基于YOLO网络系统的材料缺陷目标检测方法研究

基于图像的传统材料缺陷目标检测技术存在检测精度低,检测速度慢等问题。卷积神经网络(CNN)的出现很大程度上改善了上述问题,但是大多数的CNN都是基于候选区域方法来对目标进行定位,这样虽然能够提高检测的精度,但是对于实时检测系统而言,受硬件条件限制,检测速度难以满足工业实时检测要求。针对这一问题,本文提出了一种基于YOLO网络系统的材料缺陷目标检测算法来提高检测速度,利用YOLO网络把整张图像作为输入,直接在输出层回归目标边界框的位置和其类别,不再需要候选区域生成步骤,但是这样会对精度有所损失,所以最后本文对YOLO网络系统进行优化,利用DenseNet网络的优点,结合神经网络前面特征层的信息,在不影响检测速度的同时,保证材料缺陷目标检测的精度。     

多尺度特征融合车辆检测方法

针对传统的车辆目标检测算法检测精度低,小尺度目标识别效果差等问题,提出了一种基于YOLOv4(you only look once v4)算法的目标检测方法,以提升对交通场景小目标车辆的检测性能。通过对YOLOv4网络进行再设计,使用MobileNetv2深度可分离卷积模块代替传统卷积,将CBAM(convolutional block attention module)注意力模块融合到特征提取网络中,在保证模型检测精度的同时减少模型参数。采用PANet-D特征融合网络融合获取到4个尺度特征图深浅层的语义信息,增强对小目标物体的检测能力。通过使用Focal loss优化分类损失函数,加快网络模型的收敛速度。实验结果表明,改进后的网络识别准确率达到96.55%,网络模型大小较原YOLOv4网络降低了92.49 M,同时检测速度比原网络提升了17%,充分证明了本算法的可行性。     

基于深浅层特征融合的舰船要害关键点检测算法

导引头对舰船要害部位的精确检测能力是精确制导武器的核心技术之一。针对导引头对舰船要害部位检测精度低、模型参数冗余、相对运动导致舰船图像尺度、角度变化剧烈等问题, 提出了基于深浅层特征融合的舰船要害关键点检测算法。首先，采用多尺度特征融合模块融合不同感受野的有效信息; 其次，利用SoftPool池化改善下采样导致的信息损失, 利于区分相似关键点; 然后，引入深度可分离卷积降低参数冗余, 结合轻量化注意力机制增强有效特征表达; 最后，利用在线难例挖掘改善样本不均衡, 提升收敛效果。改进后的舰船要害关键点检测算法准确率提升4.4%, 算法兼具检测精度与速度优势, 鲁棒性较好。     

基于深度学习的轻量化目标检测算法

深度卷积神经网络在各个领域都表现出很好的效果, 与之伴随的是庞大的计算量和参数量。针对当前基于深度卷积神经网络的目标检测算法对计算资源需求太大和内存消耗严重的问题, 提出一种高性能轻量化的网络模型。首先将Stem模块和ShuffleNet V2进行融合, 提升网络特征提取能力, 并利用融合后的网络对原始YOLOv5的骨干网络进行重构, 显著降低了网络的计算量和内存占用, 同时, 引入可变形卷积以提升网络的检测性能。道路监控图像和VOC、COCO数据集测试结果表明, 所提出的模型在保持检测精度的前提下, 将参数量和模型尺寸降低了90%, 计算量仅为原始模型的18%, 实现了检测模型的轻量化, 更有助于在计算资源有限和对实时性要求高的场景中部署。     

基于感知向量的光学遥感图像舰船检测

针对光学遥感图像中近岸舰船目标检测干扰大、虚警率高的问题, 在基于包围框边缘感知向量(box boundary-aware vectors, BBAVectors)检测网络的基础上提出了改进方法。首先在特征融合网络后加入一个有监督的注意力模块来增强目标区域信息, 削弱无关背景信息干扰; 然后利用边界感知向量间的几何关系设计了一个自监督损失函数, 用以加强向量间的耦合关系, 防止向量独立性导致包围框出现不规则形状。实验结果显示, 在HRSC2016数据集L₂级检测任务中, 改进模型检测结果的平均精度相较于原网络提高了6.91%, 有效抑制了背景噪声的干扰, 降低了近岸舰船目标检测的虚警率, 证明了改进方法的有效性。     

