改进YOLOv3的桥梁表观病害检测识别

针对基于目标检测方法的桥梁表观病害检测存在检测精度低、误检率和漏检率高的问题,提出一种改进YOLOv3的高准确率桥梁表观病害检测识别方法。为实现局部特征和全局特征有效融合,在YOLOv3的检测层中添加固定分块大小的池化模块,并在YOLOv3的特征提取网络中引入了DenseNet密集型连接网络结构以增强桥梁病害特征在网络中的传播和利用效率,提高检测效率,采用数据增强技术来扩充样本图像以解决现有桥梁病害数据集样本数量不足的问题。实验结果表明,改进后的YOLOv3在桥梁表观病害检测上的平均准确率比原YOLOv3提高了3.0%,且模型训练时间减少了33.2%,同时降低了对桥梁表观病害检测的误检率和漏检率。     

基于改进的YOLOv5安全帽佩戴检测算法

针对安全帽佩戴检测中存在的误检和漏检的问题，提出一种基于YOLOv5模型改进的安全帽佩戴检测算法。改进模型引入多尺度加权特征融合网络，即在YOLOv5的网络结构中增加一个浅层检测尺度，并引入特征权重进行加权融合，构成新的四尺检测结构，有效地提升图像浅层特征的提取及融合能力；在YOLOv5的Neck网络的BottleneckCSP结构中加入SENet模块，使模型更多地关注目标信息忽略背景信息；针对大分辨率的图像，添加图像切割层，避免多倍下采样造成的小目标特征信息大量丢失。对YOLOv5模型进行改进之后，通过自制的安全帽数据集进行训练检测，mAP和召回率分别达到97.06%、92.54%,与YOLOv5相比较分别提升了4.74%和4.31%。实验结果表明：改进的YOLOv5算法可有效提升安全帽佩戴的检测性能，能够准确识别施工人员的安全帽佩戴情况，从而大大降低施工现场的安全风险。     

基于改进YOLOv4颈部优化网络的安全帽佩戴检测方法

针对安全帽佩戴检测时易受复杂背景干扰，解决YOLOv4网络检测速度慢、内存消耗大、计算复杂度高、对硬件性能要求较高等问题，引入改进YOLOv4算法优化安全帽佩戴检测方法。引入MobileNet网络轻量化YOLOv4、跨越模块特征融合，实现高层语义特征和低层语义特征有效融合。针对图像中小目标分辨率低，信息特征少，多尺度并存，导致在连续卷积过程中易丢失特征信息等问题，采用改进特征金字塔FPN和注意力机制等颈部优化策略聚焦目标信息，弱化安全帽检测时背景信息的干扰。仿真结果表明，基于改进的YOLOv4颈部优化网络安全帽佩戴检测算法在CPU平台下的检测速度为34.28 FPS，是基础YOLOv4网络的16倍，检测精度提升了4.21%，检测速度与检测精度达到平衡。     

一种改进的单步多框目标检测算法

针对单步多框目标检测算法(SSD)中存在的误检、漏检以及检测精度不够高等问题,提出了一种改进的SSD目标检测算法。该算法通过空洞卷积替换conv4_3卷积层及之前的两次标准卷积,扩大感受野,使用反卷积对不同尺度的特征图进行融合,使融合形成的特征图具有丰富的上下文信息,最后为特征图添加注意力模型,有效提取感兴趣区域的特征。仿真实验结果表明,改进算法在VOC2007数据集上较原算法检测精度提升0.9%,检测结果更加准确,一定程度上改善了误检、漏检等问题,同时仍满足实时性的要求。     

改进的YOLOv4肺结节检测算法

针对目标检测YOLOv4算法在肺结节检测中存在的小目标漏检和肺结节位置失真等问题,设计了一种改进的YOLOv4肺结节检测算法.在原始YOLOv4网络的基础上,将特征融合网络的上采样过程替换为双线性插值法,并采用张量堆叠的方法使顶层的语义信息与底层的位置信息形成更高通道的特征张量.实验结果表明,与原始的YOLOv4算法相比,改进的YOLOv4算法在公开数据集LUAN16上的平均精确度与预测速度分别提高了4.54%和28.1%,可视化结节位置表达更精准.     

