基于改进YOLOv5的复杂环境下小目标弹孔识别.pdf
《基于改进YOLOv5的复杂环境下小目标弹孔识别.pdf》由会员分享,可在线阅读,更多相关《基于改进YOLOv5的复杂环境下小目标弹孔识别.pdf(9页珍藏版)》请在咨信网上搜索。
1、第 卷 第 期兵 器 装 备 工 程 学 报 年 月 收稿日期:修回日期:基金项目:多源数据驱动的人机协作装配机器人主从作业动态控制方法研究作者简介:吴飞()男博士教授硕士生导师:.通信作者:李纶()女硕士:.:./.基于改进 的复杂环境下小目标弹孔识别吴 飞李 纶(武汉理工大学 机电工程学院 武汉)摘要:为实现能够在不同光照、阴影遮挡、弹孔重叠等复杂环境下对靶面弹孔的高效精准地识别提出一种基于改进 的实例分割算法 模型以 主干网络为基础融合了含有 模块的分割解码器实现对弹孔小目标的实例分割对目标检测端输出参数进行解耦降低回归参数与类别概率的耦合影响提高识别精度调整模型的输出尺度删减预测大目标
2、的特征层增加融合低层信息的极小目标预测层以此提升检测召回率与精确率 对于经过数据集训练后的模型在测试集下的检测精度达到.检测速度达到.帧/与原网络、等网络的对比试验表明所提模型在复杂环境下具有较高的检测精度与检测速度满足实际训练中的精确性与实时性要求关键词:深度学习实例分割弹孔识别复杂环境本文引用格式:吴飞李纶.基于改进 的复杂环境下小目标弹孔识别.兵器装备工程学报():.:.():.中图分类号:文献标识码:文章编号:()():./.:引言胸环靶射击项目是军事实训中十分重要的环节简单快捷的报靶流程也是研究重点 目前室内报靶环节在逐步智能化但室外复杂环境的报靶工作仍需依靠人工报靶员具有较大风险
3、解决室外自动报靶困难的关键在于弹孔识别与定位室外的光照、阴影、树叶对弹孔的遮挡、靶面振动等不稳定因素都影响着识别的正确率与稳定性 因此研究出能够在复杂环境下对弹孔进行快速且精确识别的系统对实现室外自动报靶具有重要研究意义和实际应用价值现阶段利用视觉技术处理弹孔图像的方式十分有潜力王奇等提出了一种基于红外图像的识别方法利用红外图像检测子弹上靶留下的热量结合帧间差分法识别光斑中心来判定弹孔位置但对相距较近或重叠的弹孔识别情况较差 等研究出一种基于方向梯度直方图()和支持向量机()的算法:利用 提取梯度特征用 来区分真实弹孔和干扰噪点并建立弹孔数据库通过重新训练的模型对弹孔进行识别与分类 上述传统的
4、图像处理方式十分依赖由人工提取的特征点导致特定环境下的目标描述性好但泛化性和适应性较差深度神经网络发展迅速其可通过大量训练来学习目标对象的本质信息在复杂的场景任务中也能更好地表达目标特征 其中卷积神经网 络()最常应用于图像领域主要研究内容为目标检测、语义分割、实例分割等 目标检测是通过网络对目标进行定位主要可分为 类:一类需要生成候选区再对候选区分类以、为例另一类则直接对图像进行卷积比如 系列、系列等具有检测速度快的优点 语义分割则是对图像进行像素级预测分割出含有语义信息的区域块典型代表有、系列 实例分割的经典网络为 精度高但速度较慢 弹孔属于小目标具有携带信息少、下采样特征易丢失等特点现阶
5、段将深度神经网络与弹孔识别结合起来的研究较少因此想要同时兼顾实时性与精确度还需进一步研究综上所述本研究中选择改进后的实例分割算法对弹孔痕迹进行识别并分割以检测速度和精度都十分优秀的 的网络为基础引入分割卷积层调整网络结构与预测尺度增加对弹孔小目标的敏感度 同时模拟训练环境对其进行测试评估改进后模型的精度与速度 数据集制作.数据样本采集本文图像采集于 月份的武汉市森林公园采集设备型号为英特尔 图像保存为.格式图像分辨率为 为模拟更加真实的报靶环境采集时分为晴天、阴天和多云等天气时间段分为清晨、正午、傍晚 个时间段每个时间段变换角度、距离采集 张图像一共挑选出 张图像 为了保证样本多样性同时避免训
6、练时产生过拟合等状况图像样本基本涵盖了复杂背景中弹孔可能会出现的各种结果 比如:弹孔遮挡、弹孔模糊、树影或树叶遮挡等 图 展示了一组收集到的复杂环境下的弹孔图像图 复杂环境下的弹孔图像.数据集制作与预处理完成图片样本的基础采集后利用 软件对采集到的原始靶面图像中的弹孔痕迹进行分割图 为训练样本及其标签示例图 训练样本及其标签实例.为丰富弹孔背景增加样本集数量提高模型的鲁棒性还需对原始图像进行数据增强 对每张照片随机挑选一种处理方式比如裁剪、旋转、增加噪点、光学处理等增强后的吴 飞等:基于改进 的复杂环境下小目标弹孔识别数据集共 张 按照 的比例将数据集分为训练集和验证集其中训练集 张验证集 张
