基于改进YOLOv5s的Deep PCB缺陷检测算法研究

现有PCB缺陷检测方法的精确率较低而且模型复杂度也较高.针对这个问题,提出了基于改进YOLOv5s的Deep PCB缺陷检测算法.该算法在颈部网络（Neck）的C3层后添加了卷积注意力模块（Convolutional Block Attention Module,CBAM）,对小目标的检测建立特征映射关系,对特征图进行注意力重构,赋予了小目标更高的特征权重,提高网络对印刷电路板（Printed Circuit Board,PCB）图像中小目标的特征提取能力.为了从根本上解决目标特征冗余的问题,实现网络的轻量化,并且确保网络检测的精确度,提出使用Ghost Conv模块替换Conv模块,同时将C3模块改为Ghost Bottleneck模块.使用有效交并比损失（EIOU Loss）函数代替完全交并比损失（CIOU Loss）函数,减小了预测框宽高与置信度的真实差值,减少了网络的回归损失.使用上海交通大学图像处理与模式识别研究所公开的Deep PCB数据集开展实验,结果表明本文算法相较于YOLOv5s,在IOU=0.5时,mAP提升了6.8%,速度提升了4.7 Fps,模型大小减少了2.9...     

基于Ghost模块的改进YOLOv5目标检测算法

现有以YOLOv5为代表的目标检测技术,存在骨干网络对特征提取不充分以及颈部层未高效融合浅层位置信息和深层高级语义信息等问题,这会导致检测精度较低,小目标误检、漏检。针对此问题,从兼顾实时性与检测精度出发,对YOLOv5进行改进,提出一种改进网络YOLOv5-CBGhost。首先在骨干网络中引入Ghost模块对模型进行轻量化处理,引入CA模块来更好地获得全局感受野,提高模型获取目标位置的准确度;然后借鉴双向加权特征金字塔网络,对原PAN结构进行改进,有效减少了特征冗余以及参数量,并通过跨层加权连接融合更多特征,提高了模型的目标检测精度;最后,增加多检测头以获取图片更丰富的高层语义信息,有效增加了检测精度。通过在PASCAL VOC2007+2012数据集上实验,YOLOv5-CBGhost的目标精度达到81.8%,相较于YOLOv5s,提高了3.0%,计算量减少42.5%,模型大小减少3.5%。     

一种基于改进YOLOv5s-Ghost网络的交通标志识别方法

针对目前自动驾驶过程中对交通标志的识别检测速度慢的问题,提出一种改进的YOLOv5s-Ghost网络模型对交通标志进行识别的方法,在3×3运算核Ghost Net模型框架下,通过两个连续的Ghost模块构建的Ghost Bottleneck模块,并代替C3模块中全部的Bottleneck模块,与跨阶段局部网络(cross-stage position network, CSPNet)模块结合生成Ghost Bottleneck CSP模块。通过调整每个模块中加入Ghost Bottleneck模块的数量,对比实验数据得到最佳网络模型。分别用原网络和新网络对TT100K数据集进行训练,对比实验数据表明,YOLOv5s-Ghost模型的检测精度达95.1%,检测速度达到了52.6 FPS,模型大小压缩了69.3%,在保证原检测精度的情况下提高了网络的检测速度。     

基于改进YOLOv4-tiny的轻量化室内人员目标检测算法

深度学习在室内人员检测领域应用广泛,但是传统的卷积神经网络复杂度大且需要高算力GPU的支持,很难实现在嵌入式设备上的部署。针对上述问题,该文提出一种基于改进YOLOv4-tiny的轻量化室内人员目标检测算法。首先,设计一种改进的Ghost卷积特征提取模块,有效减少了模型的复杂度;同时,该文通过采用带有通道混洗机制的深度可分离卷积进一步减少网络参数;其次,该文构建了一种多尺度空洞卷积模块以获得更多具有判别性的特征信息,并结合改进的空洞空间金字塔池化结构和具有位置信息的注意力机制进行有效的特征融合,在提升准确率的同时提高推理速度。在多个数据集和多种硬件平台上的实验表明,该文算法在精度、速度、模型参数和体积等方面优于原YOLOv4-tiny网络,更适合部署于资源有限的嵌入式设备。     

