融合特征增强的轻量化罐道缺陷检测算法

为了解决矿井复杂环境下,缺陷特征提取不充分问题,融合特征增强和级联注意力机制提出一种快速智能的罐道缺陷识别算法RDM-YOLOv5,旨在解决人工巡检效率低的现状。首先,为了提高主干网络特征图信息表征能力,设计特征增强模块RLKM,它通过重参数化大内核卷积增强主干网络对目标特征的提取能力,并且有效降低模型参数量;然后,经过主干网络提取到高低层级特征后,由设计的级联注意力机制DCAM进一步挖掘缺陷目标的深层语义信息,显著增强小目标的特征信息;最后,为提升检测精度的同时保障检测网络的轻量化,在特征增强网络中引入轻量级卷积GSConv,在保持模型检测准确性的同时降低计算成本。实验结果表明,相较于YOLOv5s, RDM-YOLOv5的检测精度和速度分别提高3.7%、11.4%,模型参数量减少15.4%。它能基本满足实际应用中精准识别和快速定位罐道表面缺陷的需求。     

基于轻量化网络与增强多尺度特征融合的绝缘子缺陷检测

随着无人机搭载目标检测算法在输电杆塔绝缘子巡检领域的发展,针对绝缘子缺陷检测速度较低,网络复杂度高且缺陷小目标难以准确检测的问题,提出一种基于轻量化网络与增强多尺度特征融合的YOLOv5-3S-4PH模型进行绝缘子缺陷实时检测。首先将重构的ShuffleNetV2-Stem-SPP(3S)网络作为YOLOv5的主干网络,显著减小了网络的参数量和计算量;其次引入针对小目标的增强多尺度特征融合网络以及4个预测头,来增强网络对绝缘子缺陷的感知能力,并结合Mosaic-9数据增强、CIoU损失函数进一步补偿轻量化导致的检测精度损失;最后将其应用到自制绝缘子数据集进行验证。实验结果表明,该文所提出的模型相对于未改进的YOLOv5,全类平均精度提高了3%,检测速度提高了81.8%,参数量、计算量分别压缩了82.4%、67%。因此,所提出的模型更适合部署在无人机平台上进行绝缘子缺陷的实时监测。     

基于改进YOLOv5的输电线路绝缘子 识别方法

针对输电线路绝缘子识别准确率低、识别花费时间长的问题,提出一种改进的YOLOv5绝缘子识别方法。首先,通过引入超分辨率卷积网络提升数据集中图像样本质量;其次,通过引入k3-Ghost结构替换原始网络BCSP模块中的普通卷积,减少模型主干网络参数量,在主干网络尾部引入SENet注意力模块,加强模型对于通道信息的关注提升目标检测性能;在颈部网络引入DC-BiFPN结构替换原始结构,对不同尺度特征赋予不同权重以使多尺度特征进行更好的融合,提升绝缘子识别效果。最后,使用CIOU作为回归损失函数,加快网络收敛速度。实验结果表明：本文提出的方法在保证绝缘子识别准确率的同时拥有更高的识别速度,检测准确率达到89.5%,检测速度达到35.7FPS,验证了改进方法的有效性。     

基于加权感受野和跨层融合的遥感小目标检测

针对遥感图像中小目标特征易丢失、易受背景噪声影响和定位难的问题，本文对YOLOX-S目标检测模型进行改进。使用二维离散余弦变换对CBAM注意力模块进行改进并加入到主干网络当中，提高网络对小目标的关注度；其次提出一种加权多重感受野空间金字塔池化模块，提升模型对多尺度目标尤其是小尺度目标的感知能力；采用跨层特征融合的思想，提出一种跨层注意力融合模块，使深层结构中尽可能保留更多的小目标特征；最后使用EIoU损失加强对小目标的定位能力。由大量实验分析可知，在RSOD数据集上，改进模型的APs值相对于基准模型提高了5.1%，在DIOR数据集上提高了2.4%，参数量仅增加了1.01 M，检测速度达到93.6 fps，满足实时性的检测要求。此外，相对于当前最新的目标检测模型，本文改进模型也具有一定优势。     

