Print

基于深度学习的OBD端口占用状态自动识别算法

论文摘要

针对光分路器（OBD）端口占用状态不能自动采集的问题,提出了一种改进型YOLOv3算法.增加第4个上采样特征图,提升高分辨率下密集小物体检测敏感度;针对端口固定高宽比特征,利用k-means聚类算法重新确定目标候选框个数和高宽比;提出软非极大值抑制算法,缓解端口靠近且被遮挡情况下引起的漏检、误检;针对4种疑难生产场景下的端口占用状态完成检测.实验结果表明,改进后的YOLOv3准确率达90. 12%,相比原YOLOv3提升了5. 17%.改进后的算法对于端口类物体具有更高的检测准确率.

论文目录

  • 1 研究背景及相关工作
  • 2 基于深度学习的OBD端口检测算法
  •   2.1 算法选择
  •   2.2 算法优化
  •   2.3 跨尺度预测优化
  •   2.4 目标候选框维度聚类
  •   2.5 基于软非极大值抑制算法的边界框过滤
  • 3 网络训练与实验
  •   3.1 改进型YOLOv3训练策略
  •   3.2 超参数设置
  •   3.3 实验配置与训练结果
  • 4 实验结果
  •   4.1 跨尺度预测优化前后性能对比
  •   4.2 目标候选框维度聚类前后性能对比
  •   4.3 边界框过滤算法优化前后的性能对比
  •   4.4 改进型YOLOv3的5折交叉验证分析
  •   4.5 算法改进前后检测效果对比
  • 5 结束语

    • 文章来源

    类型: 期刊论文

    作者: 苏东,余宁梅

    关键词: 光分路器,聚类算法,软非极大值抑制,特征图

    来源: 北京邮电大学学报 2019年06期

    年度: 2019

    分类: 信息科技,基础科学

    专业: 物理学,无线电电子学,自动化技术

    单位: 西安理工大学自动化与信息工程学院

    分类号: TN256;TP18

    DOI: 10.13190/j.jbupt.2019-180

    页码: 49-57

    总页数: 9

    文件大小: 8072K

    下载量: 197

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/8de121fc8c6eb26080041d1a.html