融合注意力机制的轻量级摔倒检测

摔倒检测大都依靠传感器设备,此类方法受设备自身和环境因素影响较大,常常无法发挥该有的作用,同时,基于视觉的方法往往实时性较差,鲁棒性不强。针对上述问题,本文提出了一种鲁棒性强、能有效部署在嵌入式设备上的轻量化摔倒检测算法。以YOLOv5为基准模型,首先,融合轻量级注意力机制模块,使网络更关注要识别的目标区域,增强网络的识别精度。其次,使用模型压缩方法对模型进行剪枝,减小模型体积和计算量,使模型轻量化,以提高推理速度和便于部署在嵌入式设备中。最后,对剪枝后的模型进行知识蒸馏,在不提升模型复杂度的前提下提升模型的检测精度。实验结果表明：本文模型相较于基准模型,mAP增加了1.7%,召回率提高了1.2%,模型体积减小了79.1%,浮点运算量降低了70.9%。将本文模型部署在嵌入式设备Jetson Nano上,检测速率达到13.2 frame/s,基本满足实时性摔倒检测的要求。     

基于YOLOv5的轻量级火焰视频流实时检测算法

针对火焰检测模型小目标检测能力差、模型体积大、计算复杂、难以部署到移动端设备的问题,提出了一种轻量化的DGC＿YOLOv5 (you only look once v5)算法。本文首先调用k-means计算函数,计算出适合本文数据集的锚框尺寸;其次引入卷积块注意力机制(convolutional block attention module, CBAM),提高算法对小目标的检测能力;然后利用轻量型的Ghost模块对主干网络中的C3模块进行改进;最后利用深度可分离卷积(depthwise separable convolution, DS＿Conv),用简单的线性计算代替复杂计算,降低模型复杂度,减小模型体积。实验表明,相比原始的YOLOv5算法,本文算法在测试集上的平均精度均值(mean average precision,mAP)可达到94.4%,比原始算法提高1.7个百分点,在视频测试集上平均检测速度可达到71 FPS,可以满足实时检测的要求,参数量和计算量分别减少为原来的41.2%和34.8%,模型大小减少8.4 M,便于后续移动设备端的部署。     

特征增强和双线性特征向量融合的移动端工业货箱文本检测

在实际工业环境下,光线昏暗、文本不规整、设备有限等因素,使得文本检测成为一项具有挑战性的任务。针对此问题,设计了一种基于双线性操作的特征向量融合模块,并联合特征增强与半卷积组成轻量级文本检测网络RGFFD（ResNet18+GhostModule+特征金字塔增强模块（feature pyramid enhancement module, FPEM）+ 特征融合模块（feature fusion module,FFM）+可微分二值化（differenttiable binarization,DB））。其中,Ghost模块内嵌特征增强模块,提升特征提取能力,双线性特征向量融合模块融合多尺度信息,添加自适应阈值分割算法提高DB模块分割能力。在实际工厂环境下,采用嵌入式设备UP2 board对货箱编号进行文本检测,RGFFD检测速度达到6.5 f/s。同时在公共数据集ICDAR2015、Total-text上检测速度分别达到39.6 f/s和49.6 f/s,在自定义数据集上准确率达到88.9%,检测速度为30.7 f/s。     

智能摄像系统视频采集模块的嵌入式结构

介绍的是实时视频采集模块的嵌入式结构,来实现智能的实时监控。嵌入式结构用赛灵思ML-507平台来进行开发。平台Virtex -5FXT FPGA设备中的FPGA结构中内嵌PowerPC440处理器,旋转变焦（PTZ）摄像机和VGA监视器与该平台连接。接口使用机载VGA输入视频编解码器和DVI发射器芯片。芯片的控制寄存器配置使用嵌入式PowerPC440处理器。应用软件用C语言编写。完成了视频的采集、传输、分辨率为640*480的显示。连接、处理能力高,FPGA消耗资源占18%,剩下的FPGA资源足够实现视频处理的应用。     

