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。     

改进YOLOX的药品泡罩铝箔表面缺陷检测方法

药品泡罩包装中铝箔表面包含各种字体和图案信息,而且铝箔表面凹凸不平,拍摄中会出现明暗分布不均的情况,可导致缺陷特征和铝箔表面特征相似度较高。针对YOLOX模型无法更加准确区分缺陷特征和铝箔表面特征的问题,提出一种改进YOLOX模型的表面缺陷检测方法。首先,为了使输入到Prediction网络的信息更具全局性,需要对Neck网络中特征图的全局特征进行分析,于是将Neck网络的CSP模块替换成transformer encoder模块。同时YOLOX模型具有较深的深度,为了有效地提高分类精度,使用Mish激活函数替换Swish激活函数。然后针对缺陷特征和铝箔表面特征相似导致缺陷区域和背景区域分类困难的问题,在损失函数中引入focal loss。实验结果表明,改进的模型对铝箔表面缺陷检测的mAP为90.17%,比原始的YOLOX模型提高了4.95%,并且改进的模型能够降低和铝箔表面特征相似度较高的缺陷误检和漏检的概率。     

基于改进YOLOX的落石检测方法

山坡地区是落石频发的区域,凭人力难以及时发现灾害的发生。为及时检测到落石的发生并做出应对措施,提出一种基于改进YOLOX的落石检测方法,自动检测并报告落石的发生情况;通过自制落石数据集训练YOLOX网络,优化空间金字塔池化结构,获取更多语义信息,并引入ECA-Net(Efficient Channel Attention Module,高效通道注意力模块),提高特征的提取能力和特征间的信息传播,同时改进损失函数并使用数据增强,提高网络训练效果;实验结果表明,改进YOLOX算法的mAP@0.5为92.50%,每秒检测帧数为62.6,相较于YOLOX算法,mAP@0.5提高3.45%,每秒检测帧数上涨0.3;与原算法相比,在不损失性能的情况下,精度有较大的提升,同时满足图片与视频数据的实时检测要求。     

基于YOLOX的车辆检测

车辆检测是智能交通系统重要的一个研究方向.针对监控视角下的车辆检测问题,提出了一种改进YOLOX算法的车辆检测方法.使用网络深度更小的YOLOX＿S模型,对网络结构改进.使用GHOST深度可分离卷积模块代替部分传统卷积,在保证模型检测精度的同时减少模型参数;将CBAM注意力模块融合到特征提取网络中,并添加特征增强结构,加强特征提取网络获得的特征图语义信息,增强提取网络对目标的检测能力;通过使用CIoU＿loss优化损失函数,提高模型边界框的定位精度.测试实验结果表明,改进后的网络识别准确率提升了2.01%,达到95.45%,证明了改进方法的可行性.     

基于联合注意力的复杂纹理瓷砖缺陷检测方法

复杂纹理瓷砖表面存在较多的低可视度小目标缺陷与严重的复杂纹理背景干扰,使应用目标检测方法时易出现较高的误检率和漏检率。为提升复杂纹理瓷砖表面缺陷检测效率,提出了基于通道与空间联合注意力的复杂纹理瓷砖表面缺陷检测方案。首先通过建模深浅层特征通道间关系设计了一种选择性特征融合方法,以提升模型对小目标缺陷的特征表达;其次,提出了通道与空间联合注意力模块,通过通道注意力和空间注意力来筛选关键特征通道和抑制纹理区域,使模型着重于学习缺陷特征以增强模型辨别缺陷与纹理的能力;最后,在复杂纹理瓷砖表面缺陷数据上进行了实验验证。实验结果表明,相较于AFF(attentional feature fusion)和CBAM(convolutional block attention module)方法,选择性特征融合方法和通道与空间联合注意力模块使模型检测性能分别提高了5.3 AP、6.32 AP。最终,实验证明了该方案分别优于现有的瓷砖检测方法YOLOv5和纹理织物缺陷检测AFAM方法1.32 AP、2.12 AP。     

改进YOLOX火灾场景检测方法的研究

针对现有目标检测模型难以应用在复杂火灾场景的问题,论文提出了基于注意力机制改进的YOLOX火灾场景检测模型,实现对火焰、烟雾以及受灾人员的检测。首先,在CSPLayer层上添加轻量级注意力模块,提升模型整体的检测性能;其次,引入通道混合技术,提高各通道间的交流能力;最后,将主干网络最后一层换为轻量级Transformer模块,强化主干网络对全局信息的抓取能力。通过在自制火灾数据集上的实验表明,T-YOLOX的mAP比基准模型（YOLOX）提高了2.24%,与CenterNet、YOLOv3相比检测精度有较大提升,证明了该算法的有效性和优越性。     

