基于红外与可见光图像的目标检测算法

针对现有基于可见光的目标检测算法存在的不足,提出了一种红外和可见光图像融合的目标检测方法。该方法将深度可分离卷积与残差结构相结合,构建并列的高效率特征提取网络,分别提取红外和可见光图像目标信息;同时,引入自适应特征融合模块以自主学习的方式融合两支路对应尺度的特征,使两类图像信息互补;最后,利用特征金字塔结构将深层特征逐层与浅层融合,提升网络对不同尺度目标的检测精度。实验结果表明,所提网络能够充分融合红外和可见光图像中的有效信息,并在保障精度与效率的前提下实现目标识别与定位;同时,在实际变电站设备检测场景中,该网络也体现出较好的鲁棒性和泛化能力,可以高效完成检测任务。     

面向航摄图像目标检测的轻量级特征融合网络

针对现有航摄图像目标检测算法中模型复杂、超参数多、检测精度较低的问题,提出一种面向航摄图像目标检测的轻量级多尺度特征融合网络。该网络采用Anchor-Free思想,通过逐像素预测的方式,减少了与Anchor相关的超参数;利用MobileNetV3作为特征提取网络并使用Ghost瓶颈模块优化多尺度特征融合网络,来降低网络的参数量和计算量;引入可变形卷积来构建可变形感受野模块,提高检测器对航摄图像目标形变的鲁棒性;同时采用标签分配策略SimOTA进行动态样本匹配,以缓解航摄图像目标分布密集、遮挡严重的检测问题。在数据集VisDrone2019-DET和NWPU VHR-10上对所提网络进行评估,检测精度AP⁵⁰分别达26.6%和94.4%,检测速度分别达59.9 frame/s和79.6 frame/s。与主流目标检测网络相比,所提网络在保持较高检测精度和速度的同时,具有较小的参数量和计算量,更适合应用于机载计算设备。     

基于改进CenterNet的水下目标检测算法

针对常规目标检测器检测水下目标时存在特征提取困难、目标漏检等问题,提出一种改进CenterNet的水下目标检测算法。首先,使用高分辨率人体姿态估计网络HRNet代替CenterNet模型中的Hourglass-104骨干网络,降低模型参数量,提升网络推理速度;其次,引入瓶颈注意力模块,在空间维度及通道维度进行特征增强,使网络关注重要目标特征信息,提高检测精度;最后,构建特征融合模块,融合网络内部丰富的语义信息和空间位置信息,并利用感受野模块增强融合后的特征,提高网络多尺度目标检测能力。在URPU水下目标检测数据集上进行实验,与CenterNet相比,所提算法的检测精度可达77.4%,提升1.5个百分点,检测速度为7 frame/s,提升35.6%,参数量为30.4 MB,压缩84.1%,同时与其他主流目标检测算法相比具有更高的检测精度,在水下目标检测任务上更具优势。     

基于YOLOv8s改进的小目标检测算法

针对目标检测任务中小目标尺寸较小、背景复杂、特征提取能力不足、漏检和误检严重等问题,提出了一种基于YOLOv8s改进的小目标检测算法——Improved-v8s。Improved-v8s算法重新设计了特征提取和特征融合网络,优化检测层架构,增强浅层信息和深层信息的融合,提高了小目标的感知和捕获能力;在特征提取网络中使用部分卷积(Partial Convolution, PConv)和高效多尺度注意力(Efficient Multi-scale Attention, EMA)机制构建全新的F＿C₂f＿EMA,在降低网络参数量和计算量的同时,通过通道重塑和维度分组最大化保留小目标的特征信息;为了更好地匹配小目标的尺度,优化调整SPPCSPC池化核的尺寸,同时引入无参注意力机制(Simple-parameter-free Attention Module, SimAM),加强复杂背景下小目标特征提取;在Neck部分使用轻量级上采样模块——CARAFE,通过特征重组和特征扩张保留更多的细节信息;引入了全局注意力机制(Global Attention Mechanism, ...     

用于SAR图像舰船目标检测的MAF⁃Net和CS损失

深度学习算法以其端到端训练和高准确率等优势被广泛应用于合成孔径雷达图像舰船检测领域。然而,SAR图像中舰船目标尺寸跨度较大,且易受到复杂背景和噪声的干扰,从而影响识别精度。为了进一步提高网络的检测精度,本文提出了一个多尺度注意力融合网络。该网络主要包含一个多尺度特征注意力融合模块,该模块使用骨干网络输出的特征图,融合多尺度的信息,在空间和通道维度对FPN输出的特征图进行增强,用于抑制噪声和背景对舰船目标的影响,提升网络的特征提取能力。此外,本文还提出了余弦相似损失,通过计算目标与非目标区域的余弦相似度,使网络更准确地区分船舶目标与背景,以进一步提高准确率。大量的实验表明,在SSDD和SAR?Ship?Dataset数据集上,本文所提的方法与现有的几种算法相比具有更高的检测精度。     

