基于改进轻量级SE Yolov4的 热轧钢表面缺陷检测方法

针对传统热轧钢表面缺陷检测存在的检测精度较低、检测速度较慢,传统机器学习检测存在检测速度慢、鲁棒性差等问题,提出一种基于改进轻量级SE Yolov4热轧钢表面缺陷检测方法.Yolov4主干特征提取网络CSPDarknet53的每一层残差网络中嵌入SENet结构,构成SE Yolov4网络,有选择地聚集有效信息;同时在主干特征网络输出不同特征信息后和空间池化金字塔前后增加卷积层数,网络结构复杂化;SE Yolov4算法中嵌入轻量化MobileNet v3结构,减少模型参数量,提高检测速度.实验结果表明:该改进算法在测试集中的mAP值达到93.02%,较Yolov4算法检测精度提升7.2%,检测速度提升近3倍.     

基于多尺度特征选择与融合的目标检测方法

针对多尺度目标检测中特征图特征混淆和特征丰富程度不足的问题,提出一种基于多尺度特征选择与融合的目标检测算法。设计了一个特征选择模块来分离出不相关的特征,并结合特征金字塔网络形成特征选择网络结构,降低特征图中不同尺度目标的局部特征对当前尺度特征的干扰;提出一种浅层特征融合方法,将浅层特征逐级融合到较深层级特征中,解决特征图的特征不够丰富问题。结合特征选择架构和浅层特征融合架构,在PASCAL-VOC2007数据集上进行测试,结果mAP达到了80.1%。相较于基础的单阶段目标检测(single shot detection,SSD),所提算法的网络性能可提高2.9%,且在一些小目标和遮挡目标的检测效果上有明显的提升。通过对比和消融实验,证明了所提方法的有效性。     

改进后的YOLOv5用于跌倒行为检测

随着全球人口老龄化不断加剧，由于跌倒致死的比例也随之增加，及时发现跌倒行为对降低死亡风险至关重要。针对现有跌倒检测算法在实际应用场景中出现漏检、准确率低等问题，本文将改进后的YOLOv5目标检测方法用于跌倒行为检测。具体改进措施：将YOLOv5的边界框损失函数GIoU更换为α-IoU；引入卷积块注意力机制模块（CBAM），使网络可以更专注地学习跌倒特征；在特征融合层引入加权双向特征金字塔网络结构（BiFPN）以充分利用不同尺度的特征，从而提高检测精度。实验结果表明，改进的YOLOv5模型对跌倒行为的检测精度mAP达到了98.8%，比改进前提高了4%，满足对实际应用场景下跌倒检测的要求。     

基于扩张卷积特征自适应融合的复杂驾驶场景目标检测

针对复杂驾驶场景下的目标检测问题,提出一种基于扩张卷积特征自适应融合的目标检测算法.采用单阶段目标检测网络RetinaNet作为基本框架,其包含卷积特征提取、多尺度特征融合以及目标分类与回归子网.为提高网络对多尺度特征的提取能力,设计了基于不同扩张率组合的残差卷积分支模块,以获取不同感受野下的目标特征图;然后,将不同尺度下的特征通过网络自适应学习的参数融合后输出,用于后续的目标预测;最后在大规模且多样化的复杂驾驶场景数据集BDD100K上进行实验.结果 表明,利用扩张残差卷积分支模块与特征自适应融合算法能够分别将网络的平均精度均值由0.330提升至0.338与0.344,并在采用扩张卷积特征自适应融合的情况下达到了0.349.所提算法能够有效提升目标检测算法在复杂驾驶场景下的检测性能.     

基于改进RetinaNet的行人检测算法

为提高实际应用场景中行人的检测精度,提出使用高分辨率特征提取网络HRNet（High-Resolution Representation Network）并引入Guided Anchoring机制对RetinaNet算法进行改进,维持了特征图在特征提取过程中的高分辨率信息,同时使网络中的锚框自适应生成,提高了算法的检测精度。结果表明：该改进算法在Caltech行人数据集上取得了0.905的平均精度均值（mean average precision,简称mAP）,相比于标准的RetinaNet算法提高了6.0%,在每帧图像尺寸为1280×720像素的视频上检测速度达到了19FPS（每秒检测帧数） ,达到了检测精度与检测速度的均衡。     

基于深层次特征增强网络的SAR图像舰船检测

针对合成孔径雷达图像中舰船目标检测困难的问题,提出了一种基于深层次特征增强网络的多尺度目标检测框架.利用Darknet53提取原始图像特征,自上而下建立四尺度特征金字塔;特别设计基于注意力机制的特征融合结构,自下而上衔接相邻特征层,构建增强型特征金字塔;利用候选区域及其周边上下文信息为检测器计算分类置信度和目标分数提供更高质量的判定依据.所提算法在SSDD公开数据集和SAR-Ship自建数据集上的平均检测精度分别为94.43%和91.92%.实验结果表明,该算法设定合理且检测性能优越.      