改进 RetinaNet 的绝缘子精确定位研究

接触网图像中绝缘子部件的自动精确定位是绝缘子故障检测的基础,绝缘子在接触网图像中存在倾角,采用水平框进 行检测难以精确契合目标。 针对此问题,提出一种改进 RetinaNet 的绝缘子精确定位方法。 首先利用高效 Ghost 模块代替原特 征提取网络中的卷积操作获得多尺度特征图,减少模型计算量;其次将注意力机制嵌入网络中,抑制次要特征对目标检测的影 响;然后引入旋转框作为模型的预测框实现绝缘子精确定位,降低冗余背景噪声的干扰;最后重新定义训练过程中的正负样本, 解决了添加旋转框导致学习错误样本的问题。 实验结果表明,该方法可以精确地定位绝缘子,抑制冗余背景信息,与原算法相 比检测精度提高 2. 8%,检测速度为 25. 6 FPS,参数量减少 42. 8%,具有良好的检测性能。     

基于改进YOLOv4算法的高压塔鸟巢检测

针对现有算法对高压塔上鸟巢检测存在参数量过大,实时性不足及对小目标检测能力较弱的问题,提出了一种改进的YOLOv4算法。首先使用Mobilenetv2网络代替CSPDarknet53网络作为主干网络,减少算法的参数量且提升检测速度;同时在Mobilenetv2网络的逆残差网络中嵌入注意力Coordinate Attention模块,增强网络对目标特征提取能力。然后,对PANet网络进行改进,获取更多的细节特征信息,提高对小目标鸟巢的检测能力。最后,使用Focal Loss函数优化损失函数,降低大量简单背景样本训练的权重,提升对小目标鸟巢困难样本训练的侧重,进一步提高对小目标鸟巢的检测能力。实验结果表明,较原始的YOLOv4算法,改进后的YOLOv4算法的参数量减少了48.1%,检测速度和精度分别提高了12.9fps和2.33%。即改进后的YOLOv4算法大幅度减少了算法参数量,且对鸟巢的检测拥有更好的检测性能。     

基于改进YOLOv5s的光伏电池EL缺陷图像检测模型

针对光伏电池电致发光(electroluminescence, EL)缺陷图像存在复杂背景干扰、缺陷目标长宽比和尺寸变化大等问题,在YOLOv5s网络的基础上提出一种改进的YOLOv5s-GD检测模型。首先在特征提取层融合GhostNetV2模块,通过聚合本地和远程信息同步,在压缩模型参数量的同时增强模型对缺陷特征的提取能力;其次在特征融合层引入改进的DenseNet密集网络模块,通过特征重用进一步深度融合多级特征并改善信息传递,有效减少缺陷图像检测中漏检误检的情况;最后添加坐标注意力(CA)机制模块,兼顾通道和空间信息进行特征增强,提高了模型对缺陷目标区域的关注程度。与YOLOv5s原网络相比,YOLOv5s-GD检测模型在增长少量参数的情况下mAP@0.5提升了3.3%,mAP@0.5:0.95提升了2.8%。研究结果表明,提出的YOLOv5s-GD检测模型对光伏电池EL缺陷图像可以有效地定位识别,检测精度有了显著的提高,同时检测速度达到75 fps,为实际工业生产环境中光伏电池EL缺陷图像检测提供技术参考。     

基于Efficientnet的红外目标检测算法

针对复杂场景下红外目标检测存在准确率低、召回率低的问题，为了提高红外图像中的小目标以及被遮挡目标的检测识别能力，提出基于Efficientnet的红外目标检测算法。首先，将高效轻量的Efficientnet作为模型的特征提取主干网，降低模型的参数量，提升训练速度。在Efficientnet主干网的最后一个输出层引入SPP模块，丰富特征图的表达能力，进行多尺度融合，扩大特征图的感受野；在模型特征融合部分，使用FPN特征金字塔网络，特征融合后增加CSPNet模块和ECA注意力机制，加强特征提取。检测部分使用YOLO Head，对目标进行分类和回归，并用CIoU Loss作为边界框回归损失函数，提高对被遮挡目标的识别能力。实验结果表明，基于Efficientnet的模型大小仅为YOLOv3的188%，并且在FLIR数据集上mAP达到8074%，相比于YOLOv3算法提高1012%，该模型在减少模型参数量的同时，提升了检测精度。该模型在FLIR数据集上具有良好的泛化能力，提高了对小目标和遮挡目标的检测能力。     