基于改进YOLOv4的车辆目标检测算法

针对公路上高速行驶的车辆检测常常存在错检、漏检的问题,对YOLOv4算法进行改进优化．首先,将CSPDarknet53-tiny作为主干特征提取网络,并对网络中的ResBolck＿body模块中的残差边与GhostModule模块结合代替原始特征网络CSPDarknet53,从而简化网络结构,同时提高其检测精度;然后,将原算法中的SPPNet模块结构替换为ASPPNet,增大网络感受野,降低参数计算量,使模型能够在保持精准度的同时更加轻量化;最后,将注意力机制模块SENet结构嵌入特征金字塔PANet的两个不同位置,使其可对不同重要程度的特征进行相应处理．在BDD100K数据集实验中,原YOLOv4算法训练后得到的模型的平均精度(AP)为88.27%,改进优化后的YOLOv4模型AP为90.96%,改进后的YOLOv4算法相比原算法AP提高了2.69%．在实际真实场景数据集实验中,改进优化后的YOLOv4算法比原算法AP提高了3.31%．实验结果表明,本文提出的方法可以有效提高YOLOv4算法对车辆目标检测的精度．     

基于改进YOLOv5的绝缘子缺陷检测算法

绝缘子缺陷检测是电网巡检过程中重要的一环,为提高绝缘子缺陷检测的精度,该文提出一种基于改进YOLOv5算法的绝缘子缺陷检测算法——YOLOv5t,能够在保证网络运行速度的条件下,提升网络的检测精度.该算法在YOLOv5s的基础上,将三重注意力机制(triplet attention)添加到骨干网络中,给予每个特征通道不同的权重,以提高网络的检测精度;并采用CIoU Loss作为网络回归损失的损失函数,提升网络的收敛速度;同时将Soft-NMS作为网络的预测结果处理方法,降低网络的漏检率.YOLOv5t与几种常用的缺陷检测网络的对比实验结果表明,YOLOv5t的准确率达到97.2%,召回率达到98%,平均精度均值达到99.1%,较YOLOv5s算法分别提升了0.9%、5.1%和2.1%,并且检测速度没有受到影响.     

密集行人检测方法研究

针对现有行人检测算法面对遮挡、尺度不一等问题表现出来漏检率和误检率高的情况,提出一种基于改进YOLOv5的密集行人检测方法Improved-YOLOv5.采用改进BIFPN网络替换原有PANet,增强特征融合网络对于特征信息的利用率和对于小尺度行人的关注度.采用EIoU Loss替换原有CIoU Loss,提高模型的回归精度和收敛速度.提出一种新的后处理算法T-NMS,通过增加一个额外的阈值,提高模型对于密集场景下行人密度的区分能力,并在模型开销增加不大的前提下降低了漏检率.实验结果表明,在Citypersons数据集上,所提密集行人检测方法Improved-YOLOv5相比原YOLOv5算法在不同程度遮挡的子集上检测效果均有明显提升,尤其是高遮挡Heavy子集的MR^-2降低了4.2%,达到53.1%,表明改进方法在密集行人检测中具有较好的性能.     

基于改进YOLOv3的道路目标检测

针对YOLOv3在道路目标检测中漏检率高和检测精度低的问题,提出一种基于改进YOLOv3的道路目标检测方法 。通过将原有YOLOv3的3个特征尺度增至4个,从而提升了对于小目标的检测准确率。使用CIoU损失函数提高模型的准确性,利用K-Means++聚类算法对道路目标重新聚类,得到新的候选框。在BDD100K数据集上的验证结果 表明,改进的YOLOv3算法在降低漏检率和提高检测精度方面效果较好。     

TB-MYOLO：融合MLP与YOLOv5的双分支网络船舶目标检测方法

针对复杂场景下可见光卫星遥感影像的多类别船舶目标检测中易产生误检、漏检的问题,基于YOLOv5算法改进,提出了一种融合MLP的双分支网络船舶目标检测方法TB-MYOLO.该算法通过引入分支网络作为辅助以增强小目标的特征表达能力,分支网络只负责关注小目标物体的学习,携带更多的浅层位置信息.将分支网络学习到的小目标特征向量与主干网络学习到的小目标特征向量相融合,使小目标特征在网络中占有更大的比重,以此增强模型对目标位置的特征学习能力.同时使用MLP模块代替原始YOLOv5的SPPF模块,利用MLP的特征长依赖性的特点对深层网络的特征向量进行筛选加权,突出重点信息,避免了池化层带来的信息损失.实验结果表明,相比原始YOLOv5算法,改进后的TB-MYOLO算法显著提升了小目标类别的召回率和定位精度.对于复杂场景下可见光卫星遥感影像的多类别船舶目标检测,平均准确率mAP50达到了80.8%,相比原始YOLOv5、Retinanet和Faster R-CNN算法、改进后的TB-MYOLO算法,分别提升了2.4%、24.5%和28.1%.     

