基于 YOLOv5s 的轻量化森林火灾检测算法研究

针对过去无人机搭载嵌入式设备巡检森林火灾精确率低、适应性差和软硬件限制高等问题,提 出一种基于 YOLOv5s 的轻量化森林火灾目标检测算法。通过将 YOLOv5s 的骨干网络替换为轻量化网络 Shufflenetv2,并以通道重组的思想,让骨干网络对图片信息的提取效率变得更快,在保持网络精度的同时保证 检测速度;接着在 Backbone 与 Neck 的连接处加入为轻量化网络设计的 CA 位置注意力模块,可将图片不同的 位置信息聚合到通道中,使被检对象关注度得以提高;最后在预测部分使用 CIOU 损失函数,能够更好的优化 矩形框的长宽比和更快加速模型收敛。算法部署在嵌入式系统 Jetson Xavier NX 上的结果显示,改进后的网络 模型大小与对比实验方法相比,最多减少了 98%,准确率(Precision)达到 92.6%,精确率(AP)达到 95.3%,帧率 (FPS)提升到 132 帧每秒,能满足在白天、黑夜或视野良好等情况下对森林火灾的实时性预防与检测,并具有 良好的准确率和鲁棒性。     

融合注意力机制的无锚点森林火灾检测算法

森林火灾、野火是一个重大的自然灾害问题,每年全球各地植被都会受到严重的破坏。为了提高森林火灾的防控精度,针对传统方法具有火灾背景复杂、准确率低、效率低等问题,本文提出一种基于CenterNet的森林火灾检测算法。CenterNet作为一种无锚的方法,将目标定义为一个点,通过关键点估计定位目标的中心点,可以有效避免小目标的漏检。同时基于高效深层特征提取网络ResNet50,融合ECA模块以抑制无用信息,增加模型的特征提取能力。在公开森林火灾数据集上进行实验表明,与其他算法相比,本文提出的森林火灾检测算法误检率低,识别精度达到92.39%,F1值为0.86,Recall值为79.75%,FPS为43.31。本文提出的方法检测精度高,可满足实时检测森林火灾和实施精准施救的要求。     

无人机森林火灾监测中火情检测方法研究

本文将无人机遥感的高清可见光图像用于森林火灾的监测,监测过程包括森林火灾检测、火灾区域分割、特征提取、火灾识别。首先,选择RGB颜色空间进行森林火灾的检测,在大幅减少单张图像的计算量的同时,也排除了大部分无火图像。其次,选择HSV颜色空间完成图像分割,得到完整性较好的火灾区域。最后基于灰度共生矩阵和火灾区域边缘图像提取了火灾区域的多维特征,并用支持向量机完成了火灾识别过程。本文算法对森林火灾的检测率可达到87.7%,识别率达到89.2%,表明该算法用于森林火灾监测效果较好。     

改进R-FCN模型的小尺度行人检测

目的 为了有效解决传统行人检测算法在分辨率低、行人尺寸较小等情境下检测精度低的问题,将基于区域全卷积网络（region-based fully convolutional networks,R-FCN）的目标检测算法引入到行人检测中,提出一种改进R-FCN模型的小尺度行人检测算法。方法 为了使特征提取更加准确,在ResNet-101的conv5阶段中嵌入可变形卷积层,扩大特征图的感受野;为提高小尺寸行人检测精度,在ResNet-101中增加另一条检测路径,对不同尺寸大小的特征图进行感兴趣区域池化;为解决小尺寸行人检测中的误检问题,利用自举策略的非极大值抑制算法代替传统的非极大值抑制算法。结果 在基准数据集Caltech上进行评估,实验表明,改进的R-FCN算法与具有代表性的单阶段检测器（single shot multiBox detector,SSD）算法和两阶段检测器中的Faster R-CNN（region convolutional neural network）算法相比,检测精度分别提高了3.29%和2.78%;在相同ResNet-101基础网络下,检测精度比原始R-FCN算法提高了12.10%。结论 本文提出的改进R-FCN模型,使小尺寸行人检测精度更加准确。相比原始模型,改进的R-FCN模型对行人检测的精确率和召回率有更好的平衡能力,在保证精确率的同时,具有更大的召回率。     

改进YOLOV3的火灾检测方法

针对传统火灾探测器检测范围有限,传统火灾检测算法精度不高、检测时间长等问题,提出一种基于改进YOLOV3的火灾检测方法YOLOV3-IMP。在YOLOV3网络结构上进行改进,包含对特征提取网络改进和多尺度检测改进,提高对浅层特征的学习能力;通过改进的K-means聚类算法生成出初始先验框;通过改进的损失函数提高对小火灾区域的检测能力;在输出火灾检测图像之前采用Softer-NMS算法,提高对重叠区域的检测能力。实验结果表明,改进的算法准确率和召回率为91.6%,83.2%,[mAP]高达84.5%,检测速度可达0.28?s,可以满足火灾检测的实时性和准确性,能够实现有效的火灾检测。     

