测试场景下计算 mAP 分数,本研究评估了模型的稳健性和泛化能力,强调了 YOLOv8 在道路危险检测和基础设施维护中的重要性。
Oct, 2023
该研究项目旨在开发一个实时交通标志检测系统,使用 YOLOv5 架构并在郊区社区中进行高效的交通标志识别。项目的主要目标是在多样化的交通标志图像数据集上训练 YOLOv5 模型,并在适用于实时推断的硬件平台上部署该模型。该系统利用训练有素的 YOLOv5 模型,能够从车辆内部仪表盘上的实时摄像头中检测和分类交通标志。部署系统的性能将基于其交通标志检测的准确性、实时处理速度和整体可靠性进行评估。在郊区社区的案例研究中,该系统在检测交通标志方面显示出显著的 96% 准确率。该研究的发现有潜力通过提供及时准确的实时交通标志信息来改善道路安全和交通管理,并为自动驾驶的进一步研究铺平道路。
Oct, 2023
本文介绍了一种针对移动设备的增强轻量级 YOLOv5 技术,用于识别与输电线相关的物体。该方法通过引入 C3Ghost 模块和 FasterNet 模块改进了 YOLOv5 的性能,并采用 wIoU v3 LOSS 损失函数解决了数据集中简单和挑战样本的不平衡问题。实验证明,与现有的 YOLOv5 相比,该模型在检测准确性上提高了 1%,降低了 13% 的 FLOPs,模型参数减少了 26%。而在消融实验中,Fastnet 模块和 CSghost 模块提高了原始 YOLOv5 基准模型的精度,但导致了 [email protected] 度量的下降,而 wIoUv3 损失函数的改进显著减轻了该度量的下降。
Mar, 2024