基于超分辨率重建与多尺度特征融合的 输电线路缺陷检测方法

针对输电线路巡检中可能存在拍摄图像质量不高的问题,以及线路缺陷目标小而分布密集而导致传统方法检测精度不高的问题,提出一种基于超分辨率重建与多尺度特征融合的输电线路缺陷检测方法。首先,使用超分辨率网络对巡检图像进行重建,提升清晰度,丰富图像中包含的特征信息;然后使用改进的YOLOX网络检测巡检图像中的缺陷,在主干网络中嵌入卷积块注意力机制,强化模型对重叠小目标的定位能力;为进一步提升小目标的检测能力,在YOLOX的特征融合网络中新增浅层检测尺度进行特征融合;最后,通过使用CIOU优化边界框损失函数提升模型收敛能力,降低缺陷目标的漏检率。实验结果表明,所提方法能在提升巡检图像质量的基础上对输电线路缺陷准确地检测,精度达到93.27%,相比SSD等经典模型,对小而密集的缺陷目标有着更强的提取能力和鲁棒性。     

基于PPLCFaster-YOLOv5的PCB表面缺陷快检模型

针对现有PCB表面缺陷检测方法精度低、召回率低以及实时性较差等问题，提出PPLCFaster-YOLOv5模型。该方法以改进后的PPLC-Net作为主干网络，将Focus结构作为网络第0层，提高特征图对位置信息的表达能力。在深度可分离卷积结构内引入通道混洗机制，使各分组卷积获取的特征对全局特征具有等贡献度；引入Dropout机制限制不平衡正则化因子。提出低参数量G4Head特征融合网络结构，将更为浅层的信息加入特征融合中，提高模型对缺陷的定位能力；在主干网络与特征融合之间增加残差连接，提高主干网络信息对特征融合的贡献度；采用SIOU损失函数，加速回归框收敛。将训练后的模型采用Flask服务器框架进行部署。实验表明，部署后的PPLCFaster-YOLOv5模型在DeepPCB以及北京大学PCB表面缺陷检测数据集上检测时间可达0.009 s，且准确率、召回率等相比于其他主流模型均获得提升。     

基于改进 YOLOv5 的港口集装箱损伤检测算法

针对港口复杂环境背景下,不同尺度间多种类集装箱损伤目标检测精度低的问题,提出一种基于改进YOLOv5的港口集装箱损伤检测算法。通过使用一维卷积改进卷积块注意力机制(CBAM)中空间注意力模块的池化操作,后设计残差结构,并验证在不同位置引入改进的CBAM基本块对模型性能的影响,探索尽量减小复杂背景对检测结果影响的最佳方案及融合位置;为有效解决不同集装箱损伤图像尺度特征变换较大的问题,依据双向特征融合网络(Bi-FPN)结构思想,对颈部特征融合网络进行改进,在不过多增加计算量的情况下,更好地增强网络对多尺度目标的特征融合能力;最后将EIOU Loss替换GIOU Loss作为算法的损失函数,在降低算法边界框回归损失的同时提高算法的检测精度。实验结果表明,改进YOLOv5算法的平均检测精度达到了98.32%,较原YOLOv5目标检测算法提高了4.28%,同时保证了检测速度,验证了所提出算法的有效性,对港口企业高精度验箱的工业部署有重要意义。     

基于多尺度特征融合的绝缘子缺陷检测

绝缘子缺陷检测对于保障电网安全稳定运行具有重要意义。由于绝缘子缺陷区域的像素信息少、形状尺寸不一,造成识别效果不佳问题。为解决此问题,提出了一种基于多尺度特征融合的绝缘子缺陷检测网络（MSD2Net）。在该网络中,采用残差注意力网络用于获取不同分辨率的绝缘子缺陷特征,设计了基于反卷积和多分支检测的多尺度特征融合网络将深层特征图与浅层特征图逐步融合,生成更加丰富的图像语义信息,用于实现目标的分类与位置回归,并结合Focal损失和高斯非极大抑制方法进一步提升检测效果。在变电站绝缘子缺陷数据集和输电线路CPLID公开数据集上进行测试,结果表明所提方法具有较好的检测性能与泛化能力。     

