基于改进YOLOv4的路面裂缝检测研究

目前对路面裂缝的检测效率低下且费用昂贵。针对这一问题,提出一种改进YOLOv4的路面裂缝目标检测模型。首先,将MobileNetv2作为主干网络并将其他普通卷积用深度可分离卷积代替;其次,将坐标注意力机制与空间注意力机制分别植入Backbone和Neck部分。试验结果表明：改进模型在进一步提升了对路面裂缝检测精度的同时检测速度大幅度提升,FPS可达到61.48帧/s,同时mPA达到了67.26%,比原模型有较大提升。     

基于改进YOLOv5s的车辆检测研究

【目的】针对目标检测算法在车辆检测领域中应用时存在模型复杂、检测精度较低的问题,基于改进YOLOv5s算法开展车辆检测研究。【方法】以Ghost模块来替换YOLOv5s中的主干网络,以达到模型剪枝的目的,改进后的网络模型复杂度有所降低,从而解决了网络模型较大的问题。同时,可引入挤压—激励注意力机制来提取更重要的特征信息,达到提高检测精度的目的。本研究所用到的数据集均为汽车图像,车辆检测数据集共有12 786张图片,将该数据集按照8∶1∶1的比例进行划分。其中,训练集为10 228张,测试集和验证集均为1 279张,采用对比试验法进行研究。【结果】试验结果表明,与原有的YOLOv5s相比,改进后的网络模型在车辆检测数据集上的平均准确率均值提升3%,查准率和召回率分别提升1.9%和3.2%,模型大小下降42%。【结论】改进后的网络模型有效降低了模型的复杂度,提高了检测精度,并节约成本。     

基于YOLOv5s改进的口罩佩戴检测算法

由于新型冠状病毒肺炎的爆发，口罩成为人们日常生活中必需品。为了识别与检测人们是否佩戴口罩，提出了一种基于改进的YOLOv5s口罩佩戴检测算法。通过在YOLOv5s主干网络引入改进的自适应的协调注意力机制模块(Coordinate attention-activate or not, CA-A)提升网络的特征提取能力，解决了错误检测和漏检的问题。以新的损失函数AD-CIoU代替CIoU损失函数，作为回归损失函数，提升了边界框的定位精确度。实验表明，与原始模型算法相比，所提出的模型算法平均精度mAP值达到96.1%,提升了1.7%,具有较好的检测精度，可以满足目标检测应用需求。     

基于深度学习的金属表面缺陷检测

由于金属产品生产过程中各种因素的影响,金属工件可能会存在一些表面缺陷．这会降低材料强度,缩短工件寿命,并且增加安全风险．因此,需要对金属产品表面进行质量检测,这也是保证工业生产质量的关键环节．与传统人工检测相比,基于机器视觉的表面缺陷检测方法具有速度快、精度高等优点．提出了一种改进的YOLOv5算法,用于金属表面缺陷检测研究,在原YOLOv5算法的基础上将空间金字塔池化结构SPP替换成SPPCSPC,提高模型对金属表面缺陷的检测能力．为了验证算法的有效性,分别采用YOLOv3,YOLOv4,YOLOv5及改进的YOLOv5算法对1 800张金属表面缺陷样本图像进行对比测试．结果表明,与YOLOv3,YOLOv4,YOLOv5原算法相比,改进的YOLOv5算法平均目标检测精度均值分别提高了4.3%,3.3%,2%．通过大量图片的学习,可以获得更好的精确率．     

基于工程环境背景下安全帽佩戴检测算法研究

针对当前安全帽佩戴检测算法存在结构复杂、鲁棒性差等问题,提出一种借助改进后的YOLOv3算法进行安全帽佩戴检测.利用包含通道注意力机制的SE-ResNeXt残差结构,替换YOLOv3模型中Darknet53网络的残差结构,在不加深网络结构的情况下,利用通道注意力机制,捕获特征有用信息,达到提高特征表示能力的目的.再利用...     

