基于改进YOLOv5的电力设备检测算法

针对电力设备背景复杂、小目标密集等特点导致无人机智能电力巡检精度低、效果不佳等问题,提出了一种改进YOLOv5的目标检测算法。首先在原模型上增加一层检测层,重新获取锚点框以便能更好地学习密集小目标的多级特征,提高模型应对复杂电力场景的能力;其次对模型的特征融合模块PANet结构进行改进,通过跳跃连接的方式融合不同尺度的特征,增强信息的传播与重用;最后结合协同注意力模块设计主干网络,以聚焦目标特征,增强复杂背景中密集目标区域的显著度。实验结果表明：所提算法的平均精度均值(IoU=0.5)达到97.1%,比原网络检测性能提升了5.6%,有效改善了复杂背景下小目标的错测、漏检现象。     

红外道路场景下车辆与行人检测算法

针对现有算法模型在红外道路场景下,对小尺寸车辆与行人的检测存在精度低和漏检的问题,提出改进YOLOv5s的红外道路检测算法。首先,借鉴Focal-Loss的计算思想引入一种新的动态缩放(focal and complete IOU,Focal-CIoU)损失函数,提高检测精度;其次,引入改进坐标信息嵌入中激活函数为自适应模式的坐标注意力机制(adaptive coordinate attention, Ada-CA),提高准确定位目标的能力;最后,改进C3模块为具有多尺度特征信息的MultiS-C3,提高模型识别能力。通过实验对比可知,改进的目标检测算法较原网络模型准确性提高2.0%,召回率提高7.3%、平均精度提高6.6%,可以有效检测出红外背景下的车辆与行人。     

基于多任务对齐的密集行人检测算法研究

行人检测是深度学习目标检测领域的重要分支，但密集场景中存在严重遮挡问题，给行人检测带来巨大挑战。为了缓解该问题，在 CenterNet多任务学习模型上提出目标检测和姿态关键点检测任务对齐方法，改进后的模型为Center_tood。首先提出分离模块：该模块将原始特征分离得到更加关注各个任务的特征；在此基础上提出任务对齐方法：通过设计对齐度量来约束损失，使模型在梯度上更大程度地向着多任务对齐的方向优化，同时利用一致性约束，使模型学习到不同任务之间的共性信息，从而对齐不同任务的特征。实验部分采用CrowdPose数据集训练和测试。本算法的目标检测AP值为743%，提高了115%；人体姿态关键点AP值为558%，提高了96%。实验结果验证了提出的多任务学习算法在密集场景行人检测上的有效性。     

结合数据增强和改进 YOLOv4 的水下目标检测算法

针对水下低质量成像、水下目标形态大小各异、以及水下目标重叠或遮挡导致水下目标检测精度低的问题,提出一种结合数据增强和改进YOLOv4(you look only once)的水下目标检测算法,在YOLOv4的主干特征提取网络CSPDarknet53中添加卷积块注意力机制(convolutional block attention module, CBAM),以提高网络模型特征提取能力;在路径聚合网络(path aggregation network, PANet)中添加同层跳接和跨层跳接结构,以增强网络模型多尺度特征融合能力;通过数据增强方法PredMix(prediction-mix)模拟水下生物重叠、遮挡等显示不完全的情形,以增强网络模型鲁棒性。实验结果表明,结合数据增强和改进YOLOv4的水下目标检测算法在URPC2018(underwater robot picking control 2018)数据集上的检测精度提升到了78.39%,比YOLOv4高出7.03%,充分证明所提算法的有效性。     

基于感受野增强与并行坐标注意力的航拍小目标检测

针对航拍图像小目标占比多、背景复杂、存在检测精度低的问题。提出一种基于感受野增强与并行坐标注意力的航拍小目标检测算法，设计一种感受野增强模块，使用不同大小的空洞卷积扩大感受野范围并融合有效通道注意力机制来提高网络的特征提取能力；改进特征融合结构来提高算法对小目标的检测能力；设计一种并行坐标注意力模块用以提高航拍密集小目标检测以及抗背景干扰能力。采用不同输入分辨率在VisDrone数据集上进行实验，实验结果表明，所提算法的mAP0.5相较于YOLOv5算法提高了5.4%,mAP0.5:0.95提高了4.2%,在输入分辨率1 536×1 536下的mAP0.5可达54.9%,可以实现较好的小目标检测效果。     

基于多尺度特征融合与混合注意力的云检测算法

针对传统云检测方法对特殊场景识别效果较差而造成的边缘信息丢失和薄云、碎云误判等问题，提出了一种基于多尺度特征融合与混合注意力的高精度云检测MSHA-DeepLab算法。首先，在原始DeepLabV3+算法的基础上引入注意力模块，提高重要特征权重，增强网络对局部特征的感受能力。其次，使用深度可分离卷积提取不同尺度的语义信息，减少网络参数量。最后，进行逐级上采样和特征融合，减少特征信息丢失。选择多种方法与改进算法对比，使用不同场景、不同波段组合的数据集进行测试。结果表明，改进后算法的精确率达到了86.376 9%,召回率达到了85.895 9%,特异性达到了96.915 6%,交并比达到了82.846 7%,精确度达到了94.600 8%,相比原始算法和其他方法有明显提高。验证了提出算法能在不同条件下实现高精度的云检测。     

