基于YOLOv3的流水线上重叠目标检测研究
发布时间：2021-04-25 05:13
目标检测是计算机视觉研究的热门领域,也是目标跟踪、姿态识别和行为识别的关键,在视频目标智能监控、目标行为姿态识别、流水线产品检测识别、医学图像分析等系统中被广泛应用。由于流水线产品有重叠或遮挡时,摄像头捕捉到的产品图像无法被机器手臂识别为上层目标和下层目标,造成机器手臂无抓取、误抓取或死机等现象,导致产品分类包装错乱和流水线产品积压。本文在分析和研究基于统计背景模型灰度像素的传统运动目标检测算法中的光流法、帧差法和背景减法及基于深度学习的几种主流神经网络框架的基础上,分别对背景建模算法和深度学习网络架构进行改进,提取出流水线重叠产品的上层重叠目标,所做主要工作如下:（1）介绍目标检测的研究背景与意义、目前研究现状和数字图像处理基本理论,对基于像素灰度统计背景模型的传统目标检测算法中的光流法、帧间差分法和背景减除法进行研究,介绍了深度学习相关基本理论和特征提取分类网络结构,对基于深度学习的几种主流网络结构进行对比分析,提出本文基于统计背景模型的自适应混合高斯模型背景建模的改进和基于深度学习神经网络的YOLOv3架构结合残差密集网络的改进算法。（2）本文从高斯背景建模的目标前背景分离算法出...
【文章来源】：江西理工大学江西省
【文章页数】：79 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景与意义
1.2 目标检测国内外研究现状
1.2.1 传统目标检测算法的研究现状
1.2.2 深度学习目标检测算法的研究现状
1.3 本文研究内容和章节安排
第二章 传统目标检测相关理论
2.1 数字图像处理基础理论
2.1.1 图像去噪
2.1.2 形态学处理
2.1.3 边缘检测
2.1.4 图像分割
2.2 传统目标检测算法理论
2.2.1 光流法
2.2.2 帧差法
2.2.3 背景减法
2.3 本章小结
第三章 深度学习目标检测相关理论
3.1 深度学习基础理论
3.1.1 基本概念
3.1.2 神经网络结构
3.2 YOLO目标检测算法
3.2.1 YOLOv1算法原理介绍
3.2.2 YOLOv2算法原理介绍
3.2.3 YOLOv3算法原理介绍
3.3 本章小结
第四章 改进的自适应混合高斯模型重叠检测
4.1 混合高斯模型
4.1.1 背景建模
4.1.2 参数更新
4.1.3 生成背景模型
4.2 改进的自适应混合高斯模型
4.2.1 高斯分布初始化
4.2.2 学习率更新
4.2.3 初始参数设定
4.3 目标图像去噪与预处理
4.4 自适应混合高斯模型重叠检测
4.5 本章小结
第五章 基于YOLOv3重叠目标检测
5.1 网络结构调整
5.2 损失函数优化
5.3 制作训练集和训练模型
5.4 基于YOLOv3重叠目标检测
5.4.1 实验平台
5.4.2 网络参数
5.4.3 上层重叠目标检测
5.5 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
参考文献
致谢
攻读学位期间的研究成果
【参考文献】：
期刊论文
[1]基于OpenCV的车道线检测改进算法[J]. 张路遥,梁毓明,张天露. 信息技术与信息化. 2019(12)
[2]基于残差密集网络的单幅图像超分辨率重建[J]. 谢雪晴. 计算机应用与软件. 2019(10)
[3]基于改进YOLOv3算法的高密度人群目标实时检测方法研究[J]. 王思元,王俊杰. 安全与环境工程. 2019(05)
[4]基于改进的特征提取网络的目标检测算法[J]. 乔婷,苏寒松,刘高华,王萌. 激光与光电子学进展. 2019(23)
[5]基于YOLOv3的自动驾驶中运动目标检测[J]. 李云鹏,侯凌燕,王超. 计算机工程与设计. 2019(04)
[6]多尺度密集残差网络的单幅图像超分辨率重建[J]. 应自炉,龙祥. 中国图象图形学报. 2019(03)
[7]基于改进YOLOv3的快速车辆检测方法[J]. 张富凯,杨峰,李策. 计算机工程与应用. 2019(02)
[8]改进的自适应高斯混合模型运动目标检测算法[J]. 唐洪良,黄颖,黄淮,杨成顺,黄宵宁. 现代电子技术. 2017(11)
[9]基于Fast R-CNN的车辆目标检测[J]. 曹诗雨,刘跃虎,李辛昭. 中国图象图形学报. 2017(05)
[10]运动目标检测方法综述[J]. 慈文彦. 信息技术. 2016(12)
博士论文
[1]基于轮廓特征的目标识别研究[D]. 史思琦.西安电子科技大学 2012
硕士论文
[1]多尺度特征融合改进YOLOv3网络的行人和车辆检测[D]. 王国文.南京邮电大学 2019
[2]基于深度学习的动态背景下航道船舶检测识别与跟踪研究[D]. 吴喆.三峡大学 2019
[3]基于深度神经网络的物体识别方法研究及实现[D]. 郭济民.电子科技大学 2018
[4]基于区域卷积神经网络的目标检测方法研究[D]. 韩佳容.国防科学技术大学 2016