基于残差网络和改进特征金字塔的油田作业现场目标检测算法

针对单点多盒检测器(single shot multibox detector,SSD)对小目标识别率低的问题,提出一种基于残差网络和改进特征金字塔(feature pyramid networks,FPN)的RP-SSD(residual and pyramid SSD)算法,并将其应用于油田安防领域。为了得到小物体更多的信息,首先在特征金字塔中增加上采样模块,并在上采样模块之后添加预测模块,之后采用空洞卷积增大Conv4_3的感受野。RP-SSD网络变深,针对RP-SSD在反向传播过程中存在梯度爆炸或梯度消失的问题,采用跳层连接的方式改进基础网络。RP-SSD在PASCAL VOC测试的准确率(meanaverage precision,mAP)为78.9%,比SSD提高了1.7%,其中对于目标较小的bottle类提高了8.9%。实验结果表明,RP-SSD对小目标检测的性能提高显著,同时RP-SSD在GTX 1080Ti上测试的速度为32帧/s,可见RP-SSD可以达到实时处理的要求。     

基于改进RFBNet算法的遥感图像目标检测

针对遥感图像中的小目标存在信息少、易受背景干扰、特征表达较弱等缺陷, 导致目前通用目标检测算法在对这类小目标进行检测时效果不理想的问题, 为提高对遥感图像中小目标的检测能力, 提出一种基于RFBNet的改进算法. 该算法以RFBNet为框架, 首先利用自校正卷积取代特征提取网络中的常规卷积, 以扩展感受野丰富输出, 进而强化对弱特征的提取能力; 然后设计多尺度特征融合模块, 丰富浅层特征图的抽象信息; 最后设计稠密预测模块, 提前在较浅层整合上下文信息, 使最后阶段的每层输出都含有丰富且联系紧密的多尺度特征信息. 将该算法在数据集UCAS_AOD和NWPU VHR-10上进行实验, 平均检测精度分别达83.4%和94.8%. 实验结果表明, 该算法有效提高了遥感图像中目标检测的精度, 且针对遥感图像中的小尺度目标检测问题改善明显.     

基于改进单步多框目标检测的道路小目标检测算法

针对SSD目标检测算法运用于自动驾驶领域时,在检测道路上小目标容易发生漏检错检的情况,本文提出一种改进的SSD目标检测算法。本算法首先在SSD模型的主干网络中嵌入感受野增强模块,扩大特征层的感受野,以获取更多小目标的特征信息;然后在主干网络后加入4次U型特征提取结构,构建4个不同层级的特征金字塔,最后合并成一个多层级特征金字塔用于检测。结果表明,该改进SSD模型在KITTI数据集上的检测精度较原始SSD模型提升了6%,检测速度达到了每秒27.9帧。在兼顾检测效率的同时,有效提高了对道路上小目标的检测精度,更适用于自动驾驶领域。     

基于RetinaNet深度学习模型的火焰检测研究

鉴于卷积神经网络能够自动学习和获取图像特征,提出一种基于RetinaNet模型的火焰检测算法.首先RetinaNet在残差网络之上使用特征金字塔网络作为骨干网计算和生成丰富的卷积特征金字塔,然后通过分类子网络和边框预测子网络分别对骨干网的输出进行分类和回归,通过调整训练策略和参数,最后在自建数据集上使用该算法得到的火焰检测模型实现了实时的端到端火焰识别与定位,对复杂目标背景下的小火点检测也保持较高的检测准确率,对火灾初期的检测预警有一定的实用意义.     

