基于改進YOLOv4算法的工程實驗室信息化管理系統構建與應用

doi：10.3969/j.issn.1001-5922.2024.02.042

摘 要：融合物聯網技術、圖像檢測技術和深度學習算法，提出一種基于改進YOLOv4算法的工程檢測實驗室信息管理系統，通過WIFI+NB-IoT實現數據傳遞。為了彌補YOLOv4算法在尺度分布不均勻時精度降低的問題，提出利用IK-means++算法，引入ECA注意力模塊和階梯狀特征融合網絡結構對算法進行改進，算法改進后浮點運算數量、模型參數量分別降低了25.1%和43.1%，FPS和mAP分別提高6.8幀/s和3.65%，改進后算法不僅收斂速度更快，而且在不同光線環境下的設備檢測準確率均高于改進前。將系統應用到工程實驗室檢測中，設備和環境各參數檢測結果與標準儀器檢測結果誤差控制在±5%以內。

關鍵詞：改進YOLOv4算法；信息管理系統； IK-means++算法；ECA注意力模塊；階梯狀特征融合網絡結構

中圖分類號：TP277" " " "文獻標志碼：A" " " "文章編號：1001-5922（2024）02-0159-04

Construction and application of engineering laboratory information management system based on improved YOLOv4 algorithm

DENG 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 through WIFI+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 and 3.65%，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

實驗室是高校培養實踐型、創新型和綜合型人才的重要平臺，在實驗室信息化管理中，最重要的就是要實現對實驗設備的科學管理^[1-5]，即實現設備信息化管理，物聯網技術僅僅是實現了設備數據的交互，要實現設備的分類管理，還要利用圖像檢測技術，對檢測到的數據進行識別分析^[6]。然而，檢測數據量巨大，如果僅僅通過人工來進行識別，效率會極其低下，故而系統還應該考慮引進深度學習算法，來實現監控中發生異常狀況（如無關人員入侵、設備故障）時及時發出提示或者警報，確保實驗室設備的財產和人員安全^[7-8]。但是，從一些相關研究來講，并沒有將三者很好的進行融入，并發揮出各自的優勢。

基于此，研究基于物聯網技術、圖像檢測技術和深度學習算法，構建了一種工程實驗室信息化管理系統，并對深度學習算法進行了改進，從而獲得更加可靠、檢測精度更高的性能。

1"系統總體架構與設計

結合物聯網技術、傳感器技術、無線通信技術、圖像檢測技術和深度學習算法等，構建實驗室信息化管理系統，該系統由信息化管理平臺層、網絡傳輸層、信息采集裝置層、實驗室設備設備及環境層組成。信息化管理平臺中，數據庫采用Mysql數據庫，后臺服務器采用MQTT（Message Queuing Telemetry Transport，（簡稱MQTT）協議，后臺服務器與信息化平臺之間通過internet 連接，供管理人員進行相關操作。網絡傳輸主要通過路由器進行WIFI傳輸，但考慮到實際使用時可能會存在網絡不佳的情況，故采用NB-IoT和移動通信等多種方式對WIFI進行彌補^[9]。信息采集裝置主要包括采集節點（傳感器）和中繼節點，采集節點的數據通過網絡傳輸傳遞給中繼節點，經中繼節點處理后再上傳給路由器、后臺服務器或者由采集節點直接傳遞給路由器。實驗室設備及環境主要包括一些計算機設備，負責將設備信息和環境信息等傳遞給采集節點。

2"信息采集裝置設計

信息采集裝置分為采集節點和中繼節點兩部分，設備信息采集數據以及部分環境信息采集數據由采集節點收集，再直接上傳給MQTT/HTTP，或者由中繼節點處理后再傳輸給MQTT/HTTP，監控攝像頭數據和另外一部分環境信息數據則通過數據通信直接傳遞給中繼節點，再傳輸給MQTT/HTTP，最終所有數據匯聚到數據庫中存儲。系統信息采集裝置結構示意見圖1。

采集節點以核心控制及數據傳輸模塊（ESP-12E）為核心，對各傳感器模塊實行統一的數據采集和上傳管理，見圖2。采集節點通過HLK-PM01 AC-DC穩電壓模塊將220 V交流電壓轉化為5 V直流電壓，溫濕度傳感器和光傳感器通過模擬12C與MCU連接，設備信息采集模塊通過串口與MCU相連，而ESP-12E WIFI部分已經通過RST引腳相連，從而實現采集節點的硬件設計。