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。     

基于EfficientNet的轻量化行人检测算法

针对当前行人检测过程中存在速度慢、精确率不高以及高复杂度运算的问题,提出一种兼顾轻量化与检测精确率的卷积神经网络算法(ECG-YOLO)。该算法采用EfficientNetv2与坐标注意力(coordinate attention, CA)模块重新设计主干网络,提升网络的检测速度及精度。设计参数量和计算量更小的GhostConv模块以降低特征通道融合过程中的计算量。加入自适应Gamma校正算法减少复杂场景下光照等因素的影响。改进后的算法在NVIDIA TX2开发板上测试,检测精度达91%以上,较原算法提高了1.7%,参数量和计算量分别为原算法的40.8%和36.3%,具有较好的检测精度与实时性。     

基于改进YOLOX的航拍遥感图像检测模型

针对遥感图像中小目标众多，目标尺度变化剧烈，背景复杂所造成的目标检测精度低的问题，提出了一种基于改进YOLOX的目标检测算法，在YOLOX的基础上，首先在主干网络中加入注意力机制提高网络对遥感图像中小目标的感知能力，丰富语义信息；其次在特征融合部分中加入MSCE R多尺度信息融合模块，通过融合不同尺寸的特征图，减少遥感图像因为尺度变化造成的图像细节信息损失；最后通过引入CIoU损失函数加快网络收敛速度，使其满足实时性的需求。本文将提出的检测算法在RSOD遥感数据集进行实验，平均检测准确率为9512%，相比于未做改进的YOLOX，检测精度提高了869%。实验结果证明，所提方法具有更高的检测精度。     

基于改进SSD的交通标志检测算法

为了解决真实交通场景下交通标志因目标较小而导致检测精度低的问题,提出了一种改进SSD的交通标志检测算法。首先使用更深层次的ResNest网络替换原始SSD算法的主干网络VGG16来增强弱目标特征的强表征能力,然后在SSD的额外添加层使用RFB模块来增加小目标的感受野。其次使用Bi-FPN加权双向特征金字塔网络有效结合深层与浅层的特征信息,改善小目标的检测性能。最后使用K-means++聚类算法调整默认窗口的大小,有效避免因原始默认窗口太大但交通标志较小而无法匹配的问题,以改善检测效率。实验结果表明,本文提出的模型在中国交通标志数据集(CCTSDB)上获得了95.33%的mAP,与原始SSD模型相比,本文所构建的模型能更好的适应自然背景下的交通标志检测。     

面向电力系统现场作业的安全风险管控智能检测算法

针对电力现场作业下的安全管控存在场景复杂、目标多样且部分遮挡而导致智能安全监测困难的问题，提出一种基于YOLOv7-Tiny的改进算法。首先，搭建了YOLOv7-Tiny检测网络，并在该算法框架中融合通道重组的注意力机制，从而有效提升通道之间的交互能力，增强复杂场景下目标区域的显著度；其次，在特征融合阶段，构建基于残差跳连的多尺度特征融合结构Res-PANet(Residual Path-Aggregation Network)来有效融合多尺度目标，提升场景中的多目标检测能力；同时，在模型的输出检测头中结合Swin-Transformer模块，提升模型的感受野，增强模型对特征图的全局感知，提高模型在部分遮挡情况下的检测能力；接着，在训练时采取改进的Mosaic数据增强方式，提升小目标的分布数量，达到丰富目标场景、提高模型泛化能力的目的；最后，以电力人员安全帽及安全服的穿戴、电力围栏以及电力警示牌为安全作业的监测对象进行改进算法的验证，同时采取基于Score-CAM的热力图分析进一步验证模型改进的有效性。实验结果表明：融合改进模型的平均检测精度达90.1%，图像检测速度为46帧/s，在嵌...     

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。     

UAST-RCNN:遮挡行人的目标检测算法

为解决行人检测中对遮挡行人的检测度低,漏检率较高的问题,提出一种基于注意力机制的 UAST-RCNN 网络,其在 Faster-RCNN 网络的基础上进行改进。 首先,选用 Swin-Transformer 作为骨干网络,通过采用一种窗口多头自注意力机制提升全 局感受野;然后,通过层级重采样模块,改进特征金字塔提升特征样本的质量,并且引入渐进式焦点损失函数平衡正负样本;最 后,在实验预处理阶段采用改进的数据预处理扩充 City Persons 数据集进行多尺度训练。 实验结果表明该算法对比原模型在遮 挡行人检测上有了明显提升,其中在检测精度(AP)提升了 6. 3%,漏检率(MR)下降了 4. 1%。 验证了所提算法在行人检测的 可行性,可满足遮挡行人场景的检测要求。     

