改进LDS＿YOLO网络的遥感飞机检测算法研究

为解决遥感飞机检测算法网络计算复杂、检测精度低的问题,以主流网络 YOLOv4为基础,从提高精度和简化模型两个方面进行改进研究,提出一种轻量级多尺度监督网络 LDS＿YOLO(light dense supervision YOLO)。针对遥感飞机目标细节信息提取不足的问题,改进三组多尺度融合预测层结构,在每一个支路第一次上采样前的四个卷积块之间设计密集连接方式,可以增强融合不同尺度飞机,丰富特征细节信息,提高预测准确率;针对目标特征关联度低的问题,引入一致性监督损失函数,通过监督分类网络辅助预测的同时提高检测精度;通过增加包含全局平均池化层、全连接层和特征映射层的轻量化模块,调整通道结构减少权重模型的特征冗余,降低网络参数量。在保证检测率的基础上将模型参数量降低为 3.6×10⁶,计算量为 77 MFLOPs,测试检测率比原始模型损失不到 2.3%,速度达到 17 frame/s;通过与主流检测算法进行对比,分析轻量化后算法模型的抗过拟合能力和鲁棒性,证明轻量化遥感飞机目标检测算法的有效性和可行性。     

基于改进DCNN的烟火隐患检测方法

针对山火烟雾这类柔性目标图像存在的形状不固定所导致的识别精度低、泛化性差等问题,提出了一个基于YOLO的改进深度卷积神经网络(DCNN)识别方法.该方法通过数据增强算法优化训练网络;利用GIoU_Loss损失函数替换L2 Loss函数,大幅降低损失值;运用空间金字塔池化,将多尺度特征进行融合,增加网络的感受野,提高检测精度.实验结果表明,改进方法相对于原YOLO算法查全率提升了1.3％,查准率提高了2.1％.     

改进YOLO V3的道路小目标检测

针对通用目标检测算法在检测小目标时存在效果不佳及漏检率较高等问题,提出了一种基于改进YOLO V3的道路小目标检测算法。对YOLO V3算法网络模型中的聚类算法进行优化,使用DBSCAN+K-Means聚类算法对训练数据集聚类分析,选取更合适的Anchor Box,以提高检测的平均精度和速度;同时引入Focal Loss损失函数代替原网络模型中的损失函数形成改进的YOLO V3算法。进而与其他目标检测算法在KITTI数据集上对行人目标进行对比检测,发现改进的YOLO V3算法能够有效降低小目标漏检率,大大提高检测的平均精度和检测速度。实验结果表明,在KITTI数据集上,改进的YOLO V3算法检测目标的平均精度达到92.43%,与未改进的YOLO V3算法相比提高了2.36%,且检测速度达到44.52?帧/s。     

基于EfficientNet的实时目标检测模型

在智能驾驶领域中，通常要求模型兼顾精度和推演速率。然而由于硬件条件的限制，目前大量的目标检测模型尚不能满足该要求。因此，基于单阶段目标检测算法提出一种准确率与推演速率相对平衡的实时目标检测模型。该模型使用EfficientNet-B1作为主干网络，SPP与改进后的PANet作为脖颈网络，CIoU损失函数与YOLO损失函数的组合作为模型训练时的损失函数。为了在不引入额外计算量的同时进一步提升模型的精度，在模型训练时引入多种模型训练技巧。实验结果证明，在BDD100K与PASCAL VOC数据集上，该模型相比YOLOv4模型有着更低的计算量和更好的检测精度，且实验中所使用的训练技巧均为模型带来了一定的精度提升，证明了该模型及训练技巧的有效性。     