7、 基于 网络结构的改进.调整输出尺度原 骨干网络主要通过融合深层网络信息来增强网络语义识别能力利用特征金字塔网络()和路径聚合网络()对提取信息进行整合最后输出 种尺度特征图来预测目标信息结构如图()所示 采集照片尺寸为 弹孔像素尺寸在 范围内波动目标像素点占原图像素点的比例小于.在小目标中属于极小类别原有最大尺度失去预测意义且原有小尺度已不适用弹孔目标 因此本研究在原有特征融合金字塔网络上增加 倍下采样的浅层特征图信息用来补充高层语义信息中缺失的底层空间信息增加模型对弹孔小目标位置的敏感度 在预测特征图方面删减 倍下采样的大尺度预测图增加更小尺度的预测特征图增强对弹孔小目标的识别能力结构如图
8、()所示图 模型输出特征图尺度的改动.目标预测端解耦化模型结构以 网络框架为基础 在 中负责检测目标边界框的检测端是卷积核为 、步长为 的卷积层同时预测目标的回归参数与类别概率 分类与回归任务同时进行导致两者耦合产生冲突影响网络性能 本文中网络采用 中的解耦思想对预测内容进行解耦可以显著提升收敛速度解耦后的具体结构如图 所示图 解耦端结构.解耦结构先通过卷积核 步长为 的卷积模块()将通道个数调整为其中 模块包含了卷积层、层和采用激活函数的激活层 再延伸出 个并行分支其中一个分支针对目标信息预测另一个分支继续并行 个 的卷积层分别预测目标回归参数和预测框的置信度.添加融合 结构的分割模块经典的
9、分割网络如()通过反卷积对特征层()进行上采样()恢复到原图尺寸并对像素进行分类 然而弹孔作为小目标特征信息较少若采用传统上采样的方式容易造成细节丢失所以在分割解码器中融合了增加感受野的模块()和浅层空间信息 由 种不同尺度的空洞卷积层()、卷积层与平均池化层()构成它可以在不丢失分辨率的情况下扩大卷积核的感受野以获取更多细节信息有利于提高小目标的检测精度 空洞卷积层是 的核心其不仅可以扩大感受野还可以减少目标特征信息流失 相比普通卷积层空洞卷积采集的像素点存在间隙间隙大小程度由膨胀因子 决定如图 所示图 不同膨胀因子及其对应感受野.由图 可知()为传统卷积层 为()和()显示兵 器 装 备
10、工 程 学 报:/./为 和 的卷积形态等效卷积核大小分别为 和 对于采用空洞卷积的特征层其感受野计算式为:()()()式()中:代表第 层感受野 应卷积核尺寸 应步长取输出特征层尺寸 卷积核尺寸 步长设置 为例子 此时普通卷积层感受野为 而 为 和 的感受野尺寸分别为 和 可以最大化利用像素点信息如图()、图 ()、图()所示 通过并联 个不同膨胀因子的空洞卷积层来获取多尺度信息此时特征层下采样倍数为膨胀因子设置为 同时并联 卷积层与全局池化层全局池化层通过 的卷积层调整通道数再通过双线性插值还原成输入尺寸 最后拼接()个部分并通过 的卷积层进行融合详细结构如图 所示图 的并联结构.分割解码
11、器的结构流程如图 所示:先将 倍下采样的高层语义特征图送入 模块中融合上下文信息并输出尺寸不变的特征图再以双线性插值的方式进行 倍上采样结合主干网络同尺度的低层特征图通过 卷积层进行融合得到下采样倍数为 的特征层 接着采用相同的方法重复融合低层复杂边缘空间信息使得特征层在涵盖复杂上下文语义信息的情况下还能拥有良好的目标边缘检测能力 最后上采样还原到输入图片尺寸输出分割特征图图 分割解码器结构示意图.改进后网络整体结构整体网络结构分为特征提取主干()、融合层()和解码器()个部分改进后的网络模型如图 所示 其中 为 为融入 模块后的 网络 模块为示意图所标示的 结构具有增强网络学习能力、减少网络
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 YOLOv5 复杂 环境 目标 弹孔 识别
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。