面向安防场景的行人目标检测技术研究

安防场景的行人目标检测不仅需要识别并标定行人位置，还需要对人脸进行检测与提取，支持人脸比对等下游任务。当前目标检测算法在实际应用中存在运行速度慢、边界框标定不准确、小目标检测效果不佳等问题，文中提出一种基于SSD检测器的安防场景下的行人目标检测算法。针对检测器因为分类与定位子任务强耦合造成边界框标定不准确的问题，采用一种解耦的“检测头”保证检测器定位精度，并通过在不同分支上引入特征增强模块提取适应不同子任务的特征；采用一种任务耦合的损失函数来提升训练效果；针对运行速度慢，采用轻量化网络作为主干网络，结合TensorRT量化模型提升算法在嵌入式平台上的运行速度。通过在NVIDIA TX2嵌入式深度学习平台进行实验，单帧图像检测时间为23.8 ms，平均帧率约为42 f/s，算法具备优秀的实时性与准确性。     

基于改进SSD算法的实时交通标示牌检测

由于当前交通标示牌检测模型体积太大,检测速度太慢,无法在嵌入式设备上使用,为提高交通标示牌的检测速度,在SSD算法的基础上使用MobileNet作为主体网络进行特征提取,极大地减小了模型的体积,降低了模型计算量和硬件消耗。模型使用反卷积和跨层连接,不仅丰富了上下文信息,而且提高了检测精度。实验结果表明,这种技术在保证检测交通标示牌检测精度的同时,大大提高了检测速度,为模型在嵌入式设备上进行实时的交通标示牌检测提供可能。     

融合多尺度信息和跨维特征引导的轻量行人检测

针对复杂道路场景下行人检测精度与速度难以提升的问题,提出一种融合多尺度信息和跨维特征引导的轻量级行人检测算法。首先以高性能检测器YOLOX为基础框架,构建多尺度轻量卷积并嵌入主干网络中,以获取多尺度特征信息。然后设计了一种端到端的轻量特征引导注意力模块,采用跨维通道加权的方式将空间信息与通道信息融合,引导模型关注行人的可视区域。最后为减少模型在轻量化过程中特征信息的损失,使用增大感受野的深度可分离卷积构建特征融合网络。实验结果表明,相比于其他主流检测算法,所提算法在KITTI数据集上达到了71.03%的检测精度和80 FPS的检测速度,在背景复杂、密集遮挡、尺度不一等场景中都具有较好的鲁棒性和实时性。     

Anchor-free轻量级红外目标检测方法（特邀）

针对红外目标的特点,提出了一种anchor-free轻量级红外目标检测方法,提高了嵌入式平台对红外目标的检测能力。针对计算资源有限的平台,提出了一种新的轻量级卷积结构,引入非对称卷积增强标准卷积的特征表达能力,同时有效减少参数和计算量。设计并行多路特征通道,经过通道拼接生成丰富的特征,结合注意力模块和Channel Shuffle构建轻量级特征提取单元。增加SkipBranch促进浅层信息向高层传递,进一步丰富高层特征。在FLIR数据集进行实验验证,设计的轻量级网络结构精度为81.7% ,超过了 YOLOv4-tiny,但模型参数量减少了75.0%、计算量下降了71.1%,并且推理时间压缩了91.3%,能够满足嵌入式平台红外目标的实时检测需求。     

Android系统下OpenCV的人脸检测模块的设计

针对解决OpenCV人脸检测模块在Android平台编译和移植的问题,提出一种利用JNI技术(Java Native Interface)调用OpenCV以及采用Android NDK(Native Development Kit)生成共享库的目标检测方法。文中从分析利用Android NDK编译Android平台所需要的OpenCV静态库的问题入手,详细阐述了利用JNI调用OpenCV相关函数的具体步骤。经过多次试验,证明该人脸检测模块的平均检测时间为1 280 ms,具有较高的检测速度和检测精度。     

基于注意力机制的车牌快速检测方法研究

针对光照、车辆密集和低分辨率等复杂场景下车牌定位困难、检测速度慢和准确率 低等问题,提出了一种基于注意力机制的车牌快速检测方法。首先,综合车牌的特征,设计 了轻量级网络单元LeanNet,并使用该单元构建一种计算量低且精准的骨干网络。其次,设 计了MLA(muti-scale light attention)模块,用于引导网络关注不同尺度的车牌,生成 基 于车牌的局部显著图,抑制背景噪声。最后,设计了一个四尺度预测网络,其中的FSPF(fo ur scale pyramid fusion)模块能够生成四尺度特征金字塔,有利于实现不同尺度车牌的检测 。 实验结果表明,本文方法在CCPD(Chinese city parking dataset)数据集中的准确识别率 为 99.12%,与最新的YOLOv4(you only look once v4)检测方法相比,准确率提高了1.9%,运行速度提高了6倍,能 够在嵌入式设备中实现复杂场景下的车牌检测。     

