admin 管理员组文章数量: 1184232
2024年6月1日发(作者：boolean search)
第１３卷 第９期
Ｖｏｌ．１３Ｎｏ．９
智 能 计 算 机 与 应 用
ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ
中图分类号：ＴＰ２４９文献标志码：Ａ
２０２３年９月
Ｓｅｐ．２０２３
文章编号：２０９５
－
２１６３（２０２３）０９
－
０１７２
－
０５
基于改进ＹＯＬＯｖ６电动单车违法停放的检测方法研究
汪燕超，胡旭晓
（浙江理工大学机械工程学院，杭州３１００１８）
摘 要：日常电动单车存在违法停放现象，为消除安全隐患本文提出了一种改进的ＹＯＬＯｖ６目标检测模型。在原ＹＯＬＯｖ６
模型的基础上，在ｎｅｃｋ部分引入Ｇｈｏｓｔ幻影卷积模块，提升网络模型的检测速度；在检测部分嵌入ＣＢＡＭ卷积注意力模块以
１．５个百分点，对电动单车违法停放的检测具有较大的实际意义。
突出所检测目标信息，提升网络模型的检测精度。实验证明改进后的ＹＯＬＯｖ６模型性能得到了一定的提升，其精确率提升了
关键词：电动单车；ＹＯＬＯｖ６模型；卷积注意力模块；幻影卷积模块
Ｒｅｓｅａｒｃｈｏｎｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｏｆｉｌｌｅｇａｌｐａｒｋｉｎｇｏｆｅｌｅｃｔｒｉｃｂｉｃｙｃｌｅｓ
ｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＹＯＬＯｖ６
ＷＡＮＧＹａｎｃｈａｏ，ＨＵＸｕｘｉａｏ
（ＦａｃｕｌｔｙｏｆＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＺｈｅｊｉａｎｇＳｃｉ
－
ＴｅｃｈＵｎｉｖｅｒｓｉｔｙ，Ｈａｎｇｚｈｏｕ３１００１８，Ｃｈｉｎａ）
【Ａｂｓｔｒａｃｔ】ＤａｉｌｙｅｌｅｃｔｒｉｃｂｉｃｙｃｌｅｓａｒｅｉｌｌｅｇａｌｌｙｐａｒｋｅｄｔｏｅｌｉｍｉｎａｔｅｓａｆｅｔｙｈａｚａｒｄｓＴｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｎｉｍｐｒｏｖｅｄＹＯＬＯｖ６ｔａｒｇｅｔ
ｄｅｔｅｃｔｉｏｎｍｏｄｅｌ．ＢａｓｅｄｏｎｔｈｅｏｒｉｇｉｎａｌＹＯＬＯｖ６ｍｏｄｅｌ，ｔｈｅＧｈｏｓｔｐｈａｎｔｏｍｃｏｎｖｏｌｕｔｉｏｎｍｏｄｕｌｅｉｓｉｎｔｒｏｄｕｃｅｄｉｎｔｈｅｎｅｃｋｐａｒｔｔｏ
ｉｍｐｒｏｖｅｔｈｅｄｅｔｅｃｔｉｏｎｓｐｅｅｄｏｆｔｈｅｎｅｔｗｏｒｋｍｏｄｅｌ；ｔｈｅＣＢＡＭｃｏｎｖｏｌｕｔｉｏｎａｌａｔｔｅｎｔｉｏｎｍｏｄｕｌｅｉｓｅｍｂｅｄｄｅｄｉｎｔｈｅｄｅｔｅｃｔｉｏｎｐａｒｔｔｏ
ｈｉｇｈｌｉｇｈｔｔｈｅｉｎｆｏｒｍａｔｉｏｎｏｆｔｈｅｄｅｔｅｃｔｅｄｔａｒｇｅｔｓａｎｄｉｍｐｒｏｖｅｔｈｅｄｅｔｅｃｔｉｏｎａｃｃｕｒａｃｙｏｆｔｈｅｎｅｔｗｏｒｋｍｏｄｅｌ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔｓ
ｄｅｍｏｎｓｔｒａｔｅｔｈａｔｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｔｈｅｉｍｐｒｏｖｅｄＹＯＬＯｖ６ｍｏｄｅｌｈａｓｂｅｅｎｉｍｐｒｏｖｅｄｔｏａｃｅｒｔａｉｎｅｘｔｅｎｔ，ａｎｄｉｔｓａｃｃｕｒａｃｙｒａｔｅｈａｓ
ｂｅｅｎｉｎｃｒｅａｓｅｄｂｙ１．５ｐｅｒｃｅｎｔａｇｅｐｏｉｎｔｓ，ｗｈｉｃｈｉｓｏｆｇｒｅａｔｅｒｐｒａｃｔｉｃａｌｓｉｇｎｉｆｉｃａｎｃｅｆｏｒｔｈｅｄｅｔｅｃｔｉｏｎｏｆｉｌｌｅｇａｌｐａｒｋｉｎｇｏｆｅｌｅｃｔｒｉｃ
ｂｉｃｙｃｌｅｓ．
【Ｋｅｙｗｏｒｄｓ】ｅｌｅｃｔｒｉｃｓｃｏｏｔｅｒ；ＹＯＬＯｖ６ｍｏｄｅｌ；ｃｏｎｖｏｌｕｔｉｏｎａｌｂｌｏｃｋａｔｔｅｎｔｉｏｎｍｏｄｕｌｅ；Ｇｈｏｓｔｃｏｎｖｏｌｕｔｉｏｎｍｏｄｅｌ
０ 引 言
电动单车是生活中常见的交通工具，据相关资
料显示，中国居民电动单车拥有数已超过３亿，而大
量电动单车随意停放的现象对公众的人身和财产安
全造成了巨大威胁
［１］
。
以往对于电动单车违法停放的监测主要依靠在