基于全局感知机制的地面红外目标检测方法

针对地面场景下的红外目标检测易受复杂背景干扰、检测精度不高、易发生误检和漏检的问题, 以车辆红外特征为研究对象, 提出了基于全局感知机制的红外目标检测方法。在以Darknet-53为主干网络的基础上, 结合具有全局信息融合的空间金字塔池化机制, 在增大模型感受域的同时增强了模型的全局信息感知力和抗干扰能力; 设计了平滑焦点损失函数, 解决了图像内因目标相互影响而导致的检测精度不高、易出现误检、漏检等问题。实验表明, 在Infrared-VOC320数据集上, 该算法的平均检测精度为80.1%, 较YOLOv3提高了4.4%, 检测速度达到了56.4 FPS, 有效提高了复杂背景下红外目标的检测精度, 实现了对红外目标的实时检测。     

基于CenterNet的多教师联合知识蒸馏

介绍了一种基于轻量化CenterNet的多教师联合知识蒸馏方案。所提方案能有效解决模型轻量化带来的性能恶化问题,可以显著缩小教师模型和学生模型之间的性能差距。将大规模复杂模型作为教师模型,指导训练轻量化学生模型。相比于模型的传统训练方案,使用所提知识蒸馏训练方案可以在相同的训练轮数后使轻量化模型达到更优的检测性能。主要贡献是提出了适用于CenterNet目标检测网络的新型知识蒸馏训练方案——多教师联合知识蒸馏。在后续实验中,进一步引入了蒸馏注意力机制,从而优化了多教师联合知识蒸馏的训练效果。在VOC2007数据集(Visual Object Classes 2007 Dataset)上,以MobileNetV2轻量化网络作为主干网络为例,相较于传统的CenterNet(主干网络为ResNet50),所提方案在参数量指标上压缩了74.7%,推理速度提升了70.5%,在平均精度上只有1.99的降低,取得了更好的“性能-速度”平衡。实验证明,同样经过100轮训练,使用多教师联合知识蒸馏训练方案的轻量化模型相较于普通训练方案,平均精度提升了11.30。     

尺度自适应的多模型压缩跟踪算法

为了对复杂环境中的目标进行长时间的精确跟踪,在压缩跟踪算法的基础上提出一种尺度自适应的多模型压缩跟踪算法。该算法首先利用离线学习获得目标的尺度约束集,建立目标的多尺度模型,实现尺度的自适应选择;其次,利用随机投影矩阵对多尺度图像特征进行降维,减少算法计算量;最后,利用多模型分类器在线学习训练朴素贝叶斯分类器实现目标跟踪。实验结果表明,本文算法在跟踪尺度变化的目标和外观变化的目标时,跟踪性能有了较大改善,虽然处理时间有一定程度的增加但仍满足实时性的要求。     

一种轻量化实时人体姿势检测模型研究与应用

传统的OpenPose模型在人体姿势检测方面精度较好但速度较慢。为了在保证检测精度的前提下加快检测速度、缩小模型,在传统OpenPose模型基础上,使用添加二阶项融合的残差网络提取底层特征,再通过L1范数权值对训练后的模型进行权值修剪,提出了改进型OpenPose模型。实验结果表明,在检测精度大致等同原模型情况下,模型大小缩小至约8%,参数减少近83%,检测速度提升约5倍。将改进的OpenPose模型应用到仰卧起坐体育健康测试中,结果表明该模型对仰卧起坐动作检测精度达到97%。     