基于改进YOLOv5s的指针式水表读数检测

针对光照不均匀和水表表盘雾化的指针式水表在读数检测时出现漏检、误检等问题,本文提出一种基于改进YOLOv5s的指针式水表读数检测方法。首先,采用Mosaic,Mixup等数据增强方法,提高模型的泛化能力;其次,引入BiFPN模块(Bilateral Feature Pyramid Network)实现更高层次的特征融合,使得水表图像的深层特征图和浅层特征图充分融合,提高网络的表达能力;然后,嵌入CBAM注意力机制模块（Convolutional Block Attention Module）,在通道和空间双重维度上强化指针式水表子表盘示数特征;最后将CIoU-Loss函数(Complete Intersection over Union Loss)替换为SIoU_Loss,提升边界框的回归精度。改进算法的mAP@0.5达到97.8%,比YOLOv5s原始网络提升了3.2%。实验结果表明：该算法能有效提高指针式水表的读数检测精度。     

改进YOLOv5s算法在非机动车头盔佩戴检测中的应用

针对现有非机动车头盔佩戴检测算法在车流密集场景中存在漏检,对佩戴其他帽子存在误检的问题,提出一种改进YOLOv5s(you only look once version5)的头盔佩戴检测算法YOLOv5s-BC。首先,采用软池化替换特征金字塔池化结构中的最大池化层,以放大更大强度的特征激活;其次,将坐标注意力机制和加权双向特征金字塔网络结合,搭建一种高效的双向跨尺度连接的加权特征聚合网络,以增强不同层级之间的信息传播;最后,用EIoU损失函数优化边框回归,精确目标定位。实验结果表明：在自制头盔数据集上,改进后的算法的平均精度(mAP)可达98.4%,比原算法提高了6.3%,推理速度达到58.69帧/s,整体性能优于其他主流算法,可满足交通道路环境下头盔佩戴检测的准确率和实时性要求。     

基于YOLOv5s-FCS的钢材表面缺陷检测

针对传统钢材表面缺陷检测方法易出现误检、漏检和部分缺陷种类检测精度低等问题,本文设计了一种钢材表面缺陷网络YOLOv5s-FCS。首先本文引用了FReLU激活函数构建了卷积模块CBF,有效增强了网络的空间解析能力,优化了网络检测精度;其次,本文将坐标注意力机制嵌入到网络的neck部分来增强网络特征融合的能力,从而使网络能够提取更加丰富的特征信息;最后,将YOLOv5s的损失函数替换为SIoU loss,提高了预测框的回归精度。通过在NEU-DET数据集上进行消融实验、可视化对比实验,结果表明,YOLOv5s-FCS网络的mAP值达到了0.747,相较于原YOLOv5s网络提高了8.3%,相较于YOLOv3网络提高了11.8%,相较于YOLOXs网络提高了4.2%,相较于YOLOv6s提高了1.4%,验证了该方法的可行性、有效性。     

基于改进YOLOv5的安全帽佩戴检测算法

针对现有的安全帽佩戴检测算法难以有效地检测小目标、重叠和遮挡目标的错检、漏检等问题,提出了一种基于改进YOLOv5的安全帽佩戴检测算法。首先,在主干网络增加了一层有效特征提取层更容易检测小目标,同时对颈部原有的特征金字塔结构进行改进,使特征融合得到加强,提升了对小目标检测的准确性;其次,在主干网络中引入了有效通道注意力机制模块(ECA-Net),更容易获取小目标的关键信息,增强了模型对小目标检测的性能;最后,引入CIOU-NMS替换NMS使得网络既考虑到预测框和真实框之间的重叠面积,还考虑到两个框之间的中心点的距离和宽高比,解决了对重叠和遮挡目标的错检、漏检问题。实验结果证明,改进后的算法平均检测精度(MAP)达到了97.2%,较原始YOLOv5算法提升了3.8%,满足施工场景下对安全帽佩戴检测准确率的要求。     

基于多光谱通道注意力和双向特征融合的乳腺肿块检测

乳腺钼靶X线摄影是诊断乳腺疾病的有效手段,计算机辅助诊断系统在乳腺肿块检测中起着重要作用,针对检测过程中易出现漏检、误检导致精度不理想的情况,提出了一种改进的RetinaNet乳腺肿块检测算法.首先,在RetinaNet的基础上对特征提取部分进行改进,在每个残差块中引入多光谱通道注意力机制,使网络能更加关注到目标区域;然后,在特征融合部分,以两种不同方式添加一条自底向上的路径,并通过横向连接最终实现深浅层特征的双向融合,加快浅层信息流通,使得到的特征信息更加丰富.实验表明：改进后的算法在乳腺钼靶图像的肿块检测中具有良好的检测效果,既减少了漏检率,平均精度也提升了3.2%,并且相比其他出色的检测算法,也具有一定的优势.     

