【CN109948471A】基于改进InceptionV4网络的交通雾霾能见度检测方法【专利】

一种基于雾天图像增强的SURF图像匹配方法李骥;莫小锋;王威;杨蔚蔚【摘要】In the geological disaster monitoring system, the image change detection can be used to monitor the occurred disaster. Image matching is needed to change detection accurately. Aiming at the problem of low matching precision with the image in the fog condition, an image matching method based on image contrast enhancement of SURF is proposed, enhanceing the matching precision of the fog image efficiently. It uses multi-scale Retinex algorithm to enhance the fog image, and then completes the extraction of feature points with SURF algorithm, uses Euclidean distance to measure the similarity of characteristic points, according to the similarity triangular distance ratio invariance, it deletes point pairs of mismatch. Experimental results show that the method significantly improves the precision of image feature points match-ing, provides a good foundation for subsequent use of image change detection for disaster monitoring.%在地质灾害监测系统中，可以通过图像的变化检测对发生的灾害进行监测。

基于改进YOLOv4算法的工程实验室信息化管理系统构建与应用作者：邓爱民聂良鹏许鹏谌蛟潘涛来源：《粘接》2024年第02期doi：10.3969/j.issn.1001-5922.2024.02.042摘要：融合物联网技术、图像检测技术和深度学习算法，提出一种基于改进YOLOv4算法的工程检测实验室信息管理系统，通过WIFI+NB-IoT实现数据传递。

为了弥补YOLOv4算法在尺度分布不均匀时精度降低的问题，提出利用IK-means++算法，引入ECA注意力模块和阶梯状特征融合网络结构对算法进行改进，算法改进后浮点运算数量、模型参数量分别降低了25.1%和43.1%，FPS和mAP分别提高6.8帧/s和3.65%，改进后算法不仅收敛速度更快，而且在不同光线环境下的设备检测准确率均高于改进前。

将系统应用到工程实验室检测中，设备和环境各参数检测结果与标准仪器检测结果误差控制在±5%以内。

关键词：改进YOLOv4算法；信息管理系统； IK-means++算法；ECA注意力模块；阶梯状特征融合网络结构中图分类号：TP277 文献标志码：A 文章编号：1001-5922（2024）02-0159-04Construction and application of engineering laboratory information management system based on improved YOLOv4 algorithmDENG Aimin，NIE Liangpeng，XU Peng，CHEN Jiao，PAN Tao（YunnanTongqu Engineering Testing Co.，Ltd.，Kunming 650011，China）Abstract：Integrating Internet of Things technology，image detection technology and deep learning algorithm，an information management system for engineering testing laboratories based on improved YOLOv4 algorithm was proposed，and the data transmission was realized throughWIFI+NB-IoT.In order to make up for the problem of the reduced accuracy of the YOLOv4 algorithm when the scale distribution was uneven，the IK-means++ algorithm was proposed，and the algorithm was improved by introducing the ECA attention module and the stepped feature fusion network structure，and the number of floating-point operations and model parameters were reduced by 25.1% and 43.1%，respectively，and the FPS and mAP were increased by 6.8 frames/s and3.65%，respectively.The improved algorithm not only converged faster，but also had a higher detection accuracy than before the improvement in different light environments.The system was applied to the engineering laboratory testing，and the error between the test results of various parameters of the equipment and environment and the test results of standard instruments was controlled within ±5%.Key words：Improved YOLOv4 algorithm; information management system;IK-means++algorithm;ECA attention module; stepped feature fusion network structure實验室是高校培养实践型、创新型和综合型人才的重要平台，在实验室信息化管理中，最重要的就是要实现对实验设备的科学管理[1-5]，即实现设备信息化管理，物联网技术仅仅是实现了设备数据的交互，要实现设备的分类管理，还要利用图像检测技术，对检测到的数据进行识别分析[6]。