ＲｅｇｉｏｎｗｉｔｈＣＮＮｆｅａｔｕｒｅ）、ＳＳＤ（ＳｉｎｇｌｅＳｈｏｔＭｕｌｔｉＢｏｘ
小目标漏检和误检等问题。
Ｄｅｔｅｃｔｏｒ）和ＹＯＬＯ系列等，但这些算法常常存在对
ＹＯＬＯｖ６模型，在ＹＯＬＯｖ６模型检测部分嵌入ＣＢＡＭ
（ＣｏｎｖｏｌｕｔｉｏｎａｌＢｌｏｃｋＡｔｔｅｎｔｉｏｎＭｏｄｕｌｅ）卷积注意力
模块，并引入Ｇｈｏｓｔ幻影卷积模块，以提高模型的精
确度和检测速度。改变外接摄像头所拍摄电动单车
停放图片的亮度、遮挡范围和目标个数等属性制作
相应数据集，据此评估改进后的模型的鲁棒性、识别
速度和精度，进一步提升改进后模型的性能。
针对传统检测方法的不足，本文提出了改进的
场所附近安装监控并拍摄照片，而后交给监控中心
的工作人员进行监控和预警。这种方法消耗了大量
的人力和物力，对于电动单车违法停放的识别准确
率也不高。近年来人工智能技术快速发展，有学者
提出了基于深度学习的目标检测模型，深度学习模
型主要分为两大类：一类是基于候选区域的二阶段
目标检测模型，另一类是基于回归的一阶段目标检
测模型，两者分别依据候选框卷积和模型回归对目
标进行检测，代表算法有Ｆａｓｔｅｒ
－
ＲＣＮＮ（Ｆａｓｔｅｒ
１ ＹＯＬＯｖ６模型简介
的目标检测模型相比，ＹＯＬＯ系列模型计算效率高，
能够方便地进行端到端的训练，因此能快速地检测
ＹＯＬＯ系列模型采用直接回归的方法，与传统
作者简介：汪燕超（１９９９
－
），男，硕士研究生，主要研究方向：图像处理；胡旭晓（１９６５
－
），男，博士，教授，主要研究方向：图像处理、机器视觉。
收稿日期：２０２２
－
０９
－
２６
哈尔滨工业大学主办
版权声明：本文标题：基于改进YOLOv6电动单车违法停放的检测方法研究 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://roclinux.cn/p/1717246427a703547.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。
更多相关文章
游戏引擎核心模块大揭秘
开篇先说清楚： “游戏引擎到底由哪些大模块组成？”——用人话讲一遍 你可以先在脑子里，把“游戏引擎”想象成一座大工厂。 游戏 = 造车 引擎 = 整个造车工厂的机器、流水线、仓库、管理系统 程序、美术、策划 = 工人、设计师、工程师 玩
windows系统python查看已安装模块pip命令
描述：windows系统python查看已安装模块pip命令命令：pip list
浏览器打开Axure RP模型
1，直接使用chrome打开，提示下载插件 2，需要做一些操作 打开原型文件，找到resourceschromeaxure-chrome-exte
当Apache在凌晨三点启动失败：一段充满挫折与学习的调试经历
那个令人崩溃的夜晚 周二凌晨，手机铃声像警报一样撕裂了寂静。屏幕上是监控系统的红色警报：“Apache服务停止”。我揉着干涩的眼睛，从床上弹起来，脑子一片空白。服务器怎么会毫无征兆地罢工？睡衣都没换，我就冲到了电脑前。登录SSH的那一
Jetson Orin Nano 与 BGE Large zh v1.5：轻量级边缘设备部署实操指南
bge-large-zh-v1.5部署案例：边缘设备Jetson Orin Nano轻量化Embedding部署 1. 项目背景与需求 在边缘计算场景中，部署高质量的文本嵌入模型一直是个技术挑战。传统的嵌入模型往往需要
赵老师分享秘笈：离线环境下高效加载和使用GGUF模型的实战技巧
离线部署大模型的终极实践：Ollama与GGUF模型深度整合指南 在当前的AI应用浪潮中，将大型语言模型部署到本地环境，正从一个技术极客的探索，转变为许多开发者和企业保障数据隐私、实现稳定服务、进行深度定制的刚性需求。想象一下
Kamailio & OpenSIPS性能提升秘术：揭秘突破高负载的关键策略
1. 为什么你的SIP服务器在高并发时“掉链子”？ 做VoIP或者实时通信系统的朋友，估计都遇到过这样的场景：用户量一上来，系统就开始卡顿，呼叫失败率飙升，监控面板上的延迟曲线像坐过山车一样。你可能会怀疑是网络问题，或者是后端