基于CVAE-CatBoost的工业控制网络异常流量检测研究

为解决工业控制网络异常流量检测中存在的数据分布不均衡、现有模型检测率低的问题，提出一种基于条件变分自编码器（CVAE）和CatBoost算法的异常流量检测模型。CVAE引入标签信息作为约束条件，控制生成样本的类别。CatBoost算法通过引入无偏估计克服梯度偏差，提高预测的准确性，同时采用多种树的生长方式降低过拟合的风险。使用CVAE进行数据增强，扩充稀有攻击样本，构建分布均匀的平衡数据集。将CatBoost算法作为异常流量检测模型，对Dos、Fuzzers等攻击样本进行精确识别并输出分类结果。实验结果表明：在UNSW-NB15数据集上，利用CVAE进行数据增强后，CatBoost算法对少数类样本的F1值平均提升了25.16个百分点，整体精确率、召回率和F1值分别达到87.85%、87.87%和87.86%；在ZYELL＿NCTU NetTraffic＿1.0数据集上，利用CVAE进行数据增强后，CatBoost算法对少数类样本的F1值平均提升了16.32%，整体精确率、召回率和F1值均达到99.85%。该模型能够有效避免数据不均衡问题，相较K近邻、随机森林、卷积神经网络等机器学习和深...     

基于随机森林的无人机检测方法

随着低成本小型无人机的普及带来了一系列的严重问题并且难以监管。并且,由于环境物体的扰动、摄像机的抖动及采样噪声等因素导致现有方法在可见光图像下对无人机等小目标检测准确率低。针对上述问题,提出了一种基于随机森林的无人机检测方法。该方法采集可见光下的图像序列,使用混合高斯模型和聚类检测算法检测图像中的运动小目标,继而通过随机森林算法融合目标的多种特征进行目标的判别,最终得到检测目标。实验结果表明,该方法可有效地检测出无人机运动小目标并大幅提高检测的精确率。     

基于随机森林的网络入侵检测方法

为了提高网络安全水平,及时对网络攻击进行主动检测,提出了一种基于随机森林的网络入侵检测模型。该模型能够对大流量攻击进行分布式检测,且检测算法在引入了两个随机性后,即可降低网络流量内不同属性特征字段的噪声,并消除关联性,以便更为便捷、迅速地对攻击进行主动检测。将经典的Adaboost组合多分类器方法与提出的算法在检测率、正确率、精确率三个方面进行对比,体现了该算法的优越性,为大数据时代下网络安全提供了更好的保护。     

基于YOLOv3的雾天场景行人车辆检测方法研究

针对智能驾驶中动态目标检测易受雾天等恶劣天气影响,以及原始YOLOv3目标检测算法应用于行人车辆检测时精度低、定位准确率低及漏检率高等问题,提出一种基于改进YOLOv3和数据增强的雾天行人车辆检测方法。首先,以Cityscapes数据集为基础,通过大气散射模型及清晰图片的深度信息人工生成3种浓度的FoggyCityscapes,用以扩充样本数量。其次,通过改进K-means聚类算法生成适用于检测车辆与行人的先验框,同时,使用软非极大值抑制(softnon-maximumsuppression,Soft-NMS)优化对重叠目标的检测,进一步提高模型检测精度。实验结果表明,相较于原模型,该方法在3种浓度的FoggyCityscapes数据集上的平均精度均值(meanaverageprecision,m AP)分别提高了7.73%、13.22%和21.51%,能够快速准确地检测雾天场景的行人和车辆目标。     

面向网络入侵检测的GAN-SDAE-RF模型研究

针对传统机器学习方法在处理不平衡的海量高维数据时罕见攻击类检测率低的问题,提出了一种基于深度学习的随机森林算法的入侵检测模型,为了避免传统的随机森林面对高维数据和不平衡数据时分类精度低、稳定性差和对罕见攻击类检测率低的问题,引入生成式对抗网络（GAN）和栈式降噪自编码器（SDAE）对随机森林算法（RF）进行改进。将罕见攻击类数据集输入GAN神经网络中,生成新的攻击类样本,改善网络入侵数据在样本集中不均衡分布的情况,通过堆叠深层的SDAE逐层抽取网络数据的分布规则,并结合各个编码层的系数惩罚和重构误差,来确定高维数据中与入侵行为相关的特征,基于降维后的特征数据构建森林决策树。采用UNSW-NB15数据集的实验结果表明,与SVM、KNN、CNN、LSTM、DBN方法相比,GAN-SDAE-RF整体检测准确率平均提高了9.39%、误报率和漏报率平均降低了9%和15.24%以及在少数类Analysis、Shellcode、Backdoor、Worms上检测率分别提高了26.8%、27.98%、27.85%、39.97%。     