面向精确定位的钢包运输车车号罐号识别算法

为了提高基于计算机视觉的钢包运输车车号罐号检测定位的准确性,降低在污损情况下的检测误差,减少罐号面积较小导致的漏检问题以及提升检测速度,提出一种基于改进YOLOv5网络的车号罐号检测识别方法。通过在特征提取网络中加入注意力机制,增强模型的特征提取能力;通过将骨干网络升级为轻量级的GhostBottleNeck加快了模型的推理速度;通过对目标字符进行仿射变换,将扭曲变形字符转换为接近正面视角,进而利用改进的ResNet网络进行单字符识别。结果表明,改进后的网络在钢包车号定位的精度达到了90.3%,召回率为87.3%,最终号码识别准确率为97.7%,说明该方法可有效实现钢包运输车车号罐号的精确定位与识别,为智能化管理提供可靠的数据支持。     

基于YOLO v4优化的航拍绝缘子缺陷图像检测模型

针对现有绝缘子缺陷检测模型检测精度低、实时性差和网络参数多的问题,提出了一种基于YOLO v4改进的绝缘子缺陷检测模型。首先,利用改进的VGG卷积神经网络实现了主干特征提取。其次,在加强特征提取网络和预测网络中引入深度可分离卷积,降低了模型的复杂度。再次,在加强特征提取网络中融合通道注意力机制对重要特征进行增强,提升了模型对绝缘子缺陷的目标辨识能力。最后,以平均精度、帧率、参数量等作为评价指标,对基于公共数据集CPLID构建的新数据集进行了消融实验和对比实验。实验结果表明,改进的YOLO v4模型对绝缘子缺陷的检测精度为98.35%,相比于传统的YOLO v4模型提高了6.4%,并且其检测速度和参数量分别为传统YOLO v4模型的1.5倍和37.5%,可实现对航拍绝缘子缺陷图像的高精度实时有效检测。同时,改进的模型相比YOLO v5-M和Faster R-CNN模型在检测精度,速度和模型复杂度上也更具优势。     

基于稀疏轻量卷积神经网络的管道泄漏检测

针对传统供水管网泄漏检测问题,本文提出了一种基于稀疏轻量卷积神经网络的管道泄漏检测算法。首先通过声音传感器采集管道泄漏的声音信号,经过立体声转换、重采样、长度对齐等预处理操作后,将其转换成梅尔频谱图。然后,构建一种稀疏轻量化的卷积神经网络模型来对梅尔频谱图进行特征抽取和泄漏检测。针对声音特征图的稀疏和时延性质,本文采用Inception网络结构来进行提高模型的特征抽取能力。此外,因为该模型需要被部署到边缘侧,因此设计了一种基于SqueezeNet的轻量化卷积神经网络模型来减少模型的参数,降低模型复杂度。实验结果表明,提出的管道泄漏检测算法在保证复杂度较低的同时具有较高的识别准确率。     

轻量化无人机航拍目标检测算法

针对无人机航拍背景复杂、检测目标小且密集。提出一种基于YOLOv5的轻量化无人机航拍目标检测算法SDS-YOLO。首先,SDS-YOLO算法重构轻量化网络结构,对特征提取网络和特征融合网络进行重构。调节检测层和感受野架构,建立深层语义与浅层语义多尺度检测信息依赖关系,增加浅层网络特征层的权重,提高对微小目标的检测能力;其次,利用聚类算法对预选框进行调整,实现重构网络最优的预选框选择机制,加快模型收敛速度。最后,使用Varifocal loss训练SDS-YOLO使IACS回归,提高模型对密集物体的检测能力。结果表明,模型经过优化后,精度提高了7.64%;模型体积4.25MB,相较于原模型大幅下降;模型计算量和推理速度均有提高。相较于当前主流算法,SDS-YOLO在各方面均取得了不错的改进,满足无人机航拍实时目标检测要求。     

