基于改进YOLOv5s的道路裂缝检测算法

为了解决道路巡检系统光学传感器采集的裂缝图像中颜色特征不明显且尺寸不规则造成检测精度不高、泛化能力不足的问题,提出改进YOLOv5s的裂缝检测算法。将结合深度可分离卷积(Depthwise Separable Convolution, DSC)的全局注意力(Global Attention Mechanism, GAM)引入主干特征提取网络,在降低注意力复杂度的同时获得丰富的跨维度特征,增强了裂缝的识别能力;采用空间金字塔软池化网络(Spatial Pyramid Softpool, SPSF),通过Softpool池化保留多维语义以减少信息弥散,提高了边界框回归的准确性;在颈部特征增强网络,运用空洞深度可分离卷积(Atrous DSC)进行下采样,通过扩大感受野加强深层和浅层信息的聚合能力,提高裂缝识别的泛化性。经过在自制道路裂缝数据集上的实验,相较于YOLOv5s,改进算法的mAP提高2.2%,有效提升了道路裂缝检测的准确性和对不同背景下裂缝识别的泛化能力。     

一种优化的卷积神经网络调制识别算法

针对非合作接收条件下信号的调制识别问题,提出了一种基于循环谱特征和深度卷积神经网络的自动调制分类算法。该算法首先利用二值化、形态学操作等技术对循环谱数据集预处理,提高网络泛化能力;然后将数据集输入到卷积神经网络模型中,经过网络的特征提取实现分类识别。在网络中添加残差块网络增大感受野,提高特征提取能力。采用Dropout、优化函数等技术优化网络结构,防止训练过拟合。仿真结果表示,与传统方法和现有的一些深度学习调制识别方法相比,该算法在低信噪比条件下有更高的准确率,具有明显的抗噪声优势,是一个有效的调制识别算法。     

复杂背景下基于YOLOv7-tiny的图像目标检测算法

“黑飞”无人机一旦带有炸弹等物品,会对人们带来威胁。对在公园、游乐场、学校等复杂背景下“黑飞”的无人机进行目标检测是十分必要的。前沿算法YOLOv7-tiny属于轻量级网络,具有更小的网络结构和参数,更适合检测小目标,但在识别小目标无人机时出现特征提取能力弱、回归损失大、检测精度低的问题;针对此问题,提出了一种基于YOLOv7-tiny改进的无人机图像目标检测算法YOLOv7-drone。首先,建立无人机图像数据集;其次,设计一种新的注意力机制模块SMSE嵌入到特征提取网络中,增强对复杂背景下无人机目标的关注度;然后,在主干网络中融入RFB结构,扩大特征层的感受野,丰富特征信息以增强特征提取的鲁棒性;然后,改进网络中的特征融合机制,通过新增小目标检测层,增加对小尺度目标的检测精度;然后,改变损失函数提高模型的收敛速度,减少损失以增强模型的鲁棒性;最后,引入可变形卷积(Deformable convolution, DCN),更好的根据目标本身形状进行特征提取,提升了检测精度。在PASCAL VOC公共数据集上进行对比实验,结果表明改进后的算法YOLO7-drone相比于YOLOv7-t...     

融合YOLOv5与ASFF算法的海产品目标检测算法研究

针对水下目标检测识别精度低的问题,提出了一种基于改进YOLOv5的水下目标检测方法。通过对比多个注意力机制模块,在YOLOv5骨干网络引入了全局注意力机制模块,增强了特征提取,提高了采集特征的能力,并在YOLOv5模型上融合了自适应空间特征融合算法,实现底层特征与顶层特征融合。验证结果表明,所提算法的识别精度优于原始的YOLOv5算法,平均精度提升了8.5%,检测速度为76帧/秒。     

自适应卷积神经网络在面部表情识别中的应用

针对无法对面部表情进行精确识别的问题,提出了基于ResNet50网络融合双线性混合注意力机制的网络模型。针对传统池化算法造成图像特征提取残缺、模糊等问题,提出了一种基于Average-Pooling算法的自适应池化权重算法,同时基于粒子群算法对卷积神经网络模型超参数进行自适应调节,从而进一步提升模型识别精度。基于改进的网络模型,设计了一款实时面部表情识别系统。经验证,在Fer2013数据集和CK+数据集上,改进的模型在测试集中的识别精度分别为73.51%和99.86%。     

