提出一种基于改进You Only Look Once version 4-tiny(YOLOv4-tiny)算法的人工智能教学系统人体跟踪识别方法,以解决现有技术在实际教学场景中识别精度不高、实时性差和环境适应性弱的问题。通过引入卷积块注意力模块、联合损失函数以...提出一种基于改进You Only Look Once version 4-tiny(YOLOv4-tiny)算法的人工智能教学系统人体跟踪识别方法,以解决现有技术在实际教学场景中识别精度不高、实时性差和环境适应性弱的问题。通过引入卷积块注意力模块、联合损失函数以及特征金字塔网络结构,对YOLOv4-tiny算法进行改进。利用Kinect传感器收集信息,结合改进的YOLOv4-tiny算法进行用户命令的识别与分析。改进后的识别方法在两种数据集中的精确率分别为92.53%和96.23%。对10个教学动作的识别准确率分别平均提高了2.79%、4.31%。结果表明,将改进的算法与教学系统集成,能够提高算法对人体手部动作的跟踪识别效率,为教学方式的优化提供新途径,提高教学效率和智能化发展,具有重要的实际应用价值和理论意义。展开更多
为解决煤矿巷道环境恶劣及人工疲劳驾驶电机车导致煤矿井下有轨电机车事故频发的问题,提出一种基于改进YOLOv4-Tiny算法的YOLOv4-Tiny-4S矿井电机车多目标实时检测方法。首先,为了提高网络模型对于小目标的检测能力,将传统YOLOv4-Tiny...为解决煤矿巷道环境恶劣及人工疲劳驾驶电机车导致煤矿井下有轨电机车事故频发的问题,提出一种基于改进YOLOv4-Tiny算法的YOLOv4-Tiny-4S矿井电机车多目标实时检测方法。首先,为了提高网络模型对于小目标的检测能力,将传统YOLOv4-Tiny的两尺度预测增加至4尺度预测,并且在网络模型的颈部引入空间金字塔池化(spatial pyramid pooling,SPP)模块,以丰富特征融合信息,增大网络模型的感受野。其次,以煤矿巷道中的行人、电机车、信号灯及碎石作为检测目标,创建矿井电机车多目标检测数据集,并分别采用K-means和K-means++聚类分析算法对数据集重新聚类;对比分析结果表明,K-means++算法具有更好的聚类效果。最后,通过对传统YOLOv4-Tiny算法的消融实验,进一步展示了不同改进措施对网络模型检测性能的影响;并在电机车运行的煤矿巷道场景中,对比分析了YOLOv4-Tiny-4S算法与其他几种算法的检测性能。实验结果表明:YOLOv4-Tiny-4S算法能够准确检测并识别出图像中的各类目标,其平均精度均值(mean average precision,mAP)为95.35%,对小目标“碎石”的平均精度(average precision,AP)为86.69%,相比传统YOLOv4-Tiny算法分别提高了12.38%和41.66%;改进后算法的平均检测速度达58.7帧/s(frames per second,FPS),模型内存仅为26.3 Mb,YOLOv4-Tiny-4S算法的检测性能优于其他算法。本文提出的基于YOLOv4-Tiny-4S矿井电机车多目标实时检测方法可为实现矿井电机车的无人驾驶提供技术支撑。展开更多
文摘提出一种基于改进You Only Look Once version 4-tiny(YOLOv4-tiny)算法的人工智能教学系统人体跟踪识别方法,以解决现有技术在实际教学场景中识别精度不高、实时性差和环境适应性弱的问题。通过引入卷积块注意力模块、联合损失函数以及特征金字塔网络结构,对YOLOv4-tiny算法进行改进。利用Kinect传感器收集信息,结合改进的YOLOv4-tiny算法进行用户命令的识别与分析。改进后的识别方法在两种数据集中的精确率分别为92.53%和96.23%。对10个教学动作的识别准确率分别平均提高了2.79%、4.31%。结果表明,将改进的算法与教学系统集成,能够提高算法对人体手部动作的跟踪识别效率,为教学方式的优化提供新途径,提高教学效率和智能化发展,具有重要的实际应用价值和理论意义。
文摘为解决煤矿巷道环境恶劣及人工疲劳驾驶电机车导致煤矿井下有轨电机车事故频发的问题,提出一种基于改进YOLOv4-Tiny算法的YOLOv4-Tiny-4S矿井电机车多目标实时检测方法。首先,为了提高网络模型对于小目标的检测能力,将传统YOLOv4-Tiny的两尺度预测增加至4尺度预测,并且在网络模型的颈部引入空间金字塔池化(spatial pyramid pooling,SPP)模块,以丰富特征融合信息,增大网络模型的感受野。其次,以煤矿巷道中的行人、电机车、信号灯及碎石作为检测目标,创建矿井电机车多目标检测数据集,并分别采用K-means和K-means++聚类分析算法对数据集重新聚类;对比分析结果表明,K-means++算法具有更好的聚类效果。最后,通过对传统YOLOv4-Tiny算法的消融实验,进一步展示了不同改进措施对网络模型检测性能的影响;并在电机车运行的煤矿巷道场景中,对比分析了YOLOv4-Tiny-4S算法与其他几种算法的检测性能。实验结果表明:YOLOv4-Tiny-4S算法能够准确检测并识别出图像中的各类目标,其平均精度均值(mean average precision,mAP)为95.35%,对小目标“碎石”的平均精度(average precision,AP)为86.69%,相比传统YOLOv4-Tiny算法分别提高了12.38%和41.66%;改进后算法的平均检测速度达58.7帧/s(frames per second,FPS),模型内存仅为26.3 Mb,YOLOv4-Tiny-4S算法的检测性能优于其他算法。本文提出的基于YOLOv4-Tiny-4S矿井电机车多目标实时检测方法可为实现矿井电机车的无人驾驶提供技术支撑。