基于改进YOLO v4光线模糊场景下交通标志检测

近些年,自动驾驶开始进入人们的视线。对于自动驾驶而言,模糊光线场景下的交通标志检测是其中极其重要的一部分。目前YOLO v4算法广泛用于目标检测,虽然它的检测精度相比于其他YOLO版本有着较大的提高,但是还没有达到预期的精度。为了进一步提高检测交通标志的精度,本文在原有YOLO v4的基础上作一定的改进并与MSRCR图像增强处理相结合。首先将作为训练的图片通过MSRCR算法达到图像增强的目的,并将其作为目标检测的训练集图像。使用Darknet-53的YOLO v4网络,通过labelImg标注BelgiumTS交通信号数据集,使用改进的K-means++聚类算法确定先验框和具体参数并且改进路径聚合网络（PANet）结构和损失函数,将数据集进行训练。实验结果表明,改进后的算法与原本的YOLO v4算法相比较,平均精度提高了1.86个百分点。     

改进零参考深度曲线低照度图像增强算法

在低照度条件下拍摄的图像具有对比度低,亮度低,细节缺失等质量缺陷,给图像处理带来困难。提出一种改进零参考深度曲线低照度图像增强算法,通过在空间一致性损失函数中引入与卷积核大小相关参数,统一了不同尺寸图像的增强效果;将颜色不变损失、照明平滑损失函数与输入图像类型关联,使其增强效果的峰值信噪比提高17.75%,对比度提高26.75%;通过使用对称式卷积结构,解决原算法计算量大的问题;通过使用MobileNetV2轻量化网络对零参考深度网络(Zero-DCE)进行了优化,减少网络模型计算复杂度的同时保证模型较好的增强效果。     

改进YOLOX的轻量化航拍目标检测算法

针对小型无人机在巡逻航拍中的应用,提出了一种改进的轻量化目标检测算法,有效解决巡逻过程中空地无线传输信道和机载端计算能力双重受限的难题;该算法在YOLOX算法的基础上,首先利用Mobilenetv2代替CSPDarknet骨干网络作为特征提取网络,降低了模型参数量和计算量,提高目标检测实时性;其次为了弥补轻量化带来的检测精度下降,考虑检测目标框的长宽比引入CIOU定位损失函数,提升目标定位的精度;同时为了平衡训练过程中的正负难易样本,引入Focal Loss置信度损失函数提升模型的检测性能;基于VisDrone2019-DET数据集实验表明,改进后算法模型参数量降低了56.2%,计算量降低了52.5%,在检测精度没有明显下降情况下单张图片推理时间减少了41.4%;最后,将改进后的算法部署到Nvidia Jetson Xavier NX机载端,测得模型检测帧率可达22FPS,改进后算法满足巡逻任务的应用需求。     

面向目标检测任务的轻量化网络模型设计

为解决基于深度学习模型的目标检测任务在移动设备和嵌入式设备上难以部署的问题，以现有的YOLO系列模型为实例，提出一种轻量级目标检测网络模型small-YOLOV3及small-YOLOV4。提取YOLO模型的主干网络作为基础结构，采用SPP、PANet、FPN等重新轻量化设计，对轻量级模型int8量化达到降低参数大小和计算量的目的。实验结果表明，small-YOLOV3及small-YOLOV4模型在保证一定精度的情况下，其大小缩减为原模型的1/49,有效提高了在硬件条件受限情况下目标检测任务的速度。     

基于YOLO v3算法改进的交通标志识别算法

针对目前交通标志识别任务在使用深度学习算法时存在模型参数量大、实时性较差和准确率较低的问题,提出了基于YOLO v3改进的交通标志识别算法。该算法首先将深度可分离卷积引入YOLO v3算法的特征提取层,将卷积过程分解为深度卷积、逐点卷积两部分,实现通道内卷积与通道间卷积之间的分离,从而保证了在较高识别准确率的基础上极大地减少了算法模型参数数量以及计算量。其次,在损失函数设计上使用广义交并比（GIoU）损失替换均方误差（MSE）损失,将评测标准量化为损失,解决了MSE损失存在的优化不一致和尺度敏感的问题,同时将Focal损失加入到损失函数以解决正负样本严重不均衡的问题,通过降低大量简单背景类的权重使得算法更专注于检测前景类。将该算法应用于交通标志任务中的结果表明,在TT100K数据集上,该算法的平均精度均值（mAP）指标达到了89%,相较于YOLO v3算法提升了6.6个百分点,且其参数量仅为原始YOLO v3算法的1/5左右,每秒帧数（FPS）亦比YOLO v3算法提升了60%。该算法在极大地减少模型参数量和计算量的同时,提高了检测速度和检测精度。     

