基于FF R-CNN钢材表面缺陷检测算法

针对深度学习算法检测钢材表面缺陷时,结构信息减少导致检测精度低的问题,提出一种特征融合和级联检测网络的Faster R-CNN钢材表面缺陷检测算法。首先利用主干网络提取特征图,通过融合特征图的方式,达到减少结构信息丢失的目的;进一步将生成的特征图输入RPN网络生成区域建议框;最后利用检测网络对区域建议框进行分类与回归,通过级联2个检测网络,实现精确检测结果的目标。对模型进行对比性实验分析,找出检测精度最优的算法模型。在NEU-DET数据集上对提出的算法进行了检验,主干网络采用VGG-16比采用Resnet-50的检测精度提高了2.40%;通过融合特征,检测精度提高了11.86%;通过检测网络的级联,检测精度提高了2.37%.通过对算法模型的不断改进和优化,检测精度达到了98.29%.与传统的钢材表面检测方法相比,改进算法能够更准确地检测出钢材表面缺陷的种类和位置,提升对钢材表面缺陷的检测精度。     

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。     

基于深度学习的轻量级道路障碍检测算法

道路障碍检测是智慧交通和无人驾驶的重要组成部分。针对道路障碍检算法的参数量过大、占用内存过多、难以在内存和算力有限的设备中使用等问题,本文提出一种轻量级的道路障碍检测算法。在YOLO v4的基础上,使用MobilenetV3作为模型的主干网络,减少模型参数,提高检测速度;改进模型中的PAN结构,将主干网络中更浅层的特征图提取融合,改善小目标检测不佳的问题;在特征融合部分加入ECA注意力机制提升网络整体精度;提出一个新的DBR模块,使网络整体相比之前更加轻便。使用改进后的模型在自制数据集中进行检测,与Mobilenetv3-YOLO v4相比,精度提升5.24%,参数量降低35.5%,F达43.8,满足实时应用的技术要求,表明模型可以嵌入到小型移动设备,达到良好的实时效果。     

基于改进Yolov5的遥感光伏检测算法

针对遥感光伏图像分辨率高、环境噪声较大以及背景复杂等问题,提出了一种改进Yolov5目标检测模型,以实现对光伏电厂的定位。首先,在主干特征提取网络的卷积层中添加CA(Coordinate Attention)坐标注意力机制提高网络特征的学习能力;其次,将Ghostconv网络结构加入到Backbone中,用Ghostconv网络模块替换Conv网络模块;设计新的GhostC3网络代替原来的C3网络模块,提高模型的学习效率;最后,将损失函数由GIoU＿Loss函数改为SIoU＿Loss函数。实验结果表明,相比原Yolov5方法,改进算法的平均精度均值mAP、精准率和召回率分别达到了97.5%、98.9%和94.9%,提升了1.8%、1.7%和5.8%,验证了该算法对光伏检测具有很好的效果。     

G-YOLO:基于改进YOLOv5的嵌入式小目标缺陷检测算法

针对人工检测缺陷模式或YOLOv5等深度学习算法对工业产品的缺陷检测存在识别准确率低、模型参数规模大等问题,提出一种对微小缺陷端到端检测的嵌入式算法G-YOLO.该算法使用卷积核为3和卷积核为1的双层卷积FConv模块,改善了原单层卷积带来的参数量较大的问题;改进的轻量级跨阶段GSP模块融合坐标注意力机制用于主干网络中能够利用冗余信息实现廉价的线性操作和聚焦缺陷信息来增强特征,以提高网络对缺陷特征的提取能力;去除原YOLOv5的颈部模块,减少网络的参数量和提升网络检测速度.结果表明,G-YOLO嵌入式算法减少了模型大小,改善了缺陷检测的效果,较好地满足轻量化嵌入式模型的要求.     

基于改进YOLOv5的钢轨表面缺陷检测

针对钢轨表面缺陷检测效率较低及抗干扰能力较差的问题,提出一种基于改进YOLOv5的钢轨表面缺陷检测算法.首先,采用图像增强操作对采集到的钢轨表面图像进行预处理,减轻高光、异物等噪声对检测效果的影响.其次,将多头自注意力层嵌入YOLOv5骨干网络末端,并为缺陷特征引入全局依赖关系,提升模型对密集缺陷的检测效果.最后,构建跨层加权级联结构,将浅层信息融入到深层网络中,使网络对缺陷边界的回归更为精准.实验结果表明：本文的钢轨表面缺陷检测算法对裂纹、剥落、磨损3类表面缺陷检测的平均精度均值达到98.2%,每秒帧数（Frames Per Second, FPS）达到77帧/s,能够在不同的环境条件中实现对缺陷的精准检测,比其他某些同类算法拥有更高的鲁棒性、准确性和实时性.     