基于空洞卷积和特征融合的单阶段目标检测算法

针对SSD多尺度目标检测过程中存在的目标漏检和错检问题,提出了一种融入多维空洞卷积和多尺度特征融合的目标检测算法。在卷积神经网络输出的多尺度特征中,浅层具有更多的细节信息,深层具有更多的语义信息,根据这一特点,对浅层网络采用了3种多维空洞卷积的浅层特征增强模块,获得具有语义信息的特征图,将增强后的特征图进行下采样,融合不同层的特征;同时在深层网络引入通道注意力模块,对通道进行权重分配,抑制无用信息,提高目标的检测性能。研究结果表明：该算法在PASCAL VOC数据集上检测精度为79.7%,比SSD算法提高了2.4%;在KITTI数据集上检测精度为68.5%,比SSD算法提高了5.1%,检测速度达到了实时性的要求,有效地改善了目标的漏检和错检。     

基于改进YOLOv3的交通标志检测

针对交通标志检测小目标数量多、定位困难及检测精度低等问题,本文提出一种基于改进YOLOv3的交通标志检测算法.首先,在网络结构中引入空间金字塔池化模块对3个尺度的预测特征图进行分块池化操作,提取出相同维度的输出,解决多尺度预测中可能出现的信息丢失和尺度不统一问题;然后,加入FI模块对3个尺度特征图进行信息融合,将浅层大特征图中包含的小目标信息添加到深层小特征图中,从而提高小目标检测精度.针对交通标志数据集特点,使用基于GIoU改进的TIoU作为边界框损失函数替换MSE函数,使得边界框回归更加准确;最后,通过k-means++算法对TT100K交通标志数据集进行聚类分析,重新生成尺寸更小的候选框.实验结果表明,本文算法与原始YOLOv3算法相比mAP提升11.1%,且检测每张图片耗时仅增加6.6 ms,仍符合实时检测要求.与其他先进算法相比,本文算法具有更好的检测精度和检测速度.     

目标边缘特征增强检测算法

针对分组角点检测网络在目标检测过程中,由于目标尺寸过小或同类目标空间距离较小而导致检测失效的问题,提出一种边缘特征增强的CornerNet目标检测算法OEC。该算法通过分离特征的高低频信息提取更多的高频信息,增强目标的边缘轮廓特征,解决关键点定位不准确的问题,提高目标的框定效果,进一步提升检测精度。仿真结果表明,该算法对行人、车辆等目标检测效果均有提高,在COCO数据集上的检测结果与CornerNet相比,mAP提高0.9%,可应用于无人驾驶与智能机器人等场景。     

基于区域生成网络结构的多层特征融合目标检测算法

现有深度学习目标检测算法往往只利用了卷积神经网络(convolutional neural network,CNN)提取的深层特征进行判别,对浅层特征利用不足。为了利用浅层的细节信息来提高最终所提取的特征层信息的丰富性,提出了一种基于区域生成网络(region proposal network,RPN)结构的多层特征融合目标检测算法,该算法通过深度卷积网络获取不同层次的特征,并将浅层特征与深层次特征进行融合来获得更加丰富的提取特征,以提升检测模型的性能。以Image Net上的公开数据voc2007为实验对象,以Faster RCNN为基础的检测框架进行改进,最终改进后的平均精度均值(mean average precision,mAP)相比于Faster RCNN有所提升,表明研究结果提升了目标检测模型的准确度。     

基于YOLOv3的布匹瑕疵检测方法

针对布匹瑕疵差异较大、分布不均匀等问题，在YOLOv3中引入SwinTransformerBlock模块，用自注意力机制专注于有效特征排除无效特征的干扰，解决瑕疵差异大、分布不均等问题.同时用可变形卷积v2替换普通卷积，增大网络的感受野和多尺度建模能力，更好地适应瑕疵的形状和位置变化，从而提高目标检测的准确性和鲁棒性.实验结果表明，改进后算法在mAP上比原算法提高了3.80%，在检测速度上下降了2.86帧每秒.     

基于改进YOLOv5的车辆目标检测研究

针对现有目标检测算法在自动驾驶等领域的车辆目标检测中存在检测精度不高,实时性和鲁棒性较差等问题,本文提出一种基于YOLOv5的车辆目标检测方法.本文在YOLOv5s网络模型框架下,引入一次性聚合（OSA）模块优化主干网络结构,提升网络特征提取能力;并采用非局部注意力机制进行特征增强;同时利用加权非极大值抑制方法实现检测框筛选.实验结果表明,在自制车辆检测数据集上,改进网络模型与原YOLOv5s模型相比,平均准确率均值（mAP）提升3%,不同目标类检测的平均准确率（AP）均得到提升,且检测速度满足实时性要求,对于密集车辆和不同光照条件下均能较好实现车辆目标检测.     