基于轻量级注意机制的人脸检测算法

提出一个新的基于轻量级注意力机制的网络框架。在YOLOv3主干网络的基础上,使用深度卷积和点卷积代替标准卷积设计特征提取网络,加快模型的训练,提高检测的速度,然后引入注意力机制模块进行模型速度和精度的权衡,最后通过增加多尺度提取更多网络层的特征信息,同时使用K-means++聚类算法进一步优化网络参数。实验结果表明,该方法可以显著提高人脸检测模型的性能,在Wider Face数据集上可以达到94.08%的准确率和83.97%的召回率,且平均检测时间只需0.022 s,相比原始YOLOv3算法提高了4.45倍。     

轻量级网络算法对输电线路上异物目标的识别

针对输电线路上多种异物所引起的电力巡检问题,可以采用深度学习图像识别方法进行检测。文中提出了一种改进型轻量级网络检测算法模型,通过将YOLOv4的主干特征提取网络替换为轻量级神经网络GhostNet,减少图片输入时计算所产生的特征图冗余;对YOLOv4的PANet模块进行修改,采用深度可分离卷积模块替换其中的普通卷积模块,可减轻参数计算量。结果表明,相比于原YOLOv4检测算法,该改进型算法在IOU阈值取0.5时,平均精准度下降2.1%,但检测速度达到了原算法的2.21倍,参数计算量仅为原算法的17.84%。与其他几种算法的对比表明新算法的参数指标表现满足需求。在维持较高精确度的情况下,文中所提算法的检测速度得到提升,计算量减少,证明了其在目标检测时的有效性与可行性。     

改进YOLOv5s的道路目标检测算法

针对目前主流的目标检测算法存在模型参数过大、不能很好地移植到移动设备端之中应用于辅助驾驶这一问题，本文提出了一种改进YOLOv5s的目标检测算法。首先，将YOLOv5s算法的主干网络CSPDarknet替换为轻量化网络模型MobileNet-V3，解决了网络模型较大、参数较多的问题，减少了网络的深度并提升了数据推断速度；其次，对特征提取网络采用加权双向特征金字塔结构Bi-FPN加强特征提取，融合多尺度特征进而扩大感受野；最后，对损失函数进行优化，使用CIoU为边界框回归损失函数，改善模型原始GIoU收敛速度较慢问题，使预测框更加符合于真实框，同时降低网络训练难度。实验结果表明，改进后算法在KITTI数据集上的mAP相较于YOLOv5s、SSD、YOLOv3、YOLOv4＿tiny分别提升了4.4、15.7、12.4、19.6，模型大小相较于YOLOv5s与轻量级网络YOLOv4＿tiny分别减少了32.4 MB和21 MB，同时检测速度分别提升了17.6%与43%。本文改进后的算法满足模型小、精确度高的要求，为辅助驾驶中道路目标检测提升检测速度与精度提供了一种解决方案。     

基于改进YOLOv5的电力设备轻量化检测算法

提出一种轻量化红外目标检测算法MEGI-YOLOv5。该算法基于YOLOv5模型,首先将主干网络替换为轻量化Mobilenet-v3网络,并将颈部网络中的部分CBL结构块替换为倒残差结构的深度可分离卷积、C3模块由普通卷积和GhostConv组合代替,降低模型的参数和计算量;其次在颈部网络中嵌入ECA(Efficient Channel Attention)模块,提高模型通道间信息的注意力,从而提升模型特征提取能力。实验结果表明,该模型相较于YOLOv5模型,参数量减少22%,检测速度提升37%,模型检测精度达到96.42%,能满足变电站设备类别及发热点识别的准确性和实时性要求,为后续能够及时发现变电站设备故障提供保障。     

基于改进YOLOv3的葡萄叶部病虫害检测方法

为了满足果园植保设备对于病害检测模型实时性、识别精度和轻量化的需求,提出了一种基于改进YOLOv3模型的葡萄叶部病害检测模型YOLO-SL.首先,引入轻量级网络ShuffleNetv2的组成模块优化YOLOv3原有的特征提取网络,以降低网络模型参数,然后在优化后的特征提取网络中融合了CBAM注意力机制,并在YOLOv3网络模型的特征金字塔结构中增加了一层小目标特征检测层,以提升检测模型识别精度.最后,在经过数据增强的数据集上进行了不同检测模型的对比试验,试验结果表明YOLO-SL模型平均检测精度可达90.4%,平均检测时间降低到32.2 ms,权重大小降低为原YOLOv3模型的18.3%,可以为葡萄叶部病害检测技术在实际工作环境中的应用提供参考.     