中繼節點以STM32L431RCT6超低功耗微處理器為核心，對各傳感器模塊、通信模塊、攝像頭模塊進行統一管理，見圖3。空氣質量傳感器模擬輸出腳與ADC進行連接，2個ESP-12E通過串口與STM32L431RCT6相連，一個負責數據接收，一個負責數據上傳，其余均通過12C與STM32L431RCT6相連。

3"基于改進YOLOv4的設備檢測識別

3.1"YOLOv4算法原理

YOLO系列算法是一種將檢測物體作為回歸問題分析求解的方法，YOLOv4算法基于YOLOv3算法進行了如下改進：一是引入了殘差結構中的CSPDarknet53主干網絡；二是對PANet的頸部金字塔結構進行了改進，從而提升算法的特征提取能力和融合能力，大大提升了算法的速度和效率^[10-11]。YOLO這一類多輸出層算法在先驗框選取時要求監測物體尺度分布均勻，然而在實際應用場景中，被檢測對象的尺度大小并不是均勻分布的，這就會導致采用K-means 聚類算法獲取先驗框的方法存在一定的局限性，從而影響降算法的檢測精度。

3.2"YOLOv4算法改進

針對YOLOv4算法存在的一些問題，提出從以下3個方面對算法進行改進：（1）對K-means 聚類算法進行改進，首先只用一個檢測頭，從而避免目標尺度不均勻造成的聚類問題，其次是設置兩道閾值，將數據集中的物體按照尺度劃分為小、中、大3個區間，然后再在各區間進行K-means++聚類分析，分別得到3個聚類中心，最終得到9個先驗框，最后利用對角線長度來定義先驗框大小，從而實現對不同尺度物體的分類識別^[12]。（2）引入ECA通道注意力模塊，提升主干網絡特征提取和信息感知的能力，從而提高檢測效率和準確性^[13]。（3）引入階梯狀特征融合網絡結構，將原有網絡結構的5個輸出特征優化為3個輸出特征，從而使不同尺度的特征能夠得到有效融合，并簡化融合過程，提高檢測效率。改進后的YOLOv4算法見圖4。

3.3"改進算法驗證

本文實驗平臺主機CPU為32GB NVIDIA?TeslaV?100，操作系統為NVIDIA?TeslaV?100，內存大小為320 GB。實驗數據集為實驗室電腦設備，包括顯示器、電腦主機、鍵盤等，人工統計數量分別為20、20和9個。從監控視頻中截取不同時段（模擬不同光線環境）的圖像共計3 532張，按照 8∶1∶1的比例將數據集分為訓練集、驗證集和測試集，對不同算法設備在不同光線環境下檢測結果進行分析。數據集在訓練過程中，epochs訓練參數設置為100，Batch Size 設置為64，算法模型的初始學習率設置為0.001。

算法改進前后函數損失值隨訓練迭代次數的變化關系見圖5。

由圖5可知，在0～5迭代時，函數損失值迅速降低，當迭代次數超過20次后，函數損失基本進入穩定狀態；相同迭代次數下，改進后的函數損失值小于改進前，表明改進后的YOLOv4算法收斂速度更快。

不同模型下設備檢測性能對比情況見表1。

由表1可知，YOLOv4算法在改進后的浮點運算數量相比改進前，降低約25.1%，模型參數量降低約43.1%；這主要是因為改進后算法模型采用了L-FPG網格，該網格使用的是1×1 卷積核，較原算法復雜程度大大降低，故而參數量大幅減少；改進后FPS相比改進前提升了6.8幀/s，mAP提高了3.65%，檢測質量有顯著提升。

不同光線環境下設備檢測結果對比見表2。

由表2可知，改進YOLOv4算法無論是在明亮環境下，還是在昏暗環境下，檢測準確率均比YOLOv4算法有不同程度提升，表明改進后的YOLOv4算法在檢測準確性上更優越。