基于改进YOLOv5的O型密封圈缺陷检测方法

针对O型密封圈缺陷难以人工识别的问题,提出一种基于改进YOLOv5的表面缺陷自动检测方法。在数据预处理阶段,采用半自动标注方法减少人工标注成本,同时将拼接图片改为9张以实现Mosaic数据增强方法。在网络预测层引入标签平滑方法以减少模型过度依赖标签。在骨干网络中添加卷积注意力机制模块,强化有效信息,使骨干网络提取更加细致的局部特征信息。同时,针对缺陷类型尺度变化大的特点,引入剪枝的双向特征金字塔网络,以解决大小缺陷在特征提取过程中的丢失问题。实验结果表明,基于改进的YOLOv5与原YOLOv5相比,O型圈表面缺陷检测平均精度均值提高了4.26%,并且检测速度在25 ms之内,能够满足实际生产需要。     

改进YOLOv4的复杂交通场景目标检测方法

针对复杂交通场景下密集小目标居多、目标尺寸差异大、目标间遮挡严重的问题,提出了一种基于YOLOv4框架的复杂交通场景下的目标检测算法。首先,构造多尺度特征融合提取模块作为主干网络特征提取模块,充分提取不同尺度目标特征信息,同时引入轻量化Ghost模块对主干网络特征进行维度调整;其次,将卷积模块与自注意力机制融合,构造倒残差自注意力模块应用到主干网络深层,深层网络在充分提取局部特征信息基础上获得了全局感知;然后,构造轻量级混合注意力模块,抑制背景噪声,增强密集小目标检测能力;最后,在Udacity数据集上进行实验,检测精度达到了84.41%,相比较YOLOv4, mAP(mean average precision)提高了3.07%,对1 920×1 200分辨率图像的检测FPS(frames per second)可达到49,提高了22.5%,精度提升的前提下实现了较好的实时性,更适用于复杂交通场景下的目标检测任务。     

改进YOLOv5的钢材表面缺陷检测算法

针对传统钢材表面缺陷检测方法存在检测效率低、检测精度差等问题,提出一种基于改进YOLOv5的钢材表面缺陷检测算法。首先使用GhostBottleneck结构替换原YOLOv5网络中的C3模块和部分卷积结构,实现网络模型轻量化;其次在Backbone部分引入SE注意力机制,对重要的特征通道进行强化;最后针对数据集特点在网络中增加一个检测层,强化特征提取能力,并在Neck部分增加特征融合结构,使用DW卷积替换部分标准卷积以减少运算量。实验表明,改进的YOLOv5sGSD算法,模型体积减少了10.4%,在测试集上的mAP值为76.8%,相比原YOLOv5s网络提高了3.3%,检测精度和速度也明显高于一些主流算法。相比传统的钢材表面缺陷检测方法,提出的算法能够更加准确、快速地检测出钢材表面缺陷的种类和位置,并且具有较小的模型体积,方便于在移动端的部署。     

基于改进YOLOv3和迁移学习的轻量型补片目标检测

自动三维乳腺超声(Automated 3-D Breast Ultrasound,ABUS)克服传统超声的缺陷，成功应用于对腹壁疝轻量型补片的检查.但人工检阅ABUS超声图像耗时费力，且极易出现漏诊等问题.因此，文章提出一种基于改进YOLOv3和迁移学习的目标检测算法以辅助医生提高审阅速度和准确性.基于原有的YOLOv3模型，在检测层前增加空间金字塔池化(Spatial Pyramid Pooling,SPP)模块实现局部特征与全局特征的融合，丰富特征图的表达，解决了检测图像中小目标难以检测的问题；在网络训练中，采用迁移学习的策略进行训练网络以克服轻量型补片图像数据集有限的问题，提升网络的鲁棒性减少过拟合产生.实验结果表明，YOLOv3-SPP算法结合迁移学习训练方式，其平均精度均值(mean Average Precision,mAP)达到90.15%，图像检测速度为33.2 f·s^-1，可有效辅助医生提高审阅效率.