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。     

基于可变形卷积与注意力机制的X光安检违禁品检测

X光安检违禁品检测被广泛应用于维护公共交通安全和人身安全。针对X光图像中违禁品存在形状尺度多变、重叠遮挡严重等问题，提出一种结合可变形卷积与注意力机制改进的YOLOv5s模型用于违禁品检测。首先在主干网络中引入可变形卷积，通过学习采样偏移量来适应物体的不同形变，增强空间特征信息提取能力；其次利用混合卷积注意力模块加强模型对检测目标的感知能力，抑制无关背景干扰；然后构造通道引导的空洞空间金字塔模块，获取更加准确的全局上下文信息，提高模型对重叠遮挡目标的识别能力；最后采用CARAFE算子代替最近邻插值，在上采样过程中充分利用内容信息，提高模型检测精度。在SIXray_OD和OPIXray数据集上实验结果显示，所提出模型的mAP@05相较于原YOLOv5s分别提高了21%和18%，达到了906%和900%。与现有诸多先进算法相比，具有较好的检测精度与实时性。     

基于YOLOv5的轻量化端到端手机检测方法

针对监控图像中手机尺寸较小、分辨率低且特征不明显等问题，给检测算法研究带来了困难。提出了一种改进的YOLOv5网络模型方法用来识别手机的使用。改进的检测算法引入轻量级网络GhostNet作为主干提取网络，将GhostConv模块、C3Ghost模块分别代替主干网络中的Conv基本卷积模块和C3模块，减小网络参数和复杂度；同时，将注意力机制CBAM引入到主干网络中，减少融合后冗余特征的影响，提取到目标区域中更加关键的特征信息；使用四尺度特征检测，在原算法基础上对应的增加检测层，用以提高更小目标的检测精度。实验结果表明，改进后的YOLOv5算法准确率达到95.7%,平均精度达到97.1%,比改进前训练的准确率和平均精度分别提升了2.5%和1.8%,运算量和参数量较改进前分别减少了14.3%和24.5%。改进的YOLOv5算法不仅具有轻量化优势，同时保证了准确率和平均精度。该方法为智能监测技术行业违规使用手机提供了理论依据和技术参考。     

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YOLOv5s的无人驾驶夜间车辆目标检测算法

夜间车辆检测对无人驾驶车辆行驶安全具有重要意义。但是，夜间光照强度低，车辆几何特征呈现不明显，尤其远处车辆由于目标小而特征视认难，导致检测难度大幅提升。基于此，提出了一种基于改进YOLOv5s的无人驾驶夜间车辆检测算法。首先，采集榆林市部分道路夜间场景自构建数据集，并通过Retinex算法实现数据增强处理；在此基础上，进一步通过以下3个措施对传统YOLOv5s网络进行改进：将深度可分离卷积引入Backbone结构，减少网络参数量；将多种注意力机制与FPN融合，提升网络的特征提取能力；在PAN中引入空洞卷积，在感受野不变和特征信息损失较少的同时，减少网络参数量。最终实验结果显示：夜间车辆的平均检测精度可达848%，相较改进前提升了52%；对应检测速度可达48 fps，提升了91%。研究成果可为提升无人驾驶车辆在事故多发夜间时段的行车安全性奠定理论基础。     

基于改进YOLOX的钢材表面缺陷检测算法

针对工业生产中钢材表面背景复杂导致缺陷检测精度低的问题，本文提出一种基于改进YOLOX的钢材表面缺陷检测算法。首先，引入了Swin Transformer模块来捕获缺陷钢材表面区域全局上下文信息并提取更多差异化特征；其次，采用加权双向特征金字塔网络（BiFPN），能够方便、快速的进行跨尺度特征融合；最后，对原始目标定位损失函数进行改进，建立了一种融合边界框中心位置的CIoU损失函数从而实现目标框高精度定位。实验表明，算法在NEU-DET数据集上的mAP为80.7%，检测精度相较于原始YOLOX-S网络提高了6.2%，同时也明显高于一些其他主流算法，具有较高的准确率和实用性。     