一种基于Retinex的雾霾图像增强改进算法石昊苏;方丽娟;台志强;韩丽娜【摘要】To enhance the improvement of haze image quality degradation and fuzzy details,the method of improved Retinex theory is used.Through the experiment of the haze image decomposition to get R and L component,and denoising R with bilateral filtering as well as transforming and Gamma linear correction L,then combining with processed R and L component,The results show that the improved algorithm can improve image visual effect with rich color and enhance image details to make for the follow-up image processing.%针对增强改进雾霾图像质量退化、细节不清的目的,采用改进Retinex理论的方法,,通过对雾霾图像分解得到R、L分量,对R进行双边滤波去噪,同时对L进行Gamma变换并做线性拉伸校正,合并处理后的R、L图像等实验,得出从主观视觉效果和客观性能指标两方面,改进算法能够丰富雾霾图像色彩,提高雾霾图像的视觉效果,增强图像的细节,有利于后续图像处理.【期刊名称】《电子设计工程》【年(卷),期】2018(026)004【总页数】4页(P180-183)【关键词】Retinex算法;图像增强;MSR算法;雾霾图像【作者】石昊苏;方丽娟;台志强;韩丽娜【作者单位】西北政法大学商学院,陕西西安710063;西北政法大学商学院,陕西西安710063;西北政法大学公安学院,陕西西安710063;咸阳师范学院图形图像研究所,陕西咸阳712000【正文语种】中文【中图分类】TN247“雾霾”是高密度人口的经济及社会活动相互作用排放的大量细颗粒物（PM2.5）持续积聚又恰逢静稳天气所形成的，现代化进程加剧了雾霾出现的频率、持续时间，雾霾条件下采集到的数字图像往往会出现画面不清晰、辨析程度低等缺陷，给机器后续的识别检测工作带来较大的困难[1]。

《基于YOLOv5的雾霾天气下交通标志识别模型》篇一一、引言随着智能化交通系统的快速发展，交通标志识别技术成为了提升道路交通安全和效率的关键技术之一。

然而，在雾霾等恶劣天气条件下，交通标志的识别变得尤为困难。

为了解决这一问题，本文提出了一种基于YOLOv5的雾霾天气下交通标志识别模型。

该模型通过深度学习和计算机视觉技术，实现了在雾霾天气下对交通标志的准确识别，为提升道路交通安全和智能化交通系统的发展提供了新的解决方案。

二、相关技术及模型概述1. YOLOv5：YOLO（You Only Look Once）系列是一种实时目标检测算法，其最新版本YOLOv5在目标检测任务中表现出优秀的性能。

YOLOv5采用深度神经网络，具有较高的检测速度和准确性，适合用于交通标志识别任务。

2. 交通标志识别：交通标志识别是智能交通系统中的重要组成部分，其主要任务是在道路场景中检测和识别各种交通标志，为车辆导航、驾驶辅助等提供信息。

3. 雾霾天气下交通标志识别模型：该模型基于YOLOv5，通过改进网络结构、优化训练策略等方法，提高在雾霾天气下的交通标志识别性能。

三、模型构建与实现1. 数据集准备：收集雾霾天气下的交通标志图像数据，构建数据集。

数据集应包含不同类型、不同位置的交通标志，以及不同雾霾程度下的图像。

2. 模型结构设计：采用YOLOv5的网络结构，根据实际需求调整网络参数。

在模型中加入雾霾天气下的特征提取模块，以提高对雾霾图像的识别能力。

3. 模型训练与优化：使用准备好的数据集对模型进行训练，通过调整超参数、优化网络结构等方法提高模型性能。

在训练过程中，采用数据增强技术扩大数据集，提高模型的泛化能力。

4. 模型评估与测试：使用独立测试集对模型进行评估，包括准确率、召回率、F1值等指标。

通过实际道路测试验证模型的性能和鲁棒性。

四、实验结果与分析1. 实验环境与数据：实验采用雾天驾驶场景下的交通标志图像数据，包括不同类型、不同大小的交通标志。