基于YOLO v5l-Im的排水管道缺陷检测方法及效果分析

针对YOLO v5l算法对于小目标、少样本且背景复杂的排水管道缺陷图像检测的精度低、误检和漏检率较高等问题,提出一种基于改进YOLO v5l算法的排水管道缺陷检测方法。做了三点改进：首先提出了基于Focal EIoU的损失函数,有效提升了检测模型的性能;其次为增强检测模型对小目标缺陷的检测效果,减少缺陷误检和漏检的概率,将骨干网络中浅层特征图融合到BiFPN特征融合网络中,增加针对小目标的预测层;最后在YOLO v5l中引入CA注意力模块,提高模型对图像中感兴趣区域的敏感程度,减少冗余背景信息的干扰。三种改进对平均准确度 mAP 值的提升分别为2.0、2.9、5.9 个百分点。将三种有效改进融合到一起,检测结果表明：本文提出的改进YOLO v5l模型的mAP值达到了92.1%,较原模型的85.5%提升了6.5个百分点。由此可见,所做的改进有效增强了YOLO v5l对排水管道缺陷的检测能力。     

改进的YOLOv5-ResNet相似目标检测方法

针对在相似目标检测问题中,以YOLOv5为代表的一步法漏检错检率高、以Faster R-CNN为代表的两步法检测速度慢的问题,提出了一种改进的YOLOv5-ResNet相似目标检测网络模型。该模型以YOLOv5框架为基础,借鉴了两步法的优点。在边框生成方面,改进了特征融合结构,强化了模型的特征提取能力,降低了总体漏检、误检率。在类别预测方面,引入了SE模块(squeeze and excitation module),在通道方向上施加注意力机制,降低网络检测时的计算量,并保持了较高的准确率。在斯坦福宠物狗数据集和自制音符卡片数据集上的实验结果表明,本文提出的相似目标快速检测模型不仅在识别精度方面略高于Faster R-CNN,而在速度方面仅次于YOLOv5,检测帧率约为YOLOv5的72%,能够满足相似目标检测的实时需要。     

R-YOLO轨道人员目标检测模型

针对现有铁路人员入侵识别准确率不高、实时性较差的问题，在YOLOv4模型的基础上提出一种R-YOLO轨道人员目标检测模型。首先，用轻量级骨干网络ResNet50代替原有的CSPDarknet53网络，利用深度可分离卷积替代PANet中的标准卷积，减少网络层数以及模型体积，加快模型的识别速度。其次，在加强特征提取网络的3个特征层分别加入有效通道注意力模块，采用K-means++聚类算法重新对数据集进行聚类和分析，提高目标检测模型的精度；在模型训练方面，采用迁移学习和混合数据集联合训练，解决人员识别精度不理想以及误检漏检等问题。最后，利用R-YOLO轨道人员目标检测模型对真实铁路人员入侵数据集进行测试。结果表明，R-YOLO模型在真实铁路人员入侵数据集上的平均识别精度达到了92.12%,较传统YOLOv4算法高出1.89%,帧速率由38.74 f·s^-1提升到47.73 f·s^-1。R-YOLO模型部分解决了铁路入侵人员误检漏检问题，提高了铁路人员入侵识别的实时性和准确率，为铁路安全运行提供了保障。     

基于改进YOLOv4的行人检测算法

针对YOLOv4算法在行人检测中精度低,实时性差的问题,提出一种基于YOLOv4的改进算法。首先将MobileNetv2作为主干网络,在减少参数量的同时保证其特征提取能力,同时在MobileNetv2中加入Bottom-up连接,减少浅层信息的丢失;然后在特征融合网络嵌入卷积模块的注意力机制模块(convolutional block attention module, CBAM)注意力机制,增强特征的表现力;最后在分类与回归网络中加入Inception结构,进一步提高检测速度和增加网络复杂度。结果表明：在VOC数据集上,改进算法比原算法检测效果更佳,实时性更好,其精度提高了2.87%,处理速度提升了29.52 FPS;同时在真实场景下构建的数据集上,改进后的算法比YOLOv4精度提高了2.13%,具有较好的鲁棒性。     

基于深度学习的公路路面病害检测算法

针对公路路面病害图像存在背景干扰多、病害信息弱、尺度差异大等问题,提出了一种基于深度学习的公路路面病害检测方法。以YOLOv4算法为基础,在检测网络中引入可变形卷积,并提出基于路径聚合网络(path aggregation network, PANet)的自适应空间特征融合结构,充分学习公路路面病害的细节特征,实现不同尺度特征信息的高效融合;采用平均准确率损失(average precision loss, AP-loss)函数作为分类损失函数,促使网络在训练过程中更加注重于正样本。实验表明,在公路路面病害检测中,改进YOLOv4算法的平均准确率达到了95.34%,每张图像的平均检测时间为0.071 s。与快速基于区域的卷积神经网络(faster region-based convolutional neural networks, Faster R-CNN)算法相比,所提出的算法在持有较高检测准确率的同时,减少了运算时间,可以满足公路路面病害检测的准确性与实时性需求。