4"系統應用

將改進后的系統應用到某工程實驗室監測中，并對實驗室中的設備電壓、電流、功率、溫度、濕度以及環境光強度進行監測，并與標準儀器檢測結果進行對比，結果見表3。

由表3可知，通過本系統監測得到的實驗室設備和環境參數，與標準儀器檢測結果相比，最大誤差均控制在±5%以內，表明本系統具有很好的檢測精度。將系統裝置連續運行15 d，設置每次參數的采集間隔時間為10 min，系統共采集到2 160條數據，經檢查，在連續運行期間，系統數據保存完好，未出現數據丟失情況，表明本系統裝置具有很好的可靠性，能夠實現對實驗室所有參數的自動化檢測、存儲。

5"結語

（1）YOLOv4算法在面對監測物體尺度分布不均勻時，檢測精度相對較低，為此提出對采用IK-means++聚類法進行先驗框的聚類分析，再引入ECA通道注意力模塊提升主干網絡特征提取和信息感知的能力，最后再通過階梯狀特征融合網絡結構，對原有網絡結構進行精簡，提升算法檢測效率;

（2）改進后YOLOv4算法浮點運算數量、模型參數量相較于改進前分別降低25.1%和43.1%，FPS和mAP較改進前分別提高6.8幀/s和3.65%，改進后算法收斂速度更快，在不同光線環境下的設備檢測準確率均高于改進前;

（3）實際應用結果表明系統監測數據與標準儀器監測結果基本一致，誤差均在±5%以內，且連續運行15 d無數據丟失，系統運行可靠性良好。

【參考文獻】

[1]李斌鵬.基于信息化技術在高校實驗室管理中的應用研究[J].粘接，2019，40（7）：171-174.

[2]蘇澤蔭，陳源毅，王華敏.基于物聯網平臺的高校實驗室管理系統[J].物聯網技術，2022，12（11）：66-68.

[3]章盼梅，朱萬浩，張紫凡，等.基于物聯網的高校實驗室遠程監控系統[J].自動化與儀器儀表，2021，No.262（8）：151-154.

[4]況成忠，歐世鋒.基于云計算服務的配電設備檢測實驗室管理系統設計和實現[J].機電信息，2023，No.710（14）：36-41.

[5]王磊，江河.基于UHF RFID的智能實驗室管理系統設計[J].山西電子技術，2023，No.228（3）：57-59.

[6]徐偉，張程，艾偉清.基于圖像處理技術的實驗室智能門禁管理系統設計[J].常熟理工學院學報，2019，33（2）：48-51.

[7]趙曉杰，陳曄.面向計算機實驗室智能運維的網絡設備視覺識別算法研究[J].西安文理學院學報（自然科學版），2023，26（2）：39-43.

[8]徐亞平，韓建軍，孟君.多維動態創新模型的高校智慧實驗室建設探究[J].粘接，2021，45（2）：149-153.

[9]宋孟華，王澤，劉雪梅，等.基于ZigBee和NB-IoT融合網絡的實驗室智能監控系統實現及應用[J].自動化與儀表，2023，38（5）：101-104.

[10]尚福瑞，范云飛，郝強，等.基于深度學習的工程作業智能監控技術的模型優化測試[J].粘接，2023，50（4）：182-186.

[11]陳杰，安之煥，唐占元，等.基于改進YOLOv4模型的無人機巡檢圖像桿塔缺陷檢測方法研究[J].電測與儀表，2023，60（10）：155-160.

[12]原蕾，王科俊.基于注意力機制與特征融合的改進YOLOv7車輛檢測方法[J].國外電子測量技術，2023，42（9）：49-57.

[13]袁小平，王準，韓俊，等.改進YOLOv4的復雜交通場景目標檢測方法[J].科學技術與工程，2023，23（6）：2509-2517.

收稿日期：2023-09-08；修回日期：2023-12-11

作者簡介：鄧愛民（1975-），男，高級工程師，研究方向：公路工程試驗檢測;E-mail：673546049@qq.com。

通訊作者：聶良鵬（1991-），男，碩士，高級工程師，研究方向：公路工程試驗檢測；E-mail：daniet696@163.com。

基金項目：云南省數字交通重點實驗室項目（項目編號：202205AG070008）；云南交通投資建設集團有限公司項目——工程檢測智慧化服務與試驗室信息管理系統技術平臺研究（項目編號：YCIC-YF-2022-13）。

引文格式：鄧愛民，聶良鵬，許"鵬，等.基于改進YOLOv4算法的工程實驗室信息化管理系統構建與應用[J].粘接，2024，51（2）：159-162.