基于改进YOLOv4的轻量化目标检测方法

针对检测模型参数量大,难以在嵌入式设备上部署等问题,设计了一种改进的YOLOv4目标检测算法.该算法使用轻量化的MobileNetV1替换CSPDarketnet53主干特征提取网络,并将后续网络中的3×3卷积替换为深度可分离卷积,极大地减少了模型的参数量;在检测头加入NAM注意力模块,增强网络对细节信息的提取能力;采用SDIoU Loss作为边框回归损失,在加快收敛速度的同时提高了检测精度.实验表明：与YOLOv4-CSPDarknet53相比,改进算法在PASCAL VOC07+12数据集上训练出来的模型大小为47.19 M,约为原来的五分之一,FPS提升了40(f/s),mAP提升了2.4%.与YOLOv4-Tiny、YOLOv5s、YOLOv7等目标检测算法相比,具有兼顾检测速度与精度的特点.     

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.     

基于CR-RFPR101的钢板表面缺陷检测

针对钢板表面缺陷种类多、背景复杂、检测精度低等问题,文章首先对钢板表面缺陷数据集进行数据增强,并对原始Cascade区域卷积神经网络(region-basedconvolutional neural netwroks, R-CNN)算法进行改进,将ResNeXt-101-64×4d作为Cascade R-CNN算法的骨干网络,优化特征提取模块,利用递归特征金字塔(recursive feature pyramid, RFP)网络以反馈连接的方式进行特征优化,提出一种CR-RFPR101(Cascade R-CNN RFP ResNeXt-101-64×4d)的检测算法,以更好地保留细节和语义信息;同时使用可切换的空洞卷积替换主干网络的卷积层,以改变感受野的方式提高检测性能;最后使用引入软化非极大值抑制算法,保留有效信息,提高识别率。经实验验证,CR-RFPR101算法的检测率为83.4%,比原Cascade R-CNN算法提高了7.3%,满足了钢板表面缺陷检测要求。     

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(convolution...     

基于MM YOLOv4的无人机目标检测算法

针对当前无人机目标图像检测方法精度较低和检测速度过慢的问题,提出一种结合轻量级网络和改进多尺度结构的目标检测算法。首先采用MobileNetV3轻量级网络替换YOLOv4的主干网络,减少模型复杂度,提升检测速度;其次,引入改进多尺度结构的PANet网络,增强高维图像特征和低维定位特征的流动叠加,提升对小目标的分类和定位精度;最后,利用K means方法对目标锚框进行参数优化,提升检测效率。同时结合公开数据集和自主拍摄方式构建一个新的无人机目标图像数据集Drone dataset,并基于数据增强的方法开展算法性能实验。实验结果表明,该算法的mAP达到了91.58%,FPS达到了55帧/s,参数量为44.39 M仅是YOLOv4算法的1/6,优于主流的SSD、YOLO系列算法和Faster R CNN算法,实现了对多尺度无人机目标的快速检测。     

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．     

面向胃息肉检测的深度学习神经网络优化

胃镜检查是发现胃息肉的主要方法。传统的人工检查方式存在准确率低,易漏诊、误诊的情况。本文提出了一种基于深度学习的YOLOv5-SE胃息肉检测网络。该网络在目标检测算法YOLOv5的基础上进行了改进,引入注意力机制,将SE Block加入到主干网络的最后一层,增强网络的特征提取能力。改进后的YOLOv5-SE胃息肉检测网络的平均精度均值(mAP)达到了94.5%,相比原网络提高了3.1%,推理速度达到67fps,在满足实时性要求下较好地完成了胃息肉检测的要求。YOLOv5-SE胃息肉检测网络具有在实时性、自动检测的精度和速度等方面有一定提升,对促进胃息肉的自动检测有重要意义。     

基于YOLO v5的工人玩手机行为检测方法研究

为规范工人生产行为、减少安全事故发生,提出一种监控工人使用手机行为检测算法.该算法以YOLO v5模型为基础,对其网络结构和损失函数进行改进.首先,优化主干网络,将ConvNeXt Block和SPP结构引入浅层网络增加浅层特征的提取;然后,在主干网络与特征聚合网络之间构建CBAM注意力机制层,过滤冗余信息;最后,选取EIoU损失函数代替GIoU损失函数,提高模型收敛速度与检测结果的定位精度.通过自建工人使用手机行为数据集,分别对YOLO v5原模型、改进模型以及主流模型进行对比.试验结果表明,在人体和手机目标检测中,改进模型有更好的检测精度和检测速度.     