基于 FEF-DeepLabV3+的电力金具锈蚀分割方法

金具锈蚀在输电线路航拍图像中细节丰富且分布不规律,为克服分割检测过程中局部信息丢失、精度低和速度慢等问题,提出基于DeepLabV3+的金具锈蚀语义分割模型。替换其主干网络为轻量化改进MobileNetV3网络加快运算速度,并提出自适应特征金字塔(adaptive feature pyramid, AFP)结构融合多尺度。结合FRN层提出特征融合空洞空间金字塔池化(feature fusion atrous spatial pyramid pooling, FEF-ASPP)结构,能够在加强像素间联系的同时不降低分辨率。最后优化损失函数,提高算子的有效性。实验表明,mIoU和mPA分别达到了87.15%、96.64%,相较于原模型提高了3.09%、4.29%。参数量仅为原模型的48%,推理时间仅为15.94 ms,降低了对设备算力的要求,实现高效高精度、轻量化的输电设备锈蚀缺陷分割检测。     

基于多尺度特征融合的皮肤烧伤创面分级算法

为实现遭受重大火灾等灾害后,对伤员皮肤烧伤自动化分级,加快诊断效率,提出提出一种用于皮肤烧伤分类的轻量化模型BI-YOLOv5算法。替换Swish激活函数,提高模型收敛能力及检测效率;使用K-means++算法对anchors聚类分析,增强对不同尺度目标的适应能力;修改特征提取网络,提取多个尺度的特征信息,建立多尺度特征融合网络,提高模型对深层特征信息的利用率,提高小面积烧伤的识别精度。实验结果表明,BI-YOLOv5算法在检测并区分不同烧伤类别及环境干扰下烧伤检测有较高的精度和效率,mAP达到97.6,对比YOLOv5提升8.4个百分点。     

基于改进YOLOv4的轻量化目标检测算法

为解决YOLOv4目标检测网络结构复杂、参数多、训练所需的配置高以及实时检测图片的传输帧数低,难以实现工业上的应用普及等问题,提出一种基于YOLOv4改进的轻量化算法SL-YOLO。在原始的YOLOv4网络上进行改进和优化,使用ShuffleNetv2轻量级网络替换YOLOv4原始骨干网络,将SENet模块融入ShuffleNetv2,降低网络计算复杂度,在网络层中加入Swish激活函数,使模型收敛效果更好;同时用简化后的加权双向特征金字塔结构改进原模型的特征融合网络,优化目标检测精度;通过消融实验判定各通道的重要性,对冗余剪枝,将模型进行压缩。在PASCAL VOC和MS COCO数据集上进行对比实验,改进后的模型与原始YOLOv4相比,模型内存减少89.4%,浮点运算量下降88.4%,检测速度提升了近2倍。实验结果表明,改进后的YOLOv4模型能够在保持较高的精度下有效减少模型推理计算量,大大提升模型检测速度。     

绝缘子自爆缺陷的轻量化检测网络 DE-YOLO

为了实现输电线路的高精度、高速度巡检,设计了一种适用于移动终端设备的轻量化目标检测网络 DE-YOLO。 首先融 合深度可分离卷积、逐点卷积和 ECA 注意力机制提出了特征提取模块 NewC3,它负责显著降低网络参数、同时强化网络提取绝 缘子有效信息的能力。 再借助通道数成倍增长策略和通道注意力机制 SE 设计了轻量化模块 DC-SE,它用于削弱复杂背景对绝 缘子故障的干扰、互补提取绝缘子细微特征,进而增强浅层网络对目标特征信息的提取能力。 实验表明,DE-YOLO 网络在自制 绝缘子数据集上的 GFLOPs 降低 45%,运行参数降低 42%,自爆缺陷检测精度高达 93. 2%。 NewC3 和 DC-SE 能保证 DE-YOLO 的轻量化,同时满足绝缘子自爆缺陷实时检测的要求。     