基于改进YOLOv5的轻量化绝缘子表面缺陷检测

针对无人机检测缺陷绝缘子时,存在目标特征不明显、小目标检测效果差、无法同时满足检测速度和精度的问题,提出一种基于改进YOLOv5的绝缘子缺陷检测算法。首先,针对目标特征不明显的问题,将ConvNeXt网络应用到YOLOv5主干网络中,以加强网络特征提取能力;其次,针对图像中的小目标特征,在主干网络中引入坐标注意力机制,提高对小目标的检测精度;然后,对改进模型进行剪枝操作,剪去模型中冗余的通道,从而减少模型参数量,使模型更加轻量化。实验结果表明：所提算法在绝缘子缺陷数据集IDID上的平均精度均值达到93.84%,较原始算法提升了3.4个百分点;检测速率达到166 frame/s,较原算法速率提升了69.4%,可以满足对输电线路实时检测的要求。     

基于改进YOLOv8的无人机航拍图像目标检测算法

针对现存无人机航拍图像目标检测算法检测精度较低、模型较为复杂的问题,提出一种改进YOLOv8的目标检测算法。在骨干网络引入多尺度注意力EMA,捕捉细节信息,以提高模型的特征提取能力;改进C2f模块,减小模型的计算量。提出了轻量级的Bi-YOLOv8特征金字塔网络结构改进YOLOv8的颈部,增强了模型多尺度特征融合能力,改善网络对小目标的检测精度。使用WIoU Loss优化原网络损失函数,引入一种动态非单调聚焦机制,提高模型的泛化能力。在无人机航拍数据集VisDrone2019上的实验表明,提出算法的mAP50为40.7%,较YOLOv8s提升了1.5%,参数量降低了42%,同时相比于其他先进的目标检测算法在精度和速度上均有提升,证明了改进算法的有效性和先进性。     

一种改进YOLOv5的X光违禁品检测模型

针对X光行李图像安全检测过程中存在物品高度重叠遮挡及复杂背景干扰等问题，提出了一种融合注意力机制、数据增强策略与加权边框融合算法的改进YOLOv5网络模型用于X光违禁品检测。模型在Neck部分引入卷积注意力模块加强网络对违禁品深层重要特征的提取，抑制背景干扰；训练阶段采用Mixup数据增强策略模拟带有高度重叠及遮挡物品的检测场景，加强模型复杂样本的学习能力；测试阶段采用加权边框融合算法对冗余预测框进行优化，提高模型精准预测能力。所提模型在3个大型复杂数据集SIXray、HiXray、OPIXray进行了测试，平均精度均值分别达到了89.6%、83.1%和91.6%。结果表明：所提模型能够有效提高YOLOv5检测复杂违禁品的能力，与现有诸多先进算法相比，具有较高的准确率和稳健性。     

基于可变形残差卷积与伸缩式特征金字塔算法的PCB缺陷检测

近年来深度学习技术在印刷电路板（Printed Circust Boord,PCB）缺陷检测上已获得快速进步,但现有算法针对PCB图像中多尺度高密度微小缺陷目标,如何精准高效地提取特征,提高检测精度及速度依然存在巨大挑战。提出了一种可变形残差卷积与伸缩式特征金字塔的PCB缺陷检测算法。在Faster RCNN的基础上,通过引入可变形残差卷积模块替换原始VGG16网络进行通道关系校准,提高算法对复杂缺陷目标特征的语义获取能力;利用一种伸缩式改进的特征金字塔NAS-FPN网络与原区域建议RPN网络融合,以改善算法对多尺度微小缺陷目标的识别能力;结合IoU Loss、Matrix NMS等tricks组合综合优化网络的检测精度及速度。通过实验,相比原始Faster RCNN,检测精度从90.08%提升到99.41%,检测速率从4.08 frame/s提升到6.47 frame/s。该方法能实现检测精度及速度双高的PCB缺陷检测,具有一定的实际意义。     

基于改进YOLOv5的低光照图像目标检测

针对低光照环境下现有的目标检测算法普遍存在检测精度较低的问题，提出一种改进YOLOv5的双通道低光照图像目标检测算法（YOLOv5＿DC）。首先，通过伽马变换和叠加高斯噪声的方法合成低光照图像，扩充数据集，提高模型的泛化能力；其次，提出特征增强模块，引入通道注意力机制，融合增强图像和原始图像的低级特征，抑制噪声特征的影响，改善网络的特征提取能力；最后，在颈部网络中加入特征定位模块，增加特征图在目标区域的响应值，使网络更关注目标区域，提高网络的检测能力。实验结果表明：所提YOLOv5＿DC算法实现了更高的检测精度，在低光照图像目标检测数据集ExDark*上的平均精度均值（mAP）@0.5达71.85%，较原始的YOLOv5算法，提高了1.28个百分点。     