基于改进YOLOv4-tiny的轻量化室内人员目标检测算法

深度学习在室内人员检测领域应用广泛,但是传统的卷积神经网络复杂度大且需要高算力GPU的支持,很难实现在嵌入式设备上的部署。针对上述问题,该文提出一种基于改进YOLOv4-tiny的轻量化室内人员目标检测算法。首先,设计一种改进的Ghost卷积特征提取模块,有效减少了模型的复杂度;同时,该文通过采用带有通道混洗机制的深度可分离卷积进一步减少网络参数;其次,该文构建了一种多尺度空洞卷积模块以获得更多具有判别性的特征信息,并结合改进的空洞空间金字塔池化结构和具有位置信息的注意力机制进行有效的特征融合,在提升准确率的同时提高推理速度。在多个数据集和多种硬件平台上的实验表明,该文算法在精度、速度、模型参数和体积等方面优于原YOLOv4-tiny网络,更适合部署于资源有限的嵌入式设备。     

基于改进YOLOv4的混凝土裂缝检测方法

为了解决深度学习目标检测模型在混凝土裂缝应用上检测精度低、检测速度慢等问题,提出一种基于改进YOLOv4的混凝土裂缝检测方法。首先将YOLOv4的主干特征提取网络替换为轻量级网络Mobilenetv1,并且将YOLOv4加强特征提取网络中的普通标准卷积修改为深度可分离卷积;其次在PANet模块部分添加轻量级注意力模块CBAM(Convolutional Block Attention Module),在控制参数量的基础上提高裂缝目标检测的精度;最后用模拟人类视觉的RFB-s模块代替YOLOv4中的空间金字塔池化模块(Spatial Pyramid Pooling, SPP),扩大感受野,提高检测精度。实验结果表明,与传统YOLOv4相比,本模型的mAP增加三个百分点,参数量减少至14 M,检测速度可达42帧每秒。     

基于可变形和深度可分离卷积的立体匹配

针对传统卷积神经网络(convolutional neural network, CNN)在立体匹配过程中存在信息 损失和耗时等问题,提出了基于可变形和深度可 分离卷积的立体匹配算法。在特征提取过程中,利用可变形卷积和可变形卷积核构建残差网 络,完成自适 应学习,扩大有效感受野,从而适应物体的不同形变,获取更详细的特征,减少信息损失, 提高了匹配精 度。在特征聚合阶段,采用深度可分离卷积构建深度可分离聚合网络,在空间维度和通道维 度分别进行卷 积运算,以降低参数量和计算复杂度,保证了匹配实时性。在相关的数据集上进行测试,实 验结果表明, 算法的网络运行时间缩短为1.60 s,在KITTI 2015和 KITTI 2012数据集上三像素错误率分别为2.84%和 2.79%,在SceneFlow数据集上端点误差为1.59 %。相比其他基准网络,减少了网络模型的运算量同时算法精度有很大提升。     

基于改进YOLOv7的高铁异物入侵检测算法

针对复杂环境下高铁轨道入侵异物对列车的安全行驶有严重的威胁,而现有检测方法不能满足实际的高铁轨道异物检测工作,提出一种基于改进YOLOv7的高铁异物入侵检测算法。引入CARAFE算子作为上采样算法,减少输入图像的特征信息损失,增大网络感受野;在YOLOv7模型中引入GhostConv卷积,可以有效地减少模型的计算量和参数量;引入全局注意力机制(Global Attention Mechanisms, GAM),增强全局信息交互能力和表达能力,提高检测性能;采用Alpha＿GIoU损失函数,提升小目标的检测能力和模型的收敛速度。实验结果表明,改进后的YOLOv7-CGGA模型的平均检测精度(mean Average Precision, mAP)和平均每秒推理速度(Frames Per Second, FPS)值分别达到96.7%和96.1,与原YOLOv7模型相比,分别提升了1.6%和31.1,较好地平衡了模型的检测精度和效率,可以满足实际的检测需求。     

改进YOLOv4算法在检测数据分析中的应用

传统检测方法存在检测精度低、检测时间长的问题,提出一种基于YOLOv4网络模型的改进检测方法。首先采用腐蚀、膨胀的形态学运算对原始CT图像进行预处理,将模型中主干网络替换为轻量特征提取网络EfficientNetV2,通过K-Means聚类算法得到数据集的先验框。检测平均精度相对传统网络FasterRCNN提升4.2%,较YOLOv3网络提升6.11%,实验结果表明,改进的网络在训练速度上有较大提升。     

一种基于深度学习的交通标志识别新算法

针对特定场景交通标志精度低与识别速度慢的问题,基于交通标志边缘信息与卷积神经网络,提出了一种交通标志图像识别T-YOLO算法.该算法基于YOLOv2算法检测思想,融合残差网络、卷积层填充0等结构,下采样舍弃池化层改用卷积层,并提取边缘信息与上采样以提升精度,设计7层特征提取网络以缩短识别速度,随后使用Softmax函数归一化实现多分类,并采用批量归一化、多尺度训练等方法缩短训练时间.实验表明,该算法真实有效,图形处理单元(Graphic Process-ing Unit,GPU)平台上最快检测速度13.69 ms/frame,每帧缩短9.51 ms,最高平均准确率97.3％,提高7.1％,满足实时高精度识别要求.与其他算法相比,该算法在交通标志识别速度与精度方面均有大幅提高,更加适用于现实场景,更贴近车载嵌入式系统.     

