针对传统生物实验室自动化程度低、效率低的问题,提出一种基于YOLOv5s的细胞培养板分类识别算法—YOLOv5s-tiny。首先通过多尺度同态滤波颜色恢复算法对输入端图像进行预处理,提高了图像的成像效果;在考虑实验场景的情况下对小目标的检测层进行剪枝;使用深度可分离卷积代替普通卷积,减少了模型的参数量,提高了运算速度;采用距离交互比损失函数及软化非极大值抑制算法,加快了收敛速度,提高了边界框的准确率;加入卷积块注意力机制,解决了检测过程中局部遮挡和漏检问题;最后,使用YOLOv5s-tiny算法对细胞培养板进行实验。通过与原始YOLOv5s算法比较,验证该算法能快速、准确的对细胞培养板进行分类识别,准确率和召回率分别提高了4.5%和1.4%,提高了生物实验室的工作效率。

针对传统Canny算法在识别直缝焊管焊缝边缘时易受噪声干扰、强弱边缘连接不佳等问题,通过分析直缝焊管图像特点,提出一种改进的Canny算法检测直缝焊管焊缝位置方法。首先在进行非极大值抑制中引入了梯度方向局部均值偏差;其次对非极大值抑制之后的点利用大津法计算阈值;最后通过实际采集焊管图片强弱边缘分布特点将强边缘边界所连边界作为附加连接条件。通过实验验证改进的非极大值相对于传统方法抑制能够有效的抑制噪声点并保留边缘信息,在直缝焊管焊缝边缘位置识别中改进的Canny算法相对于传统边缘检测算法能够抑制噪声干扰,保留更多的焊管边缘与焊缝边缘,因此较好的满足实际使用需求。

为识别距离较近的防振锤,提出基于改进YOLOv4的防振锤自动检测方法。YOLOv4方法采用具有固定阈值的非极大值抑制方法选取检测框,较低的阈值会导致丢失高度重叠的目标,而较高的阈值则会导致更多的误检。为此,提出动态非极大值抑制方法,并将其应用于YOLOv4目标检测。该方法根据目标周围检测框的统计特性确定出动态阈值,提高边界框选择的准确性,降低高度重叠防振锤检测中的错检和漏检概率。为进一步提高防振锤检测精度,采用分段线性函数作为激活函数,克服YOLOv4算法中Leaky ReLU函数对负值处理不理想且函数曲线不平滑的问题,增强了模型的非线性表达能力。结果表明:基于改进YOLOv4的防振锤目标检测方法能够很好地检测出重叠的防振锤,且检测精度更高。