多特征级联的低能见度环境红外行人检测方法

针对低能见度环境中人员的监测和保护问题,提出了一种基于多特征级联的红外行人检测方法,利用感兴趣区域长宽比特征和头部Haar特征组成初级分类器,改进的HOG-SVM完成最终行人识别。所提出的改进的HOG特征提取算法和自适应缩放因子获取算法,在保证检测率的基础上,有效地减少了帧间处理时间,针对目标被遮挡情况,提出了遮挡情况判断和局部特征识别功能,由此进一步提高了算法应用于复杂工况下的鲁棒性。实验表明:该检测方法能够达到91%的检测率,较现有算法性能得到提升,同时也满足了系统实时监测要求,适用于低能见度、粉尘的工况作业环境。     

基于多层级深度神经网络的电力设备红外图像故障识别

电力设备的故障可能导致电力系统不稳定甚至解列,对电力安全和国民经济造成巨大损失,因此迅速且准确地识别这些故障至关重要。红外图像特征在捕捉发热故障的电力设备方面表现出良好的特征表达能力。然而,在图像采集过程中,可能会发生目标重叠、遮挡以及类目标干扰等问题。因此提出了一种复杂图像故障识别算法。基于多层级深度神经网络,充分利用多层网络模块的高层次特征提取能力和多级网络模块的特征融合能力,以提高故障识别的准确性。实验结果表明,该算法在准确率和运行时间等评估指标上优于现有的Faster-RCNN、VGG16、VGG19以及传统Resnet等模型,验证了其在解决图像中目标重叠、遮挡和类目标干扰等问题上的有效性。     

基于注意力和自适应特征融合的SAR图像飞机目标检测

针对合成孔径雷达(Synthetic Aperture Radar, SAR)图像中飞机目标尺度多样性及背景强散射干扰的问题,提出了一种基于坐标注意力和自适应特征融合的YOLOv4 SAR图像飞机目标检测算法。该方法首先在主干网络引入坐标注意力机制,以增强对于飞机散射点组合结构的聚焦能力以及抗背景干扰能力。其次,在特征增强网络中引入自适应特征融合机制,提高了对不同大小飞机的特征提取能力,同时改善了YOLOv4算法召回率和精确率不平衡的问题。最后,通过改进的K-Means聚类针对飞机目标调整先验框的尺寸,提高了模型的定位精度。实验结果表明,改进算法召回率达到91.01%,精确率达到90.09%,AP_0.5达到92.34%,分别较原YOLOv4算法提高2.49%,6.56%和3.62%。     

基于五帧差分和模板匹配的运动目标检测识别

针对帧差法和背景差分法检测运动目标准确率低,自适应能力弱等缺陷,提出了一种改进五帧差分法与背景差分法和模板匹配相结合的运动目标检测和识别算法;通过改进的五帧差分和背景差分法融合的算法从视频图像序列中检测出运动目标;利用形态学方法去除噪声,改善运动目标提取效果;在Harris算法提取图像匹配特征值的基础上角点配准,提高图像识别的准确率,通过提取目标特征与自适应模板图像进行特征匹配的方法实现了目标检测识别和跟踪。仿真结果和实验表明该方法有噪声和部分遮挡的运动目标有良好的检测识别效果,识别率达到了95%。     

基于改进SSD的轻量化小目标检测算法

为提高SSD目标检测算法的小目标检测能力,提出在SSD算法中引入转置卷积结构,采用转置卷积将低分辨率高语义信息特征图与高分辨率低语义信息特征图相融合,增加低层特征提取能力,提高SSD算法的平均精准度。同时针对SSD算法存在模型过大,运行内存占用量过高,无法在嵌入式ARM设备上运行的问题,以DenseNet为基础,结合深度可分离卷积,逐点分组卷积与通道重排提出轻量化特征提取最小单元,将SSD算法特征提取部分替换为轻量化特征提取最小单元的组合后,可在嵌入式ARM设备上运行。在PASCAL VOC数据集和KITTI自动驾驶数据集上进行对比实验,结果表明改进后的网络结构在平均精准度上得到明显提升,模型参数数量得到有效降低。     