基于Faster-YOLOv7的带式输送机异物实时检测

基于深度学习的目标检测算法在异物检测中具有较好的识别效果,但模型内存需求大,检测速度慢;轻量化深度学习网络能够大幅减少模型内存需求,提升检测速度,但在井下弱光环境中检测精度低。针对上述问题,提出了一种基于Faster-YOLOv7的带式输送机异物实时检测算法。通过限制对比度自适应直方图均衡化算法（CLAHE）进行图像增强,提高弱光环境中异物对比度;基于Mobilenetv3对YOLOv7主干网络进行轻量化设计,减少YOLOv7模型的计算量、参数量;添加有效通道注意力机制,缓解因特征通道数减少而导致的高层特征信息丢失问题;采用Alpha-IoU作为损失函数提高异物检测精度。实验结果表明：(1) Faster-YOLOv7的初始损失为0.143,最终稳定在0.039左右。(2) Faster-YOLOv7的检测速度可达42帧/s,较YOLOv5、YOLOv7分别提升了17,20帧/s;Faster-YOLOv7内存为14 MiB,较YOLOv5、YOLOv7分别降低了29,57 MiB;检测准确率达91.3%,较YOLOv5提升了8.8%。(3)将SSD、YOLOv5、轻量化YOLOv7、...     

改进YOLOv5的轻量化口罩检测算法

为了提高现有口罩检测算法检测效率，降低算法参数量以及模型大小，提出了一种改进的轻量化口罩检测算法YOLOv5-MBF。用GELU激活函数替换MobileNetV3深层网络的hard-swish激活函数，优化了模型收敛效果，将改进的MobileNetV3网络替换YOLOv5s主干网络，降低计算量提高模型检测速度。增加BiFPN特征金字塔结构与不同特征层融合，提高了检测精度。在数据处理方面使用Mosaic和Mixup数据增强提高该模型的泛化性和鲁棒性。边框回归损失函数使用Focal-Loss EIoU，优化了模型训练收敛速度且提高了口罩和人脸边框定位精度。最后添加CBAM注意力机制使得模型更关注重要特征抑制不显著特征提高检测性能。实验结果表明，该算法在佩戴口罩目标和无佩戴口罩目标上的平均精度均值达到了89.5%，模型推理速度提升了43%，模型参数了减少了49%，模型大小降低了48%，满足口罩检测任务的实时性和检测精度要求。     

基于轻量化SSD的人脸检测模型设计

针对传统深度学习检测模型精度高、结构复杂、参数量大,检测速度慢,以及轻量级模型结构简单参数量小,精度损失明显的问题,提出了一种轻量化基于单步候选区回归的目标检测算法(SSD)的人脸检测模型,兼顾检测精度和检测速度的需求.基于传统模型特征图所存在的冗余现象,设计了一种轻量化卷积,以线性变换代替部分卷积操作,既能保持特征图的数量,又减少了模型参数和运算量.同时,采用性能更好的Hard_Swish激活函数,以加快收敛速度并提高模型精度.通过FDDB人脸数据集的测试结果可以看出,综合考虑精度、参数量、速度等指标,轻量化模型在保持了人脸检测精度的前提下,大大压缩了模型体积、提高了模型的检测速度,达到了影视实时性检测要求.     