基于改进DeeplabV3+模型的云检测

国产卫星影像数量的快速增长对国产影像的质量控制的精度和效率提出更高的要求，而云检测是遥感影像质量检测的首要问题。针对现有云检测的深度学习模型存在误判、漏判和训练需要花费大量时间的问题，研制一套云检测算法具有重要意义。文章提出了一种基于改进DeeplabV3+模型的云检测方法，通过对Xception网络和空间金字塔池化模块(atrous spatial pyramid pooling, ASPP)进行改进，并加入迁移学习，进而提高模型的精度和效率。分析结果表明，该改进的云检测模型与传统的DeeplabV3+模型相比，准确率提高了3.34%,精确率提高了3.78%,召回率提高了4.47%,平均交并比提高了5.39%,且训练时长和预测时长也有明显的减少。     

基于改进FOA-SVM的火灾图像识别模型研究

火灾是常见的破坏性极大的自然灾害。为了更好地预防火灾,减少财产损失和人员伤亡,针对人为选择SVM参数具有盲目性,对其分类能力影响较大,提出基于改进FOA-SVM的火灾图像识别模型。通过引入逻辑函数对果蝇算法的搜索步长进行改进,利用改进果蝇算法优化支持向量机搜索得到最佳模型参数。将火灾图像提取特征量作为该识别模型的输入样本训练和识别火灾图像,结合实例并将该模型的识别结果与SVM模型及其他算法的识别结果进行对比。实验结果表明,该模型提高了火灾图像识别的准确率,在火灾检测方面具有一定的实际应用价值。     

雾霾图像增强算法对目标检测性能影响研究

针对雾霾环境下目标检测率低,容易造成交通事故等问题,提出了基于图像增强的动态双阈值算法。该算法针对雾霾天气下,传统的检测算法目标检测率低、虚警率高等问题,利用大气散射模型及联合双边滤波算法首先对原始雾霾图像的增强处理,然后再进行目标检测。分别使用动态双阈值、基于均值滤波的动态双阈值、基于直方图均衡化的动态双阈值、基于拉普拉斯算子的动态双阈值目标检测算法对不同程度雾霾环境下的实拍车辆运动视频进行目标检测,并用11097组图像数据对比分析改进算法的最佳检测率、最差检测率、平均检测率和虚警率。实验结果表明,改进算法目标检测率高、虚警率低,有助于减少交通事故,更加适用于雾霾环境下图像目标检测。     

多因子判定与渗流模型相结合的裂缝检测算法

针对传统的基于渗流模型的裂缝检测算法效率过低且检测结果易存在断裂的问题，提出一种多因子判定与渗流模型相结合的裂缝检测算法。首先，提出了一种改进的渗流加速算法，通过减少大量参与渗流处理的冗余像素点，提高渗流处理效率；然后，对提取到的渗流点进行渗流处理；最后，提出了一种结合裂缝走向的多因子判定连接算法，算法通过四个判定因子对裂缝连接的合理性进行分析，以提高裂缝连接的准确性。对背景中存在不同干扰物的不同形态裂缝图像进行实验，与传统渗流模型检测算法以及原渗流加速-骨架连接算法相比，所提算法中渗流点数量分别平均减少了99.7%与38.1%，精确率分别平均提高了60.5%与6.4%，召回率分别平均提高了10.5%与4.0%。实验结果表明，所提算法能够明显提高渗流处理效率，同时提高裂缝检测的准确性。     

基于改进非广延熵特征提取的双随机森林实时入侵检测方法

在网络骨干链路的高速、大数据量环境下,相对于正常数据,攻击及异常数据相对较少,进行实时入侵检测难度大。针对此问题,提出了一种基于改进非广延熵特征提取和双随机森林的实时入侵检测方法。利用非广延熵,提取出流量属性取值分布的多维特征,通过对非广延熵的改进来降低特征间的相关性。使用完整的特征样本集建立第一个随机森林检测模型,使用包含攻击数据的特征样本子集建立第二个随机森林检测模型,通过双随机森林检测算法实现对少量异常的有效检测。实验结果表明,该方法能够在有限流量信息的基础上获得较高的检测精确率和召回率,其时间和空间复杂度适当,适合于对骨干链路的实时入侵检测。     