基于改进YOLOv5的PCB小目标缺陷检测研究

面对印刷电路板(print circuit board,PCB)小型化、多层化、高集成化的趋势,针对目前PCB缺陷检测方法存在漏检、特征提取困难、误检率高以及检测性能差等问题,本文提出了基于改进YOLOv5算法的PCB小目标缺陷检测方法。该方法先针对PCB小目标缺陷特点采用DBSCAN(density-based spatial clustering of applications with noise) +二分K-means聚类算法以找到更适合的锚框;然后对YOLOv5的特征提取层、特征融合层以及特征检测层进行改进,增强关键信息的提取,加强深层信息与浅层信息的融合;从而减少PCB缺陷的误检率、漏检率,以提高网络的检测性能;最后在公开PCB数据集上进行相关对比实验。结果表明,改进后模型的平均精度(mAP)为99.5%,检测速度为0.016 s。相比于Faster R-CNN、YOLOv3、YOLOv4网络模型,检测精度分别提升了17.8%、9.7%、5.3%,检测速度分别提升了0.846 s、0.120 s、0.011 s,满足PCB缺陷在实际工业生产现场的高精度、高速度检测要求。     

基于改进Faster R-CNN的红外舰船目标检测算法

针对Faster R-CNN算法中对于红外舰船目标特征提取不充分、容易出现重复检测的问题,提出了一种基于改进Faster R-CNN的红外舰船目标检测算法。首先通过在主干网络VGG-16中依次引出三段卷积后的3个特征图,将其进行特征拼接形成多尺度特征图,得到具有更丰富语义信息的特征向量;其次基于数据集进行Anchor的改进,重新设置Anchor boxes的个数与尺寸;最后优化改进后Faster R-CNN的损失函数,提高检测算法的整体性能。通过对测试数据集进行分析实验,结果表明改进后的检测算法平均精确度达到83.98%,较之于原Faster R-CNN,精确度提升了3.95%。     

多尺度特征融合与特征通道关系校准的SAR图像船舶检测

目前深度学习技术在SAR图像的船舶检测中已取得显著的成果,但针对SAR船舶图像中复杂多变的背景环境,如何准确高效地提取目标特征,提升检测精度与检测速度仍存在着巨大的挑战。针对上述问题,该文提出了一种多尺度特征融合与特征通道关系校准的 SAR 图像船舶检测算法。在Faster R-CNN的基础上,首先通过引入通道注意力机制对特征提取网络进行特征间通道关系校准,提高网络对复杂场景下船舶目标特征提取的表达能力;其次,不同于原始的基于单一尺度特征生成候选区域的方法,该文基于神经架构搜索算法引入改进的特征金字塔结构,高效地将多尺度特征进行充分融合,改善了船舶目标中对小目标、近岸密集目标的漏检问题。最后,在SSDD数据集上进行对比验证。实验结果表明,相较原始的Faster R-CNN,检测精度从85.4%提高到89.4%,检测速率也从2.8 FPS提高到10.7 FPS。该方法能够有效实现高速与高精度的SAR图像船舶检测,具有一定的现实意义。      

一种基于网络的实时限速牌识别算法

针对现有关于车载限速牌识别算法所存在的检测速度慢、准确率低、无法应用于嵌入式系统等问题,提出了一种基于网络的实时限速牌识别算法。该算法基于SSD_MobileNet_v1网络框架进行改进,对原来的网络进行架构裁剪以去除冗余结构;同时引入了特征金字塔网络结构,并使用focal loss作为网络训练的分类损失。实验表明,提出的识别算法准确率可达88.11%,虽然略低于目前主流目标检测算法的检测精度,但是网络的每秒帧率(Frame per Second,FPS)可以达到35.13,拥有较快的检测速度,而权重文件只有24 MB 。因此,与其他算法相比,该算法不仅适合小型的嵌入式人工智能（Artifical Intelligence,AI）设备,而且更贴近真实车载场景下的识别。     

基于注意力机制的多尺度全场景监控目标检测方法

针对复杂城市监控场景中由于目标尺寸变化大、目标遮挡、天气影响等原因导致目标特征不明显的问题,该文提出一种基于注意力机制的多尺度全场景监控目标检测方法。该文设计了一种基于Yolov5s模型的多尺度检测网络结构,以提高网络对目标尺寸变化的适应性。同时,构建了基于注意力机制的特征提取模块,通过网络学习获得特征的通道级别权重,增强了目标特征,抑制了背景特征,提高了特征的网络提取能力。通过K-means聚类算法计算全场景监控数据集的初始锚框大小,加速模型收敛同时提升检测精度。在COCO数据集上,与基本网络相比,平均精度均值(mAP)提高了3.7%,mAP₅₀提升了4.7%,模型推理时间仅为3.8 ms。在整个场景监控数据集中,mAP₅₀达到89.6%,处理监控视频时为154 fps,满足监控现场的实时检测要求。