基于注意力机制的YOLOv5优化模型

目标检测是机器视觉研究中的重要分支。目前在工业生态中应用广泛的YOLOv5模型经过版本迭代,在预测权重大小以及检测精度方面都有所优化,但模型的处理速度仍然较低,尤其是对于小目标及遮挡目标的检测效果有待改进。该文提出一种基于注意力机制的YOLO v5改进模型。首先,通过引入维度关联注意力机制模块进行特征融合,提升主干网络的特征提取能力,达到改善小目标与遮挡目标的检测效果;其次,采用SIoU损失函数代替CIoU损失函数,作为新的边界框回归参数的损失函数,提高边界框的定位精度以及检测速度。实验结果显示,优化模型的平均精度均值达到87.8%,相比于YOLOv5提高了4.7百分点,在单GPU上模型的检测速度达到83.3 FPS。     

适用于约束环境的轻量级目标检测模型

为了进一步降低目标检测模型YOLOX-Tiny的大小并提高检测精度,以便于更好地适用于计算资源和存储空间有限的环境,在特征金字塔的结构、解耦头的结构和损失函数上对其进行改进,形成一种更高性能的轻量级目标检测模型Lite-YOLOX。为进一步压缩原有模型体积,重新设计特征金字塔和解耦头的结构,使模型的Neck和Head部分更轻量化;为提升模型的检测精度,在原有IoU损失函数的基础上进行优化,设计并提出EIoU损失函数,改进后的损失函数对真实框和预测框的位置更加敏感;选取PASCAL VOC和安全帽检测数据集对改进模型进行验证。实验结果表明：Lite-YOLOX与YOLOX-Tiny相比,参数量减少40%,计算量下降37.5%,mAP50提升3.2和3.1个百分点。在NVIDIA Jetson Xavier NX上,每秒传输帧数（FPS）从51增加到59,实时性有了明显的提升。     

基于轻量化YOLOX的电子元器件缺陷检测方法研究

针对传统目标检测方法在对电子元器件进行缺陷检测时存在参数量大、检测效率低的问题，提出了一种基于轻量化YOLOX检测网络的目标检测方法。首先，使用深度可分离卷积对主干网络实现轻量化处理，减少参数量的同时提高检测速度；其次，构建基于空间金字塔的通道注意力模型，对不同尺度特征进行筛选融合，加强小尺寸缺陷的特征权重；在特征融合的采样过程中，加入高效通道注意力，在略微增加参数量的情况下，提升检测精度；最后，采用EIoU损失函数优化IoU损失函数，并使用余弦退火算法来使模型达到最佳检测效果。采用自制的电子元器件外观缺陷数据集进行实验，所提方法的平均检测精度达到98.96%,每幅图像的检测时间大约为0.09 s,与原YOLOX网络相比检测速度提高了一倍，模型大小缩小了约60%,并且在PCB瑕疵公共数据集上进行了验证，结果表明所提方法实现了目标缺陷的快速检测。     

基于YOLO v4的车辆目标检测算法

针对车辆目标检测中存在遮挡目标导致检测精度低、小目标检测效果差等问题,提出一种基于YOLO v4改进的目标检测算法YOLO v4-ASC。通过在主干提取网络尾部加入卷积块注意力模块,提升网络模型的特征表达能力;改进损失函数提升网络模型的收敛速度,利用Adam+SGDM优化方法替代原始模型优化方法SGDM,进一步提升模型检测性能。此外,利用K-Means聚类算法优化先验框尺寸大小,并合并交通场景数据集中的car、truck、bus类别为vehicle,将本文问题简化为二分类问题。实验结果表明,本文提出的YOLO v4-ASC目标检测算法在保持原算法检测速度的基础上,AP达到了70.05%,F1-score达到了71%,与原YOLO v4算法相比,AP提升了9.92个百分点,F1-score提升了9个百分点。     