一种基于YOLOX改进的路侧目标检测方法

在车路协同中,路侧感知设备可以检测出行车环境中感兴趣的目标,协助车辆进行智能决策。论文使用架设在路口的相机采集可见光图像,对行人、自行车和汽车等目标进行标注,构建了路侧目标检测数据集。论文采用最新的anchor-free目标检测方法 YOLOX作为基准模型,增加CBAM和SENet两种attention模块以加强主干网络特征,使用focal loss替换物体分支原有的交叉熵损失以解决正负样本不平衡的问题。在自建数据集上的实验结果表明,改进后的YOLOX-A模型其检测精度有明显提升,同时检测速度几乎不变,适合于路侧场景下的目标检测。     

基于Efficient-YOLO的轻量化轴承缺陷检测

针对现有深度模型在工业轴承外观缺陷检测领域, 存在模型参数量大、特征融合不充分以及对小目标检测精度低等问题, 提出了一种轻量化自适应特征融合检测网络(Efficient-YOLO). 首先, 该网络采用嵌入CBAM注意力机制的EfficientNetV2结构进行基本特征提取, 便于确保模型精度同时显著优化模型参数量; 其次, 设计了一种自适应特征融合网络(CBAM-BiFPN), 用来增加网络对有效特征信息的提取; 接着, 在下游特征融合网络引入Swin?Transformer机制, 同时配合上游网络引入的Ghost卷积, 大幅度提高模型对轴承外观缺陷的全局感知能力; 最后, 在推理阶段运用改进的非极大值抑制方法(Soft-CIoU-NMS), 加入距离有关的权重评价因素, 减少了重叠框的漏检. 实验结果表明: 与现有主流检测模型相比, 此方法在轴承表面缺陷数据集上, mAP达到了90.1%, 参数量降低至1.99M, 计算量为7 GFLOPs, 对轴承缺陷小目标识别率显著提升, 满足工业现场轴承外观缺陷检测需求.     

基于改进YOLOX的教师行为检测方法研究

目前对线下课堂教学行为的评价还停留在原始的随堂专家评审的阶段,教师的课堂教学行为检测存在着的费时费力以及评审结果不准确等问题。现有研究中,针对教师的课堂行为数据较少且大多数实验数据不规范。根据以上问题,文章提出一种规范化的教师课堂行为检测数据集,该数据集包含二千多张高清图片,共有四千多个标签,涵盖八类教学行为。文章还提出了基于改进YOLOX的实时检测模型。该模型在YOLOX中引入高效通道注意力模块(ECA),在教师课堂行为检测数据集上mAP提高了10.99%达到了95.29%。然后在Neck部分加入自适应空间特征融合(ASFF),使mAP再次提高了2.19%,达到了97.48%。并且推理速度也得到了明显提升。     

改进RFBnet网络的船只目标检测方法

针对目前舰船目标检测中,多目标情况下的舰船目标很容易被多目标遮挡,造成舰船目标漏检、分类错误等问题,提出了一种基于改进RFBnet（I-RFBnet）的自然图像目标检测方法。使用池化特征融合模块（PFF）和反卷积特征融合模块（DFF）进行特征融合,形成新的六个有效特征层。提出一种跨步长卷积方式来提取特征单元在原图中的关心区域信息,设计了融入注意力机制的膨胀卷积模块（dilate convolutions block,DB）和新的前三个有效特征层再次进行特征融合。引入聚焦分类损失函数解决训练过程中正负样本分布不均衡的问题;最后通过对规模船只检测数据集SeaShips训练后,保存其模型。实验结果表明：改进后的算法检测效果良好,尤其在多目标遮挡下的小目标效果显著。平均精度均值为96.26%,比改进前的算法提高了4.74个百分点,帧率达到26?FPS（frame per second）,满足实时检测的需求。     

改进YOLOv7的视频监控小目标检测

小目标检测作为目标检测中一项极具挑战性的项目, 广泛分布于日常生活中, 在视频监控场景中, 距离摄像头约20 m远处的行人人脸就可以被认为是小目标. 由于人脸可能相互遮挡并容易受到噪声和天气光照条件的影响, 现有的目标检测模型在这类小目标上的性能劣于中大型目标. 针对此类问题, 本文提出了改进后的YOLOv7模型, 添加了高分辨率检测头, 并基于GhostNetV2对骨干网络进行了改造; 同时基于BiFPN和SA注意力模块替换PANet结构, 增强多尺度特征融合能力; 结合Wasserstein距离改进了原来的CIoU损失函数, 降低了小目标对锚框位置偏移的敏感性. 本文在公开数据集VisDrone2019以及自制的视频监控数据集上进行了对比实验. 实验表明, 本文提出的改进方法mAP指标在VisDrone2019数据集上提高到了50.1%, 在自制视频监控数据集上高于现有方法1.6个百分点, 有效提高了小目标检测的能力, 并在GTX1080Ti上达到了较好的实时性.     