改进YOLOX在行人目标检测中的应用研究

针对现有算法在行人目标检测中存在精度低、速度慢、算法鲁棒性有限的问题，提出了一种基于深度神经网络目标检测算法YOLOX-L改进的行人目标检测算法YOLOX-H.使用改进型的主干特征提取网络HarDNet85替换原有的CSPDarkNet53,新的主干特征提取网络相较于原有的网络具有更强的特征提取能力以及更快的速度，同时提升了网络检测较大目标的能力.在HarDNet85卷积神经网络中引入了Softplus激活函数提升算法的检测精度，构建了CityPersons、PRW、ETHZ和MOT17多场景的联合数据集，以提升网络对于行人目标检测的鲁棒性.在联合数据集上的实验表明：YOLOX-H相比于YOLOX-L,每秒检测帧数(FPS)提高了32.95%,检测精度提高了3.1%,大目标检测精度提高了6.9%.     

基于DCGAN和改进YOLOv5s的桥梁表面缺陷检测识别

针对人工检测桥梁表面缺陷存在精度低、速度慢和漏检率高等问题,该文提出了基于深度卷积生成式对抗网络(deep convolutional generative adversarial networks,DCGAN)和改进YOLOv5s的桥梁表面缺陷检测识别模型.首先,通过DCGAN网络对自主采集的桥梁表面缺陷图像进行数据增强,建立每类缺陷样本数量较为均衡的数据集; 其次,在YOLOv5s模型基础上嵌入CBAM注意力机制模块,使模型将注意力集中于缺陷区域,从而提升图像分类的准确率; 最后,为验证所提方法的适用性,将包含4类桥梁表面缺陷的数据集进行训练与测试.实验结果表明:该文提出的模型在桥梁表面缺陷检测上的准确率为92%,相比其他深度学习模型具有更高的检测精度和鲁棒性.     

通航机场场面运动目标检测方法

针对传统YOLOv3（you only look once-v3）算法目标检测精度较低、收敛速度较慢等问题,提出了一种改进的YOLOv3算法,分别对主干网络和损失函数进行了改进。采用迁移和冻结相结合的训练方法,以提升目标检测的精确度和速度。基于改进的YOLOv3算法对西南某通航机场3种不同场景下的运动目标检测效果进行了对比分析。结果表明,改进的YOLOv3算法对正常天气场景下的场面运动目标检测效果要明显优于雾天和雨天场景,对飞机目标的检测效果明显优于车辆和行人目标;3类目标的检测精度、召回率、平均精度值(mean average precision,mAP)分别达到92.96％、80.51％、91.96％,GPU处理速度为74f/s,较传统YOLOv3算法和YOLOv4算法性能均有明显提升。     

基于改进YOLOv5的铝型材表面缺陷检测方法

针对铝型材表面缺陷不同类别尺寸差别较大,导致检测效果较差的情况,本文提出一种基于改进YOLOv5的铝型材表面缺陷检测算法。首先,在网络中嵌入CA(coordinate attention)注意力机制模块,使网络更好地抑制图像中无效样本的干扰,更多聚焦于有用信息;其次,在原有检测层上增加一个小目标检测层,获取和传递更为丰富且更具判别性的小目标特征,以解决对小目标缺陷检测精度低的问题,提高整体检测精度;最后,引入SIoU损失函数,用边界框回归之间的向量角度来重新定义损失函数,在有效减少总自由度损失的同时提高推理精度。将改进算法应用到天池铝型材数据集中进行验证,实验结果表明：该模型能有效识别铝型材表面不同种类的缺陷,较原YOLOv5算法mAP提高11.4个百分点,检测速度达到66.4 frame/s,能够满足目前铝型材工厂生产现场缺陷检测要求。     

基于改进YOLOv5算法的轨面缺陷检测

为提高轨面巡检的效率和精度,本文提出了一种基于YOLOv5算法的轨面缺陷检测算法.首先对YOLOv5的特征提取网络结构进行轻量化改进,并引入注意力机制对特征图的不同通道进行权衡.同时,针对轨面缺陷目标较小的情况修改了检测输出层结构.实验结果表明,算法在参数减少了1/3的基础上精确率提升了15.7%,达85.1%;检测速度提升了5 fps,达到了43.7 fps的实时检测速度.改进后的YOLOv5检测算法满足轨面缺陷精准检测和定位任务要求,为高速高精度的轨面检测提供了一定的理论基础,具有一定的工程应用价值.