基于人眼视点图的特征融合小目标检测算法

针对目前深度学习小目标检测算法在实际应用中存在的漏检率高、精度低等问题,提出了一种基于人眼视点图的特征融合小目标检测算法。基于多类别单阶检测器(single shot multibox detection, SSD)算法通过不同扩张率的空洞卷积融合,在基础网络上获得具有类似人眼感受野的浅层特征层;对附加网络中的特征层进行信息融合,合并上下文信息,增加位置信息和全局语义信息,从而提升小目标检测精度。通过PASCAL VOC 2007数据集验证,结果表明,该算法较传统SSD算法检测精度提升了3.7%,较改进的小目标检测算法Bi-SSD精度提升了0.8%,验证了选择更有表征能力的特征层是有效提升小目标检测精度的方法。     

基于卷积神经网络的小型建筑物检测算法

针对基于传统卷积神经网络的建筑物目标检测算法对于小型建筑物检测准确率低的问题, 提出一种基于Mask-区域卷积神经网络(Mask-region convoluional neural networks, Mask-RCNN)模型的小目标检测算法模型。该模型对Mask-RCNN模型中的特征提取网络进行了改进, 设计了一种带有注意力机制的多尺度组卷积神经网络, 有效解决了小目标有用特征较少且易被背景特征和噪声干扰的问题。航拍图像实验结果表明, 改进的检测模型使小型建筑物目标检测准确率较原始Mask-RCNN模型提升了28.9%, 达到了0.663。并且整体检测准确率达到了0.843, 有效提升了航拍建筑物检测准确性。     

基于多维特征参数的装备状态评估方法

针对利用多维状态特征参数进行状态评估时存在的信息冗余和赋权难度大的问题,运用自组织特征映射网络（self-organizing feature map, SOM）的无监督聚类能力,对状态特征参数进行离散化处理;利用粗糙集属性约简算法剔除冗余特征参数;采用变尺度混沌优化算法对特征参数的权重进行优化。案例分析表明,该方法解决了状态评估多维参数权重的优化问题,提高了状态评估的准确性。     

基于YOLOv5的舰船目标及关键部位检测算法

为进一步提升对可见光图像中水面舰船目标的检测识别成功率,提出一种基于YOLOv5的舰船目标识别算法。使用基于随机池化方法的空间金字塔池化网络,运用双向特征金字塔网络进行多尺度特征融合,采用指数线性单元函数作为激活函数加快网络训练收敛速度,提升算法鲁棒性,从而实现了对水面舰船目标和舰船关键部位的快速准确识别。通过在舰船目标及其关键部位数据集上实验验证,对比多个经典目标检测方法,在识别准确率上均有不同程度提升,对比原YOLOv5s模型,平均精度均值提升3.03%,速度提升2 FPS,模型保持了YOLOv5轻量化的特点,在应用部署上有良好前景。     

复杂背景下SAR图像近岸舰船目标检测

针对合成孔径雷达(synthetic aperture radar, SAR)图像近岸舰船目标易受背景杂波的影响, 造成SAR图像近岸舰船目标检测检测率低、虚警率和漏检率高的问题，提出一种适用于复杂背景下SAR图像近岸舰船目标检测的DFF-Yolov5(deformable feature fusion you only look once 5)算法。构建了一个专门用于SAR图像复杂背景近岸舰船目标检测的数据集, 基于Yolov5目标检测算法, 在特征提取网络中进行特征细化和多特征融合两个方面的改进。在特征提取网络中利用可变形卷积神经网络改变卷积对目标采样点的位置, 增强目标的特征提取能力, 提高复杂背景下SAR图像舰船目标的检测率。在多特征融合网络结构中采用级联和并列金字塔, 进行不同层级的特征融合。同时，使用空洞卷积扩大特征提取的视觉感受野, 增强网络对复杂背景近岸多尺度舰船目标的适应性, 降低复杂背景下SAR图像舰船目标检测的虚警率。通过在构建的复杂背景近岸舰船检测数据集上的测试实验, 结果表明: DFF-Yolov5的平均准确率为85.99%, 相比于原始的Yolov5, 所提方法平均准确率提高了5.09%, 精度提高了1.4%。