基于超分辨率重建与多尺度特征融合的 输电线路缺陷检测方法

针对输电线路巡检中可能存在拍摄图像质量不高的问题,以及线路缺陷目标小而分布密集而导致传统方法检测精度不高的问题,提出一种基于超分辨率重建与多尺度特征融合的输电线路缺陷检测方法。首先,使用超分辨率网络对巡检图像进行重建,提升清晰度,丰富图像中包含的特征信息;然后使用改进的YOLOX网络检测巡检图像中的缺陷,在主干网络中嵌入卷积块注意力机制,强化模型对重叠小目标的定位能力;为进一步提升小目标的检测能力,在YOLOX的特征融合网络中新增浅层检测尺度进行特征融合;最后,通过使用CIOU优化边界框损失函数提升模型收敛能力,降低缺陷目标的漏检率。实验结果表明,所提方法能在提升巡检图像质量的基础上对输电线路缺陷准确地检测,精度达到93.27%,相比SSD等经典模型,对小而密集的缺陷目标有着更强的提取能力和鲁棒性。     

基于关键点的遥感图像旋转目标检测

高分辨率的遥感图像与普通图像相比,遥感图像目标具有方向多样性和尺度变化较大等特点。针对遥感图像目标检测问题,提出一种R-CenterNet遥感图像目标检测算法。首先,对CenterNet网络重新设计,在网络结构中加入旋转因子为检测框提供角度信息;其次,增加网络深度,提高网络检测性能;最后,为聚合不同区域的信息,进一步提取目标的多尺度信息,提出一种将目标特征注意力信息与多尺度池化信息相融合的注意力金字塔池化模块。实验结果表明R-CenterNet的检测结果比原始CenterNet提升了8%的平均精度值(mAP),具有更好的检测效果。     

基于改进YOLOX的钢材表面缺陷检测算法

针对工业生产中钢材表面背景复杂导致缺陷检测精度低的问题，本文提出一种基于改进YOLOX的钢材表面缺陷检测算法。首先，引入了Swin Transformer模块来捕获缺陷钢材表面区域全局上下文信息并提取更多差异化特征；其次，采用加权双向特征金字塔网络（BiFPN），能够方便、快速的进行跨尺度特征融合；最后，对原始目标定位损失函数进行改进，建立了一种融合边界框中心位置的CIoU损失函数从而实现目标框高精度定位。实验表明，算法在NEU-DET数据集上的mAP为80.7%，检测精度相较于原始YOLOX-S网络提高了6.2%，同时也明显高于一些其他主流算法，具有较高的准确率和实用性。     

基于改进YOLOX的接触网U型抱箍开口销检测算法

针对高铁接触网的关键零部件U型抱箍开口销由于目标较小难以检测其缺失故障的问题，提出了一种基于YOLOX模型改进的小目标检测方法。根据高铁接触网图像背景较暗、开口销所占图像比例非常小的特点，引入了卷积块注意力机制模块(CBAM)来关注图像重要区域；使用CIOU替换IOU来优化YOLOX的损失函数，更加准确地评估预测框与目标框的匹配程度；设计了SC-PAN(skip connection PAN)结构来增强特征表达能力；构建了MSF-ASPP(multi-scale fusion atrous spatial pyramid pooling)模块，通过不同扩张率的空洞卷积进行多尺度融合，更好地捕捉图像中的语义信息。实验结果表明，改进后的YOLOX算法对U型抱箍定位的精确度达到了94.05%、召回率为97.53%、平均精度均值(mAP)为97.01%,单张检测时间为0.741 s,对开口销的再次定位的精确度高达99%、开口销缺失检测的精确度高达95.45%,其定位以及缺失检测整体效果都有着明显的提升。     

面向密集场景结合TC-YOLOX的小目标检测方法

密集场景下小目标的高效精确检测是目标检测领域的关键问题。为了解决环境的多样性和小目标自身复杂性存在着特征难以提取、检测精度低等问题，提出一种面向密集场景结合TC YOLOX的小目标检测方法。首先，通过在CSPNet中引入Transformer Encode模块，不断更新目标权重实现增强目标特征信息，提高网络的特征提取能力；其次，在特征金字塔网络中增加卷积注意力机制模块，关注重要特征并抑制不必要特征，提高不同尺度目标的检测准确度；然后，采用CIoU代替IoU作为回归损失函数，使得模型训练过程中网络收敛更快，性能更好；最后在PASCAL VOC 2007数据集上验证。实验结果表明，所设计的TC YOLOX模型能够有效的检测出多样化场景中正常、密集、稀疏、黑暗条件下的小目标物体，mAP和检测速度可以达到946%和38 fps，与原始模型相比提升了109%和1 fps，对多种密集场景下的小目标检测任务均具有较好的适用性。     