基于回归模型与注意力的轻量化SAR舰船检测模型

合成孔径雷达（SAR）具有不受云层干扰、可全天时、全天候对地观测的特点,基于SAR图像的舰船检测已广泛用于海洋搜救、港口侦察、领海防御等民用或军用领域。然而,与大型舰船相比,像素点少、对比度低的小型舰船存在漏检率高的问题,并且速度和精度之间的平衡成为舰船检测算法天基应用的难点。针对以上问题,本文提出了一种基于YOLOv5s模型改进的舰船检测轻量化模型（ImShips）。首先,针对船体大小差异导致的漏检问题,采取在网络底部使用感受野较小的标准卷积,提升了模型对小规模舰船空间信息的获取能力。同时,在网络顶部设计了放大感受野的扩张卷积,保留了更多的语义特征,有利于大目标的特征提取。接着,提出将轻量级的通道注意力机制应用于YOLOv5的骨干网络和特征融合网络,通过对提取到的特征按重要性分配权重,实现纹理信息的筛选。最后,在下采样时采取深度可分离卷积代替标准卷积,减少了模型参数的数量,进一步提高了模型的推理速度。实验结果表明,在SAR舰船检测SSDD和ISSID数据集中,改进后的ImShips模型在保证精度的同时,所需的浮点计算数比YOLOv5s模型减少了45.61%,检测速度提高了8.31%。ImShips模型网络规模小、检测速度快,在实时天基舰船检测中具有较大的应用潜力。     

基于改进YOLOv5的路面缺陷检测算法研究

针对传统的路面缺陷检测算法,路面缺陷特征提取单一,且依赖于人工提取,导致检测效率低下的问题,提出了一种基于改进YOLOv5的路面缺陷检测算法。针对原算法对路面缺陷的位置信息提取不充分,引入CBAM注意力机制并对空间注意力中的7*7卷积层替换为3个串行5*5卷积后使用1*1卷积融合3个不同感受野下的特征信息,增强提取缺陷位置信息的能力。在训练阶段,增加正样本的数量,缓解模型训练时的正负样本不均衡。为证明该算法的有效性,在公共数据集GRDDC2020上进行验证,实验表明,改进后的YOLOv5算法F1-score相比于原YOLOv5算法提高2.1%,达到57.7%。     

融合SPP与FPN的光学遥感图像飞机目标检测

针对光学遥感图像飞机目标背景复杂、检测精度与检测速度不平衡、易漏检等问题,提出一种融合不同网络模块的SPSSD模型。首先,采用Resnet50替换SSD300算法中的特征提取网络,并加入可操控的空洞卷积模块,扩大特征感受野获取更多有利检测目标的特征信息;其次,加入FPN和SPP网络,得到浅层特征信息,并将感受野二次放大后的特征与深层特征信息进行融合;然后,送入ECANet网络中获取更加完整且更具有判断力的特征信息;最后,采用NWPU-RESISC45数据集3400张高分辨率飞机遥感图像输入至SPSSD模型中迭代训练,最终改进算法模型mAP值达到92.68%,较改进前的算法模型提升了5.18个百分点,检测速度达到25.1帧/s。实验结果表明,该方法可以有效兼顾飞机目标的检测精度与检测速度,一定程度上降低了目标漏检率。     

基于SIOU函数的改进YOLOv5遥感目标检测方法

为提升YOLOv5算法对遥感图像密集目标的检测精度并改善漏检问题,提出了一种改进的YOLOv5遥感目标检测算法。改进方法首先采用7*7卷积模块替换骨干网络中Focus模块以增大模型感受野;其次,在保证与原模块效果相同的情况下使用SPPF以提升检测速度;最后,引入SIOU损失函数,利用边界框回归之间的向量角度来重新定义损失函数,有效提高了检测的准确性。实验结果表明,针对公开的NWPU VHR-10遥感数据集,所提改进算法在保持与原算法相同检测速度的情况下,检测精度提高了3.5%。