基于激光雷达点云的车辆目标检测算法改进研究

本文提出了一种基于PointRCNN的改进目标检测算法。该方法针对原始PointRCNN对远距离处的车辆检测效果较差的问题进行了优化，并提高了算法目标检测的平均精度值。改进算法第1阶段先将激光雷达点云进行伪图像处理，降维至二维，然后利用Point-Focus结构对其进行处理并还原至三维点云。再将其送入PointNet++主干网络中进行特征提取，得到点的分类与回归结果并进行第1阶段的3D框生成。第2阶段对3D框进行优化选择，引入Point-CSPNet结构进一步提升网络学习能力和鲁棒性。本文合理借鉴了YOLO系列算法中的Focus、CSPNet结构，充分提取了原始点云中的有效信息，有效整合了网络运算过程中的特征及梯度变化，提高网络的检测准确率。本文的改进算法在KITTI数据集的3D场景下平均精度值从81.10%提升至81.74%;BEV场景下平均精度值从86.87%提升至88.20%,可视化效果中远距离处的车辆目标检测效果也得到了一定程度的优化，对无人驾驶技术进一步优化和完善具有一定的积极意义。     

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。     

改进YOLOv5s的交通多目标检测方法

为了提高交通目标检测的精度和效率,提出一种改进YOLOv5s的交通场景多目标检测方法,在YOLOv5s的主干网络中引入高效的层聚合网络结构来提高模型学习目标特征的能力,引入了通道注意力和空间注意力结合的卷积注意力模块(BAM)机制,进一步提高网络模型的特征提取能力,通过采用α-IoU作为边界框回归损失函数,提高了边界框回归精度。实验结果表明,改进的目标检测模型相较于YOLOv5s原模型在检测精度上提升了2.4%,模型参数量和模型大小分别降低了20.9%和19.1%。实现了在不同时间段准确且高效的检测交通场景的多种目标,保证了实时检测的应用需求。     

改进的基于人头检测的行人跟踪算法

针对已有的基于人头检测的行人跟踪算法在复杂背景下易发生目标跟踪错误的问题,提出一种改进的基于人头检测的行人跟踪算法,以适应多种复杂场景下的行人跟踪。该方法首先采用前景分割技术提取目标行人,在Adaboost分类器中加入人体躯干负样本,再结合Haar like特征在前景的基础上检测人头,通过检测到的人头建立目标跟踪链实现对场景中行人的跟踪。实验结果表明,所提算法降低了人头的误检率和漏检率,提高了在多种复杂场景中对行人跟踪的鲁棒性。     

改进 YOLOv5 网络的带钢表面缺陷检测方法

带钢表面缺陷检测已成为保证带钢生产质量的重要环节之一。 针对当前带钢缺陷检测算法精度有待提高等问题,提出 了一种基于 YOLOv5 网络改进的算法模型 MT-YOLOv5。 首先在主干网络中引入 Transformer 自注意力机制,使主干网络更聚焦 于图像全局特征信息的提取;其次采用 T-BiFPN 网络结构,将 Transformer 层与 BiFPN 网络结构相结合,进一步增强了图像浅层 特征信息与深层特征信息的融合;然后引入改进后的轻量化网络 RepVGG 替换主干网络中的部分卷积层,增强主干网络的特征 提取能力;最后增加预测层,检测不同尺度的目标。 实验结果表明,MT-YOLOv5 算法在 NEU-DET 数据集上的均值平均精度 (mAP)达到了 82. 4%,较原 YOLOv5s 算法提高了 5. 3%,检测速度为 65. 4 fps,更好地均衡了检测速度与检测精度。     

基于改进EfficientDet的药丸检测算法

针对药剂师在药丸分拣过程中因疲劳而出错的问题,本文提出了一种基于改进EfficientDet的药丸检测算法。首先,引入Mosaic数据增强技术来提高采样数据的复杂度;然后,对主干网络EfficientNet进行改进优化,嵌入了CBMA模块的特征融合层,通过增强学习特征提高对药丸关键特征的提取能力;最后,对BiFPN特征融合部分增加了下层到上层的跨级数据流,通过充分利用多级数据,提高了不同层次的多尺度特征融合效率。实验表明,改进后的EfficientDet算法在测试中mAP值达到99.84%,相比较原始EfficientDet算法提高了0.65%,同时也比YOLOv3,YOLOv4和YOLOv4-Tiny等性能较好的目标检测网络具有更高的准确率和更好的实际应用性。     

一种基于特征重用金字塔的舰船检测算法

针对现有算法在SAR图像舰船目标检测场景中难以提取模糊目标特征的问题,提出一种基于特征重用金字塔的舰船目标检测算法。所提算法以YOLOV4-tiny为主体,首先将线性因子引入到K-means算法中整合初始锚框,加强网络对多尺度目标的适应性;其次在主干CSPDarknet53-tiny中添加注意力机制来抑制干扰信息,减弱复杂背景的影响;最后利用特征重用机制强化特征金字塔,提升网络对模糊目标特征的提取能力。实验结果表明,相较于YOLOV4-tiny网络,改进后的算法在SSDD数据集上的平均检测精度提升11.79%,证明了改进后算法在舰船检测中的有效性。