基于改进的YOLOv3口罩佩戴检测和识别

新冠疫情仍在全球肆虐,佩戴口罩可以有效阻断新冠病毒传播,口罩佩戴检测系统能及时提醒公共场所活动的人佩戴口罩。针对该问题及小尺度目标检测困难的问题,提出了一种基于YOLOv3改进的网络模型Face_mask Net用于口罩佩戴检测。由于YOLOv3算法训练的网络模型对小目标检测率低,IoU值相同时不能反映预测框和目标框是否相交,以及传统NMS对于遮挡经常产生错误抑制情况,Face_mask Net改进了残差块和神经网络结构,引入SPP模块和CSPNet网络模块,并采用DIoU作为损失函数,DIoU-NMS算法作为分类器。实验结果表明,Face_mask Net可以有效提高目标检测准确率,AP75下的平均准确率为58.05%,相比由YOLOv3算法训练的网络模型提高了4.11%。     

基于WOA-XGBoost模型的网络入侵检测

网络入侵检测系统(NIDS)是检测网络攻击和维护网络安全的关键技术之一,是网络安全领域中的重要研究方向;近年来,研究者利用机器学习算法来完成入侵检测任务并取得了很好的成果,但检测效率和精确率有待进一步提升;在对鲸鱼优化算法(WOA)和极限梯度提升算法(XGBoost)的特点进行实验和对比分析的基础上,提出了WOA-XGBoost模型,首先构建基于XGBoost的分类模型,然后利用WOA算法自适应搜索XGBoost的最优参数,最后基于NSL-KDD数据集评估所提出WOA-XGBoost模型的性能;实验结果表明,该模型在分类精确率、准确率、召回率和AP指标方面均优于其他模型如XGBoost、随机森林、Adaboost和LightGBM;该工作也为群体智能优化算法在网络入侵检测中的应用提供了依据。     

基于YOLOv5的矿井火灾视频图像智能识别方法

针对煤矿井下光照分布不均匀造成视频图像失真,火灾识别精度低等问题,提出了一种矿井火灾视频图像智能识别方法。该方法以YOLOv5为识别模型,采用K-means算法对传统的暗通道图像去雾算法进行改进,并用改进算法对采集的火焰图像进行去雾处理,提高矿井火灾视频图像识别精度;为减少静态背景对火灾识别的影响,采用帧差法与混合高斯模型融合算法,对动态演化的火焰图像进行特征提取,并采用形态学处理算法消除图像中存在的缺口,从而得到更加完整的火焰目标图像;对火灾视频图像数据集进行标注,并输入到YOLOv5算法模型进行训练及测试。结果表明:基于YOLOv5的矿井火灾视频图像智能识别方法平均精度为92%,损失函数为0.6,比传统算法Alexnet,VGG16,Inceptionv3的平均精度分别高9.6%,13.5%,4.9%,表明该方法检测速度快、精度高,可有效提高矿井火灾识别准确率。     

改进YOLOv3的火灾检测

针对火灾检测中小目标检测率低、复杂场景下检测精度低和检测不及时等问题, 提出了一种改进YOLOv3的火灾检测算法. 首先, 通过改进的K-means聚类算法重新获取更符合火焰和烟雾尺寸的anchor; 其次在Darknet-53后添加空间金字塔池化, 提升了网络的感受野进而增强了网络对小尺度目标的检测能力; 然后通过CIoU改进损失函数, 在计算坐标误差时考虑中心和宽高坐标两者的相关性, 加快了损失函数的收敛; 最后使用mosaic数据增强丰富了待检测物体的背景. 在自制的数据集上训练并测试, 实验结果表明: 改进后的算法比YOLOv3火焰的AP从94%提升至98%, 烟雾的AP从82%提升至94%, 平均检测速度从31 fps提升至43 fps, 相比Faster R-CNN、SDD等算法也有更高的mAP和更快的检测速度. 因此, 改进后的算法能够更有效地进行火灾预警.     

基于改进RetinaNet的多类焊接缺陷X射线图像检测模型

针对X射线图像利用RetinaNet模型进行多类焊接缺陷检测时,因焊件内部缺陷尺寸小、缺陷数据集分布不均等特点导致检测精确率较低的问题,提出一种基于改进RetinaNet的多类焊接缺陷X射线图像检测模型。首先,采用K-means算法对焊接缺陷数据集中的标注尺寸进行聚类分析并用于设计模型的锚框尺寸;然后针对训练过程中固定阈值导致模型引入低质量的训练正样本而使模型检测精确率降低的问题,使用自适应正负样本选择算法改善模型的正负样本选择方式;接着使用包含了Res2Net模块的ResNet网络模型用以增强主干网络的特征提取能力;最后使用注意力模块对特征金子塔网络的输出特征图进行处理,通过此方法让模型关注特征图中的缺陷特征。实验结果表明改进模型与RetinaNet模型相比可将多类焊接缺陷检测的召回率和准确率提升9.4和2.9个百分点,且改进模型在多类焊接缺陷检测的精确率方面高于YOLOv3和快速区域卷积神经网络（Faster-RCNN）模型。实验结果验证了基于改进RetinaNet的多类焊接缺陷X射线图像检测模型的有效性和先进性。