融合坐标注意力和自适应特征的YOLOv5陶瓷膜缺陷检测方法

针对平板陶瓷膜表面缺陷实时检测时存在检测准确率较低的问题,本文提出了一种融合坐标注意力和自适应特征的YOLOv5陶瓷膜缺陷检测方法。通过在原有YOLOv5模型的主干网络中加入坐标注意力机制,建立位置信息和通道之间的关系,从而更准确地获取感兴趣区域。在原始网络的预测网络中融入自适应特征融合机制,提高模型对多尺度缺陷的检测能力。将空洞空间卷积池化金字塔模块替换原始网络中的空间金字塔池化模块,提高卷积核视野获取更多的有用信息。实验结果表明：本文模型平均精度为97.8%,检测帧数为32 FPS,平均精度与原始YOLOv5模型相比提高了5.5%。本文提出的模型在满足平板陶瓷膜缺陷的实时检测条件下,提高了模型的检测准确率,对推动平板陶瓷膜缺陷检测的发展具有一定的参考价值。     

基于多阶段交叉信息融合的多光谱行人检测

针对多光谱行人检测中双模态特征融合不充分、特征融合质量低的问题，提出一种基于多阶段交叉信息融合的多光谱行人检测算法。算法首先通过双流骨干网络分别对可见光图像和红外图像进行特征提取；设计交叉信息融合模块并多阶段嵌入双流骨干网络中引导双模态特征融合，实现双模态特征信息的充分融合；引入条件卷积对融合后的特征信息进行动态处理，改善融合信息的质量，最终提升算法的检测性能。实验结果表明，算法的漏检率仅为1041%，较原算法降低了10%，显著提升了算法的检测性能。     

基于改进YOLOX的接触网U型抱箍开口销检测算法

针对高铁接触网的关键零部件U型抱箍开口销由于目标较小难以检测其缺失故障的问题，提出了一种基于YOLOX模型改进的小目标检测方法。根据高铁接触网图像背景较暗、开口销所占图像比例非常小的特点，引入了卷积块注意力机制模块(CBAM)来关注图像重要区域；使用CIOU替换IOU来优化YOLOX的损失函数，更加准确地评估预测框与目标框的匹配程度；设计了SC-PAN(skip connection PAN)结构来增强特征表达能力；构建了MSF-ASPP(multi-scale fusion atrous spatial pyramid pooling)模块，通过不同扩张率的空洞卷积进行多尺度融合，更好地捕捉图像中的语义信息。实验结果表明，改进后的YOLOX算法对U型抱箍定位的精确度达到了94.05%、召回率为97.53%、平均精度均值(mAP)为97.01%,单张检测时间为0.741 s,对开口销的再次定位的精确度高达99%、开口销缺失检测的精确度高达95.45%,其定位以及缺失检测整体效果都有着明显的提升。     

基于改进CenterNet的输电线路电力器件及异常目标检测

为实现输电线路电力器件及异常目标的快速准确检测，提出了一种基于改进CenterNet的目标检测算法。首先，使用轻量级Mobile NetV2作为CenterNet的特征提取网络，同时对解码网络的通道数进行缩减，提高检测速度；其次，构建多通道特征增强结构，并引入底层细节信息，解决CenterNet因仅利用单一特征而造成检测精度低的问题；然后，设计同尺度残差注意力特征融合模块，取代上采样过程中特征直接相加的融合方式，以此拟合来自不同支路的同级特征；最后，引入椭圆高斯散射核优化标签编码，提升边界框回归的质量。对改进的CenterNet算法进行了实验，结果表明：该算法在构建的数据集上得到的均值平均精度达96%，前向推理速度为13 ms/帧，模型参数量约为5.9 MB，各项指标均优于FCOS、YOLOX等主流检测算法。该方法与无人机结合可为电网智能巡检提供参考。