基于改进的YOLO v3的遥感图像目标检测

为了实现对遥感图像目标检测，对YOLO v3算法特征提取网络进行了改进。采用复制主干网络的方法，搭建辅助网络，使网络能够提取到更多的特征。为了使主干网络和辅助网络所提取的特征整合到一起，采用挤压激励(Squeeze and excitation, SE)注意力机制模块进行连接并使用DOTA数据集进行验证，以准确率等评价指标来评价改进网络的性能。实验结果表明，检测的能力在改进后有着明显的提升，比原始的YOLO v3算法准确率提高了8.68%,在检测精度上有所提升。     

基于知识蒸馏的轻量型浮游植物检测网络

当前基于卷积神经网络的目标检测框架已成为主流,使用深层的特征提取网络可以达到很好的目标检测效果,但带来的大量的参数和计算开销使这些算法难以应用到对存储空间和参数量有一定限制的嵌入式设备中.为此,该文提出将知识蒸馏方法用于目标检测网络的特征提取网络,以提升浅层特征提取网络的性能,在降低模型的计算量和规模的同时尽可能地保证模型的性能.实验结果表明,经过蒸馏的浅层网络作为特征提取网络的检测精度比没有经过教师指导的网络精度提高了11.7%.与此同时,该文构建的浮游植物目标检测数据集不仅可以评估一些最先进的目标检测算法的性能,也有利于未来浮游植物显微视觉技术的发展.     

基于Mask-YOLO的复杂场景口罩佩戴检测

针对公共场所口罩佩戴检测存在遮挡、密集和小尺度的情况而导致检测精度不高的问题,以实时目标检测算法YOLOv3为基础提出一种Mask-YOLO算法.首先在特征融合过程中引入通道注意力机制以突出重要特征,减少了融合后冗余特征的影响,有效提高了特征利用率;然后以完全交并比(complete intersection over...     

基于改进的YOLO v3的遥感图像目标检测

为了实现对遥感图像目标检测，对YOLO v3算法特征提取网络进行了改进。采用复制主干网络的方法，搭建辅助网络，使网络能够提取到更多的特征。为了使主干网络和辅助网络所提取的特征整合到一起，采用挤压激励(Squeeze and excitation, SE)注意力机制模块进行连接并使用DOTA数据集进行验证，以准确率等评价指标来评价改进网络的性能。实验结果表明，检测的能力在改进后有着明显的提升，比原始的YOLO v3算法准确率提高了8.68%,在检测精度上有所提升。     

应用掩码区域卷积神经网络的文本检测模型

要：提出一种基于掩码区域卷积神经网络的文本检测模型。首先从扩大模型感受野并尽可能保持模型效率的角度出发，针对残差神经网络中的瓶颈结构进行优化，构建基于结构优化的残差神经网络（residual network based on structural optimization, ResNetSO）；然后去除冗余特征以提高融合后特征质量，并将空间注意力机制应用于特征金字塔网络，构建了基于下层特征指导的特征金字塔网络（feature pyramid network based on lower feature guidance,FPNetLFG）。在两个公开数据集上的实验结果表明：包含ResNetSO和FPNetLFG两个模块的模型应用在级联区域卷积神经网络、递归特征金字塔和可切换空洞卷积的目标检测模型中，分别可以带来0.8%和0.3%左右的F1值提升，从而说明了该方法的有效性和普遍适用性。     

融合音频、文本、表情动作的多模态情感识别

针对机器识别人类情感过程中的精度不高、泛化能力不强等问题,提出了一种基于语音、文本和表情动作的3种模态情感识别融合方法。在语音模态中,设计深度波场延拓和改进波动物理模型,模拟长短期记忆（long short-term memory, LSTM）网络的序列信息挖掘过程;在文本模态中,利用含有多头注意力机制的Transformer模型捕捉语义上潜在的情感表达;在表情动作模态中,将提取面部表情和手部动作的序列特征与双向三层含有注意力机制的LSTM模型相结合。最终提出一种多性能指标下的模态融合方案,以实现高精度的、强泛化能力的情感识别。在通用的交互式情感二元运动捕捉语料库IEMOCAP中,将所提出的方法与现有的情感识别算法进行对比,实验结果表明：所提出的算法在单个模态和多个模态中的识别精度均较高,平均精度改善达到16.4%和10.5%,有效提升了人机交互中情感识别的能力。     