[5]图像轮廓的特征描述及其单目标识别方法研究[D]. 胡大盟.苏州大学 2016
[6]重叠及遮挡影响下的苹果目标识别与定位方法研究[D]. 王丹丹.西北农林科技大学 2016
[7]基于改进的帧差法和背景差法实现运动目标检测[D]. 何银飞.燕山大学 2016
[8]视频监控中运动目标检测算法的研究[D]. 李建波.哈尔滨工业大学 2014
[9]基于背景减法和帧差法的运动目标检测算法研究[D]. 余启明.江西理工大学 2013
本文编号：3158773
【文章来源】：江西理工大学江西省
【文章页数】：79 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景与意义
1.2 目标检测国内外研究现状
1.2.1 传统目标检测算法的研究现状
1.2.2 深度学习目标检测算法的研究现状
1.3 本文研究内容和章节安排
第二章 传统目标检测相关理论
2.1 数字图像处理基础理论
2.1.1 图像去噪
2.1.2 形态学处理
2.1.3 边缘检测
2.1.4 图像分割
2.2 传统目标检测算法理论
2.2.1 光流法
2.2.2 帧差法
2.2.3 背景减法
2.3 本章小结
第三章 深度学习目标检测相关理论
3.1 深度学习基础理论
3.1.1 基本概念
3.1.2 神经网络结构
3.2 YOLO目标检测算法
3.2.1 YOLOv1算法原理介绍
3.2.2 YOLOv2算法原理介绍
3.2.3 YOLOv3算法原理介绍
3.3 本章小结
第四章 改进的自适应混合高斯模型重叠检测
4.1 混合高斯模型
4.1.1 背景建模
4.1.2 参数更新
4.1.3 生成背景模型
4.2 改进的自适应混合高斯模型
4.2.1 高斯分布初始化
4.2.2 学习率更新
4.2.3 初始参数设定
4.3 目标图像去噪与预处理
4.4 自适应混合高斯模型重叠检测
4.5 本章小结
第五章 基于YOLOv3重叠目标检测
5.1 网络结构调整
5.2 损失函数优化
5.3 制作训练集和训练模型
5.4 基于YOLOv3重叠目标检测
5.4.1 实验平台
5.4.2 网络参数
5.4.3 上层重叠目标检测
5.5 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
参考文献
致谢
攻读学位期间的研究成果
【参考文献】：
期刊论文
[1]基于OpenCV的车道线检测改进算法[J]. 张路遥,梁毓明,张天露. 信息技术与信息化. 2019(12)
[2]基于残差密集网络的单幅图像超分辨率重建[J]. 谢雪晴. 计算机应用与软件. 2019(10)
[3]基于改进YOLOv3算法的高密度人群目标实时检测方法研究[J]. 王思元,王俊杰. 安全与环境工程. 2019(05)
[4]基于改进的特征提取网络的目标检测算法[J]. 乔婷,苏寒松,刘高华,王萌. 激光与光电子学进展. 2019(23)
[5]基于YOLOv3的自动驾驶中运动目标检测[J]. 李云鹏,侯凌燕,王超. 计算机工程与设计. 2019(04)
[6]多尺度密集残差网络的单幅图像超分辨率重建[J]. 应自炉,龙祥. 中国图象图形学报. 2019(03)
[7]基于改进YOLOv3的快速车辆检测方法[J]. 张富凯,杨峰,李策. 计算机工程与应用. 2019(02)
[8]改进的自适应高斯混合模型运动目标检测算法[J]. 唐洪良,黄颖,黄淮,杨成顺,黄宵宁. 现代电子技术. 2017(11)
[9]基于Fast R-CNN的车辆目标检测[J]. 曹诗雨,刘跃虎,李辛昭. 中国图象图形学报. 2017(05)
[10]运动目标检测方法综述[J]. 慈文彦. 信息技术. 2016(12)
博士论文
[1]基于轮廓特征的目标识别研究[D]. 史思琦.西安电子科技大学 2012
硕士论文
[1]多尺度特征融合改进YOLOv3网络的行人和车辆检测[D]. 王国文.南京邮电大学 2019
[2]基于深度学习的动态背景下航道船舶检测识别与跟踪研究[D]. 吴喆.三峡大学 2019
[3]基于深度神经网络的物体识别方法研究及实现[D]. 郭济民.电子科技大学 2018
[4]基于区域卷积神经网络的目标检测方法研究[D]. 韩佳容.国防科学技术大学 2016
[5]图像轮廓的特征描述及其单目标识别方法研究[D]. 胡大盟.苏州大学 2016
[6]重叠及遮挡影响下的苹果目标识别与定位方法研究[D]. 王丹丹.西北农林科技大学 2016
[7]基于改进的帧差法和背景差法实现运动目标检测[D]. 何银飞.燕山大学 2016
[8]视频监控中运动目标检测算法的研究[D]. 李建波.哈尔滨工业大学 2014
[9]基于背景减法和帧差法的运动目标检测算法研究[D]. 余启明.江西理工大学 2013
本文编号：3158773
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3158773.html