轻量化的印刷电路板缺陷检测网络 Multi-CR YOLO

针对印刷电路板表面缺陷目标小,检测精度低问题,设计了印刷电路板表面缺陷检测网络Multi-CR YOLO,满足实时检测速度的前提下,有效提高了检测精度。首先,由3个Multi-CR块组成的主干特征提取网络Multi-CR backbone对印刷电路板小目标缺陷进行特征提取。其次,SDDT-FPN特征融合模块使层级高的特征层向层级低的特征层进行特征融合,同时为小目标预测头YOLO Head-P3所在特征融合层加强特征融合,进一步增强低层特征层的表达能力。PCR模块加强主干特征提取网络与SDDT-FPN特征融合模块不同尺度的特征层的特征融合机制,且防止模块之间进行特征融合时信息丢失。C₅ECA模块负责自适应调节特征权重和自适应注意小目标缺陷信息的要求,进一步提高了特征融合模块的自适应特征提取能力。最后,3个YOLO-Head负责针对不同尺度的小目标缺陷进行预测。实验表明,Multi-CR YOLO网络模型检测mAP达到98.55%,模型大小为8.90 MB,达到轻量化要求,检测速度达到了95.85 fps,满足小目标缺陷实时检测的应用需求。     

基于改进YOLOv5s的煤矿电力设备缺陷检测

针对煤矿电力设备缺陷检测精度低的问题，提出了一种基于改进YOLOv5s的煤矿电力设备缺陷检测的方法。该方法主要包括3个方面的改进：首先，提出了一种多分支的坐标注意力模块，增强了模型获得缺陷区域信息的能力；其次，提出了一种特征融合网络模块，通过将主干网络和颈部网络之间非相邻的特征信息进行跨层连接，进一步增强了模型的特征表达及融合能力；最后，提出了一种快速空间金字塔池化平均池化模块，并将其嵌入颈部网络的路径融合网络之间，以提升网络浅层定位信息传递到深层的能力。实验结果表明，改进YOLOv5s模型的mAP@0.5提升了3.1%,F₁分值提升了3%,满足煤矿电力设备缺陷的检测需求且具有更高的检测精度。     

基于级联网络的散乱堆叠物体分割算法

提出了一种针对处理散乱堆叠物体的改进方法。在 YOLOv5模型中采用了加权双向特征金字塔网络(BiFPN) 替代 路径聚合网络(PANet), 结合 Gfocal损失函数,使得漏检和误检问题得到有效改善,平均精度均值(mAP)mAP@0.5 达到了 90.1%。利用Mask R-CNN进行目标物体分割,使用轻量化的 Mobilenetv3替代 ResNet101 主干网络以减少参数量,同时借 用CFNet 思想加强特征融合机制,使得分割精度提高至92.1%。通过级联改进后的 YOLOv5 和改进后的 Mask R-CNN,算 法在实时性和精确性上得到了平衡,在有效感兴趣区域(region of interest,ROI)中提取准确的物体形状信息。与单独使用实 例分割算法相比,检测速度提升了1 s。实验证明所提出的算法不仅提高了推理速度,还提高了分割精度,解决了复杂堆叠场 景下物体特征提取效果差且检测速度慢的问题。     

基于改进 YOLO v5 的电厂管道油液泄漏检测

针对电厂油库、化水车间等关键区域油液管道时常发生泄漏问题,本文提出了一种基于改进 YOLO v5 的电厂关键区域 管道油液泄漏检测方法,通过融入 CBAM 注意力机制模块,加强对管道油液泄漏区域图像的特征学习与特征提取,同时弱化复 杂背景对检测结果的影响;在此基础上运用了双向特征金字塔网络进行多尺度特征融合,减少冗余计算,同时提升算法对小目 标的检测能力;最后采用 Focal EIoU Loss 作为损失函数,使回归过程更加专注于高质量锚框,加快收敛速度,提高模型的回归精 度和鲁棒性。 实验结果表明,本文所提出的改进算法在真实样本中表现良好,平均准确率达 79. 6%,较原 YOLO v5s 目标检测 算法提高了 38. 4%,在电厂复杂背景下的误报率和漏报率明显下降,可有效应用于实际生产环境中。