利用深度卷积神经网络算法识别传统篆体书法的应用研究

利用先进的数字化和智能化技术对我国古代文化遗产进行数字化应用和有效保护,以更快捷、更高效的方式解决凭借人力无法解决的问题,具有重要的现实意义。通过研究深度卷积神经网络在书法文字检测识别任务上的应用,设计了一个篆体书法文字检测识别的完整系统,包括数据采集、数据扩充、算法训练与测试和算法模型部署等流程。整个系统以YOLOv4目标检测算法为基础,根据篆体书法图像数据特征对采集得到的数据进行有效地扩充,进行多次训练和验证测试,最终获得了89.7%的平均精度、92.3%的准确率和94.7%的召回率,同时达到45张/s的识别速度;最终将识别检测模型部署至服务器端,并提供了接口供外部调用。实验证明设计的识别系统可以利用深度卷积神经网络自动、快速、准确地对篆体文字进行定位和识别,并且可以方便地调用训练和部署完成的模型。     

一种融合双向LSTM和CNN的混合情感分析模型

针对现有文本情感分析方法实时性不强、难以应用到大规模文本、不能同时提取文本上下文信息和局部语义特征等问题，提出一种融合双向长短期记忆（LSTM）和卷积神经网络（CNN）的混合情感分析模型通过使用双向LSTM和CNN模型对由word2vec编码得到的文本词向量进行训练，运用注意力机制将双向LSTM模型学习到的特征作用于CNN模型上，并进行特征加权，最后将双向LSTM模型和CNN模型得到的结果进行拼接，由分类器得到相应的情感分类结果在NLPCC SCDL数据集上进行实验，结果表明所提出的融合双向LSTM和CNN模型在精度、召回、f1值和准确度方面优于两个单独的模型     

结合transformer多尺度实例交互的稀疏集目标检测

为改进稀疏集目标检测方法存在的特征图缺乏空间细节信息、目标特征没有做到全局上下文实例交互、全局语义信息没有得到充分学习等问题，设计了一种结合自适应特征增强和实例特征交互的稀疏集目标检测算法。自适应特征增强模块在特征提取过程中利用不同尺度的池化和卷积来丰富高级语义信息，减小低级语义信息背景噪声的干扰，降低目标错检率和漏检率。实例特征交互模块在边界框回归设计中结合transformer的多层注意力，并融合通道注意力和动态卷积网络对建议框的通道信息进行增强，改善了目标的边缘信息，提高了网络的实例特征交互效率。最后在COCO2017数据集与原始网络进行实验对比，平均精度提升了4.2%，其中在大目标上提升了4.6%，在PASCAL VOC数据集上提升了2.7%。     

融合自注意力机制与生成对抗网络的DEM空洞填充

针对现有数字高程模型（digital elevation model, DEM）数据空洞填充算法存在修复效果不连续、适用空值范围狭小以及细节重构丢失等问题，提出了一种融合自注意力机制的生成式对抗网络的DEM空洞填充方法。首先，构造自注意力机制提取DEM数据特征信息，改善DEM空洞填充结果高程值不连续和纹理细节缺失的问题。其次，在生成器中使用对称结构的卷积与反卷积网络结构，保证生成可靠度较高的数据以实现空洞区域填充，并利用判别器实现空洞填充结果的预分类。最后，结合重构损失函数进行训练，提升DEM空洞填充结果对异常值的鲁棒性，增强模型的回归能力。采用不同分辨率DEM数据进行空洞填充并与现有方法进行对比，结果表明：所提方法能够大幅提升填充精度，有效解决原始数据中存在的空洞问题。     