基于轻量化网络的光学遥感图像飞机目标检测

光学遥感图像飞机检测是遥感分析的重要研究方向。现有检测方法难以达到满意的效果,传统检测方法由于手工特征建模困难,易受背景干扰,导致其鲁棒性普遍偏低;而以复杂度提升为代价来提高检测性能的深度学习目标检测方法无法在资源受限下的星载平台得到广泛应用。针对上述问题,本论文提出一种具有轻量化多尺度特点的深度学习飞机目标检测方法。在多尺度目标检测框架（SSD）基础上,利用密集连接结构和双卷积通道构成具有特征重复利用、计算效率高等特点的基础骨干网络,之后连接一个由残差模块和反卷积构成的多尺度特征融合检测模块,以提高飞机小目标的检测性能。实验结果表明,在多种复杂机场场景中,本文的方法与当前经典的深度学习目标方法相比,在保持较高目标检测精度的同时,又能具有较低的计算复杂度。      

复杂场景下军事目标的轻量级检测方法

人工智能技术在现代战争中具有举足轻重的地位,复杂环境下的军事目标精准识别有利于使我方抢占先机从而克敌制胜.秉承海空一体化联合作战的重要理念,为使目标检测方法能够嵌入到各种军事单位中的微电脑中,提出了一种轻量且精准的军事目标检测方法.通过分析与结合士兵、汽车、与坦克及其履带的特征,设计出一个轻量级的网络单元.使用网络单元...     

一种轻量化的水下目标检测算法SG-Det

基于深度学习的目标检测算法在水下进行检测主要存在两个困难：水下设备的存储和计算能力有限;水下图像模糊且小生物聚集。这种局限性要求水下目标检测算法要做到轻量且高效,因此现有的目标检测算法不能完全满足水下目标检测的需求。为此本文在SSD(single shot MultiBox detector)的网络框架上进行改进,设计了一种轻量化的一阶段检测模型SG-Det。一方面,借鉴GhostNet的思想,对ShuffleNetV2网络进行了重构,提出一种新的轻量化特征提取网络SGnet。此网络进一步减少了模型参数量,使模型大小更适合部署在水下设备。另一方面,网络主要是利用6个不同尺度的特征图检测不同大小的生物,为此设计了一种引入双分支注意力机制的跨尺度特征融合模块(cross-scale feature fusion module, AFF)。模块首先引入注意力机制对输入的特征在全局通道和局部通道两方面进行加权,突出有用信息,从而减少背景等无关信息的干扰。然后选取非线性化程度更高的第4层分别增强前3层的语义信息,以较小的代价使前3层在识别小物体方面有更好的表现。模型在中国水下机器人大赛提供的水下...     

基于改进YOLOv3的电容器外观缺陷检测

针对部署于有限算力平台的YOLOv3(you only look once v3)算法对电容器外观缺陷存在检测速度较慢的问题, 提出了基于 YOLOv3算法改进的轻量化算法MQYOLOv3。首先采用轻量化网络MobileNet v2作为特征提取模 块,通 过利用深度可分离式卷积替换一般卷积操作,使得模型的参数量大幅度降低进而提高模型的 检测速度,同 时也带来了检测精度的降低;然后在网络结构中嵌入空间金字塔池化结构实现局部特征与全 局特征的融合、 引入距离交并比(distance intersection over union, DIoU)损失函数优化交并比(intersection over union, IoU)损失函数以及使用Mish激活函数优化Leaky ReLU激活函数来提高模型的检 测精度。本文采用自制的电容器外观缺陷 数据集进行实验,轻量化MQYOLOv3算法的平均精度均值(mean average precision,mAP)为87.96%, 较优化前降低了1.16%,检测速度从1.5 FPS提升 到7.7 FPS 。实验表明,本文设计的轻量化MQYOLOv3算法在保证检测精度的同时,提高了检测速度。