Unlock WiFi Direct on Linux: Python Modules for Seamless Networking
Wifi-Direct-on-Linux Python模块介绍 去发现同类优质开源项目: 模块简介 本文档介绍了名为 Wifi-Direct-on-Linux的Python模块，该模块用
掌握SWF艺术：GPT家族教程在WPCoder.cn上带你探索Flash中心与Adobe Flash Player
视频讲解： 论文链接： GPT: GPT-2: GPT-3:GPT文章标题：Improving Language Understanding by Generative pre-
GPT1革新之道：闪现与动画的新时代
GPT与BERT、Transformer的关系 Transformer发表在2017年6月，在一年之后GPT出来了，GPT的核心数据把Transformer的解码器拿出来，在大量没有文本的数据集上训练一个语言模型然后获得一个预
从GPT基础到GPT3大突破：揭秘Adobe Flash与AI融合
every blog every motto:Although the world is full of suffering， it is full also of the overcoming of it 0.
SWF、Flash中心之战：Hunyuan-MT-7B的秘密武器是什么？
Hunyuan-MT-7B对比测试：WMT25 30项第一的秘诀 一台RTX 4080显卡，就能跑出世界顶级的翻译效果。本文将带你深入拆解腾讯混元Hunyuan-MT-7B翻译模型，看看这个70亿参数的“小
Hunyuan-MT-7B对决WMT25：寻找30项第一的关键因素和制胜策略
Hunyuan-MT-7B对比测试：WMT25 30项第一的秘诀 一台RTX 4080显卡，就能跑出世界顶级的翻译效果。本文将带你深入拆解腾讯混元Hunyuan-MT-7B翻译模型，看看这个70亿参数的“小
GTE升级版来袭：小容量CPU支持下的可视化界面和API便捷调用
GTE中文语义相似度服务上线｜轻量级CPU版支持可视化仪表盘与API调用 1. 项目概览：GTE 中文语义相似度服务是什么？ 在自然语言处理（NLP）领域， 语义相似度计算是构建智能系统的核心能
GTE中文语义服务优化上线：全新轻型CPU解决方案，无缝集成可视化仪表盘与API
GTE中文语义相似度服务上线｜轻量级CPU版支持可视化仪表盘与API调用 1. 项目概览：GTE 中文语义相似度服务是什么？ 在自然语言处理（NLP）领域， 语义相似度计算是构建智能系统的核心能
六足机器人编程入门：从理论到实战的完整流程
包含：WIFI模块、GPS模块、语言模块、调试信息接口。一、硬件连接huart4（ PA0、 PA1 ）与GPS模块连接。huart3（PB10、PB11）与ESP8266模块连接。
火焰检测新纪元：YOLOv11实战攻略与火焰识别
本文采用YOLOv11作为核心算法框架，结合PyQt5构建用户界面，使用Python3进行开发。YOLOv11以其高效的实时检测能力，在多个目标检测任务中展现出卓越性能。本研究针对火焰与烟雾数据集进行训练和优化，该数据集包含丰富的火焰
Yolo火焰检测实战：突破视觉检测新境界，火光不再隐藏！
本文采用YOLOv11作为核心算法框架，结合PyQt5构建用户界面，使用Python3进行开发。YOLOv11以其高效的实时检测能力，在多个目标检测任务中展现出卓越性能。本研究针对火焰与烟雾数据集进行训练和优化，该数据集包含丰富的火焰
Yolox与注意力机制联手，点燃火焰与烟雾检测新纪元
本文采用YOLOv11作为核心算法框架，结合PyQt5构建用户界面，使用Python3进行开发。YOLOv11以其高效的实时检测能力，在多个目标检测任务中展现出卓越性能。本研究针对火焰与烟雾数据集进行训练和优化，该数据集包含丰富的火焰
火眼金睛：YOLOv11实战解析烟雾与火焰的智能检测
本文采用YOLOv11作为核心算法框架，结合PyQt5构建用户界面，使用Python3进行开发。YOLOv11以其高效的实时检测能力，在多个目标检测任务中展现出卓越性能。本研究针对火焰与烟雾数据集进行训练和优化，该数据集包含丰富的火焰
发表评论