基于改进特征融合和区域生成网络的Mask R-CNN的管件分拣研究

针对管件分割任务中各类管件区分难度大，光线和阴影对分割精度存在干扰等问题，提出了一种改进的掩膜区域卷积神经网络（mask region-convolutional neural network,Mask R-CNN）的管件分拣算法。通过增加低层特征图以改进特征融合网络，提高小型管件的识别率；根据管件尺寸比例改进区域生长网络的生成框，以加快模型收敛速度；增加通道和空间注意力模块，提升管件识别精度及掩膜效果。将改进后的Mask R-CNN用于四类管件的分拣任务，实验结果表明，改进后Mask R-CNN的掩膜检测平均精度均值（mean average precision, mAP）和平均召回率（mean recall, mRecall）值分别提高了1.5%和1.7%，对管件位置、类型和尺寸的判别能力更强，能够满足实际生产中机器人分拣管件的精度要求。     

基于深度学习的下井人员安全状态快速检测算法研究

在矿井生产中,作业环境复杂,安全生产风险较大,而传统的人工安全状态检测存在效率较低、漏检率较高等问题.因此,本文提出了基于卷积神经网络的下井人员安全状态快速检测方法.其间使用YOLOv3网络进行安全帽、工作服、工作鞋的多类别目标识别.试验表明,相比于传统人工检测方法,此算法具备更高的检测效率.在试验中,平均精度均值(m...     

基于深度学习的车检图像多目标检测与识别

为了实现快速和自动的车辆外观检测,提出一种基于深度学习的车检图像多目标检测与识别方法。首先,采用轻量级神经网络YOLOv3实现车检图像中车头、轮胎、车牌及三角形标志的检测与识别;其次,采用多任务级联卷积神经网络实现车牌4个关键点定位;再次,利用车牌4个关键点坐标,结合目标车牌图像高宽先验,通过透视变换对车牌进行校正;最后,设计卷积神经网络实现车牌底色分类,同时设计卷积循环神经网络,实现车牌字符识别。实验结果表明,在816×612的车检图像上,该方法中端到端的多目标检测与识别的平均精度达98.03%;为便于在车检场景下应用该模型,利用阿里巴巴推理引擎将模型部署到CPU端,使多目标检测与识别的平均速度达10帧/s,从而满足车检的应用需求。     

基于CBAM-YOLOv3的指针式仪表检测识别方法

针对指针式仪表自动检测和读取示数时背景环境复杂、目标检测性能不足和读取示数误差大等问题,提出了一种基于CBAM-YOLOv3的指针式仪表自动检测和读数的方法。在YOLOv3(You Only Look Once-v3)基础上,引入注意力机制模块CBAM(Convolutional block attention module),通过检测提取表盘区域,根据边界框位置信息剔除绝大部分背景。利用霍夫变换确定指针和表盘位置,采用模板匹配法寻找刻度起始点。以表盘中心为原点建立直角坐标系,根据指针和刻度间的角度关系读取示数。实验结果表明：仪表自动检测精度达到了99.72%,读数平均相对误差为0.44%。该算法具有较高的检测精度和较低的读数误差。     

基于中心点和双重注意力机制的无人机高分辨率图像小目标检测算法

无人机拍摄的图像具有分辨率高、视野大以及目标小的特点,而现有的目标检测方法对小目标特征的提取能力不足。为此,首先采用以中心点表示目标的检测网络CenterNet,引入可变形双重注意力机制,以提高对小目标的特征表达能力;然后针对原始非极大值抑制难以处理嵌套型冗余框的问题,在冗余检测剔除过程中提出了广义非极大值抑制方法;最后引入LegoNet卷积单元,减少了卷积参数,实现了精度与速度的平衡。实验主要采用的验证数据集为VisDrone2019和UAV_OUC,UAV_OUC数据集相比于VisDrone2019,其图片具有更高的分辨率。相比于CenterNet,所提出的方法在数据集UAV_OUC和VisDrone2019上的检测精度大约分别提高了10%和2%。