基于深度学习的高速公路收费车辆分类研究

为增强高速公路收费车辆分类的实时性和准确性,对比分析了SSD、YOLO和Faster R-CNN图像识别算法的优缺点,提出了一种结合MixUp数据增强、Focus网络结构和CIOU损失函数的高速公路收费车辆分类方法,对门架高清摄像机抓拍的图像进行识别和分类,在京港澳高速公路数据集上进行验证。结果表明：YOLO模型系列中的YOLOv3模型对于收费车辆分类的平均准确率超过了Faster R-CNN和SSD模型,并且在使用了MixUp数据增强、Focus网络结构和CIOU损失函数时平均准确率达到了92.04%,FPS为22.8。进行消融实验,使用MixUp数据增强后,模型精度提高了0.62%;使用Focus网络结构后,模型FPS提高了1.4;使用CIOU损失函数后,模型精度提高0.28%。由此说明,改进后的YOLOv3模型在高速公路收费车辆分类中可以准确、实时地实现收费车辆分类,为高速公路智能收费系统提供技术支撑。     

基于改进YOLOv5的牛个体图像识别方法

针对现有非接触式牛个体图像识别模型体积大、参数多、资源占用较大等问题,提出了一种基于改进YOLOv5模型的轻量级牛个体图像识别模型(Light YOLO Net, LY-Net)。将YOLOv5模型的主干网络替换为轻量级网络Ghost Net,并采用CARAFE(轻量级通用上采样算子),减少网络参数,实现网络轻量化;采用Focal-EIoU Loss作为损失函数,加速收敛并提高了速度。采用甘肃省张掖市某养殖场的30头牛,共6 775幅牛个体图像作为样本数据,进行模型的训练、验证、测试。实验结果表明：LY-Net模型对牛个体的识别精确率约为99.6%,召回率约为99.5%。该模型能够在对牛个体图像高效且准确识别的同时,实现模型的小型化、轻量化。     

水下声呐图像轻量级目标检测模型

水下AUV搭载声呐进行探测成为水下目标检测的主流方式，水下环境的复杂及声呐成像方式导致声呐图像分辨率较低，使用形态学目标检测等传统方法时检测精度与实时性不高，深度学习如YOLO等算法直接用于水下声呐图像目标检测时仍然面临样本少、模型参数多等挑战，为此，本文提出一种声呐图像水下目标轻量化检测模型。针对低分辨率声呐图像数据特点以及水下AUV自动检测对实时性的要求，以YOLOv4模型为主要框架，进行模型裁剪、替换优化特征融合模块、目标预测框K均值聚类以及改进损失函数等，将构建的检测模型应用于声呐目标检测。所构建的声呐图像水下目标检测轻量化模型的mAP相对于SSD、YOLOv3、YOLOv3-DFPIN、YOLOv4-tiny分别提高了0.0659、0.0214、.0402和0.1701。在mAP相较于YOLOv4、CenterNet、EfficientdetD0分别低0.0186、0.0093、0.0074的情况下，FPS分别相对于YOLOv4提升一倍多、相对于EfficientdetD0提升近5倍、相对于CenterNet提升近一倍。同时，本文提出的模型兼具高精度和实时性的优点。实验结果表...     

融合YOLO v3与改进ReXNet的手势识别方法研究

工程应用中的手势识别需要较高的实时性和准确性，而现场环境通常无法提供足够的计算能力，采用轻量化神经网络在解决了上述问题的同时，还能达到与深度神经网络相当的识别效果。为此，提出一种基于改进轻量化神经网络的手势识别方法。该方法改进用于手部关键点检测的ReXNet网络结构，以改善骨骼点的局部关注；同时将关键点检测损失函数MSE替换为Huber loss，以提升离群点的抗干扰性。实验环境搭建基于普通单目镜头捕获图像后，经YOLO v3手部识别模型和改进的ReXNet关键点检测模型，并根据约束手部骨骼关键点的向量角而定义的不同手势，最后达到实时检测的效果。改进模型在RWTH公开数据集上的测试结果表明，改进后的手势识别方法的检测准确度较改进前整体提升2.62%，达到了96.18%，且收敛速度更快。