改进YOLOX的弱光线道路交通标志检测

针对弱光线环境下道路交通标志检测精度不高、漏检、错检等情况，提出了一种改进YOLOX的融合检测算法。该算法引入轻量级Mobile Vi T Block模块，将CNN和Transformer结合，提高了网络对物体局部和全局特征的学习能力；通过添加自适应特征融合金字塔ASFF，对有效特征层进行加权融合，加快了网络训练收敛速度；并采用Focal Loss替换二元交叉熵损失函数，用以解决因样本少导致分类不准确的问题。实验结果表明，相较于YOLOX算法，改进YOLOX算法mAP值提升了2.89%，参数量减少了6.23 M，可视化实验进一步验证了所提算法可以提高检测精度，有效避免因弱光线导致的漏检、错检现象。     

基于深度学习的变电站开关柜图像增强及状态识别方法

针对变电站机器人巡检时存在开关柜的状态识别精度极易受到环境影响，以及小尺寸状态灯误检率高等问题，提出了一种基于融合生成对抗网络和改进的YOLOX的开关柜状态识别方法。首先，基于融合生成对抗网络进行图像增强，对原图进行色彩校正和色彩增强预处理；其次，构建多损失函数用于特征的提取、融合，并增添纹理提取模块，减少训练中预处理算法造成的伪影噪点和细节模糊；再次，基于改进的YOLOX网络进行开关柜状态识别，在解耦头模块融合DAMM双注意力机制，加强YOLOX网络对信息量更大的分支的关注，丰富开关柜状态的特征信息；最后，优化YOLOX网络结构，用轻量级MobileNetV3网络替换原始主干网络CSPDarknet，并保留Focus层，使网络减少参数量和计算量的同时保持良好的特征提取性能。增强算法能有效校正因强光照而失真的状态灯色彩，还原夜晚拍摄反光区域的信息，提高低对比度图像的质量，增强图像色彩鲜明度，峰值信噪比和结构相似性均有提升，与其他算法相比，所提方法的性能更好。改进后的检测算法平均识别精度可以达到94.1%，图片识别速度为4.6 ms/张，表现出较强的泛化性、鲁棒性、准确性和快速性。试验表...     

基于改进YOLOX的地下排水管道缺陷识别算法

CCTV检测技术在地下排水管道缺陷检测被广泛应用,但CCTV收集的缺陷图像需要依赖专业的检测人员进行检测识别,结果具有一定主观性且耗费大量时间。为了实现地下排水管道缺陷检测识别自动化,提出了一种基于改进YOLOX的地下排水管道缺陷识别方法。首先针对数据集过少的问题,通过StyleGAN2对原始图像进行预处理,生成多缺陷图像。其次,为了提高检测精度,对YOLOX的特征融合层进行改进,借鉴空洞空间卷积池化金字塔思想并引入SE注意力机制解决顶层特征仅包含单尺度特征且不与其它特征图进行融合的问题,同时设计了一种基于权重的特征融合模块,解决不同特征层融合带来的特征混叠问题。最后,将YOLOX边界损失函数改为CIOU,提高目标检测框回归的效率。实验结果表明,所提的算法能够很好对沉积、渗漏、树根入侵、裂缝和错口5种缺陷进行识别,mAP达到68.76%,相比原始YOLOX算法提升了1.62%。     

改进型CenterNet的高铁无砟轨道板表面裂缝检测算法

针对传统的高铁无砟轨道板表面裂缝检测方法存在检测精度低、速度慢的问题，提出一种改进型CenterNet的高铁无砟轨道板表面裂缝检测算法。该算法在编解码网络之间加入空洞空间金字塔池化模块(ASPP)，以此扩大特征图的感受野，充分提取不同尺度的上下文信息；然后在特征提取网络中加入多光谱通道注意力模块（MCA），使网络可以更好学习每个通道的权重，捕获图像丰富的输入特征信息；最后使用α IoU损失函数来提高边界框预测的准确度。实验结果表明，本算法平均检测精度(mAP)达到8412%，相比传统算法平均检测精度提升了337%，对于轨道板表面裂缝具有较好的检测效果。     

基于改进YOLOv5s的煤矸石目标检测算法

针对工业场景下煤矸石分拣任务检测精度低、分拣速度慢的问题，提出一种基于改进YOLOv5s的煤矸石目标检测算法。在主干网络的卷积层中加入轻量化注意力机制CBAM，以提升目标在复杂的煤渣环境中的特征表达的能力；其次，改进特征融合层为BIFPN，BIFPN结构进行了双向跨尺度连接和加权融合，以加强煤矸石浅层的特征信息和高层煤矸石位置信息，解决煤矸石颜色、纹理相近难以分类的问题；最后，在原算法DIoU的基础上增加对边界框高宽比考虑，以提升检验框检测的准确率。在工业生产环境中采集的10 000张煤矸石图像作为数据集对所提方法进行实验，实验表明，与改进前的YOLOv5s模型相比，在检测速度基本保持不变的前提下，改进算法平均精度mAP_0.5达到了93.3%，平均检测精度提高了5.1%，实现了对煤矸石进行目标检测的要求。