基于改进YOLOX的移动机器人目标跟随方法

针对移动机器人在复杂场景中难以稳定跟随目标的问题, 提出基于改进YOLOX的移动机器人目标跟随方法, 主要包括目标检测、目标跟踪以及目标跟随三个部分. 首先, 以 YOLOX 网络为基础, 在其框架下将主干网络采用轻量化网络 MobileNetV2X, 提高复杂场景中目标检测的实时性. 然后, 通过改进的卡尔曼滤波器获取目标跟踪状态并采用数据关联进行目标匹配, 同时通过深度直方图判定目标发生遮挡后, 采用深度概率信息约束及最大后验概率(Maximum a posteriori, MAP)进行匹配跟踪, 确保机器人在遮挡情况下稳定跟踪目标. 再采用基于视觉伺服控制的目标跟随算法, 当跟踪目标丢失时, 引入重识别特征主动搜寻目标实现目标跟随. 最后, 在公开数据集上与具有代表性的目标跟随方法进行了定性和定量实验, 同时在真实场景中完成了移动机器人目标跟随实验, 实验结果均验证了所提方法具有较好的鲁棒性和实时性.     

融合特征增强和自注意力的SSD小目标检测算法

SSD是一种多尺度目标检测算法,由于浅层特征图缺乏语义信息,导致小目标的检测准确率低.针对这个问题,提出一种融合特征增强和自注意力的SSD小目标检测算法FA-SSD.该算法在SSD基础上构建一条自深向浅的递归反向路径,此路径包含三个模块:深层特征增强模块利用路径深层多尺度特征图生成的上下文信息和最深层特征图的语义信息,...     

改进YOLOX的轻量级安全帽检测方法

针对施工环境下安全帽数据集少,被检测物体目标小和现有检测模型参数量大导致的模型鲁棒性差,准确率低,训练时间长问题,提出了一种改进YOLOX网络的安全帽检测方法。使用在线困难样本挖掘（OHEM）寻找数据集中的困难样本,结合马赛克（Mosaic）方法对困难样本拼接来扩充训练集数量;在模型预测端（prediction）加入分支注意力模块,将网络输出分为两部分输入模块来提取空间层面和通道层面上关键信息;提出一种新的余弦退火算法,初始时加入预热（warm up）,过程中逐段减小学习率曲线的振荡幅度,训练中减小模型的收敛时间。实验结果表明,与原方法相比,改进安全帽检测方法对安全帽检测的mAP、准确率、召回率分别提高了6.77、2.52、9.14个百分点,训练中使用CDWR余弦退火算法在同周期下损失值减少了0.5～1.0,与原算法相比训练收敛时间减少约50%。     

基于改进YOLOv5s的机坪特种车辆检测算法研究

机坪特种车辆作为航班保障服务的重要一环,其种类多,形状各异;目前已有的车辆检测算法在识别机坪特种车辆时检测精度不高,在遮挡时无法检测;针对于此问题,提出了一种基于改进YOLOv5s的机坪特种车辆检测算法;为了在机坪特种车辆检测中快速、准确的定位感兴趣区域,在主干网络中融合协同注意力机制;考虑到机坪监控场景下特种车辆尺度差别较大的情况,为了能够增强对不同尺度特种车辆的检测能力,提出了四尺度特征检测网络结构;为了提高检测网络多尺度特征融合能力,结合加权双向特征金字塔结构对网络的Neck部分进行改进;将改进后的算法在自建的机坪特种车辆数据集上进行训练、测试,实验结果表明,与YOLOv5s相比,改进后算法的精确度提升了1.6％,召回率提升了3.5％,平均精度mAP0.5和mAP0.5:0.95分别有2.3％和3.3％的提升。     

基于改进YOLOv5的小目标检测

本文针对图像中小目标难以检测的问题,提出了一种基于YOLOv5的改进模型.在主干网络中,加入CBAM注意力模块增强网络特征提取能力;在颈部网络部分,使用BiFPN结构替换PANet结构,强化底层特征利用;在检测头部分,增加高分辨率检测头,改善对于微小目标的检测能力.本文算法在人脸瑕疵数据集和无人机数据集VisDrone2019两份数据集上均进行了多次对比实验,结果表明本文算法可以有效地检测小目标.