基于改进YOLOv5的输电线路绝缘子 识别方法

针对输电线路绝缘子识别准确率低、识别花费时间长的问题,提出一种改进的YOLOv5绝缘子识别方法。首先,通过引入超分辨率卷积网络提升数据集中图像样本质量;其次,通过引入k3-Ghost结构替换原始网络BCSP模块中的普通卷积,减少模型主干网络参数量,在主干网络尾部引入SENet注意力模块,加强模型对于通道信息的关注提升目标检测性能;在颈部网络引入DC-BiFPN结构替换原始结构,对不同尺度特征赋予不同权重以使多尺度特征进行更好的融合,提升绝缘子识别效果。最后,使用CIOU作为回归损失函数,加快网络收敛速度。实验结果表明：本文提出的方法在保证绝缘子识别准确率的同时拥有更高的识别速度,检测准确率达到89.5%,检测速度达到35.7FPS,验证了改进方法的有效性。     

基于注意力机制与跨尺度特征融合的YOLOv5输电线路故障检测EI北大核心CSCD

利用无人机对高压输电线路巡检,并基于计算机视觉技术对巡检数据中的故障目标进行自动、准确检测是输电线路巡检领域中的重要研究方向,同时也是一个极具挑战性的课题。针对复杂巡检环境中待检测目标存在多尺度特性以及部分遮挡造成传统算法难以准确检测问题,提出一种基于注意力机制与跨尺度特征融合的YOLOv5输电线路故障检测算法。首先,搭建YOLOv5检测网络,为了抑制复杂背景干扰,在其基础上引入空间与通道卷积注意力模型,以增强待检测故障目标的显著度;然后,将原始YOLOv5检测框架Neck中的FPN+PAN结构改为BiFPN结构,从而使目标多尺度特征能够有效融合;其次,为了解决待检测目标特征表达能力不足造成漏检和误检的问题,设计多尺度与同尺度特征的自适应加权融合模块,以增强检测网络对遮挡情况下故障目标的检测能力。最后,为了验证提出算法的有效性,利用某巡检部门近4年无人机巡检数据对算法进行验证。结果表明,提出的算法能够对复杂环境中输电线路上的多尺度故障目标实现精确检测,其平均检测精度可达96.8%。     

基于聚合多尺度特征的图像轮廓增强超分辨率重建算法

为了提高超分辨率重构算法对图像边缘轮廓的修复能力,消除重构图像存在伪影的问题,提出一种基于聚合多尺度特征的图像轮廓增强超分辨重建生成对抗网络。将多尺度卷积与通道注意力机制相结合,使用一次性聚合多尺度特征结构,构建多级残差模块,让生成器网络能自适应地提取特征层中的潜在关键信息,同时完成不同特征层的信息融合。定义高斯滤波卷积核与不同方向的索贝尔卷积核,构建边缘损失函数,该损失函数能加强对图像边缘轮廓信息的修复;结合全变分损失函数,减少低分辨率图像噪声对重构图像的影响,进一步提高图像轮廓信息修复能力。为了提高判别器对不同特征的自适应学习能力,在判别器中使用自适应归一化层,增强网络的收敛能力。在Set5、Set14、BSD100数据集上进行图像重构,经实验结果表明,提出的算法使重构图像的轮廓进一步加强,整体视觉质量更好。同时所提算法与超分辨率生成对抗网络(SRGAN)对比,2倍超分辨重建图像的峰值信噪比平均提高了1.696dB,结构相似性指标平均提高了0.03;4倍超分辨重建图像的峰值信噪比平均提高了1.348dB,结构相似性指标平均提高了0.033。     

融合特征增强的轻量化罐道缺陷检测算法

为了解决矿井复杂环境下,缺陷特征提取不充分问题,融合特征增强和级联注意力机制提出一种快速智能的罐道缺陷识别算法RDM-YOLOv5,旨在解决人工巡检效率低的现状。首先,为了提高主干网络特征图信息表征能力,设计特征增强模块RLKM,它通过重参数化大内核卷积增强主干网络对目标特征的提取能力,并且有效降低模型参数量;然后,经过主干网络提取到高低层级特征后,由设计的级联注意力机制DCAM进一步挖掘缺陷目标的深层语义信息,显著增强小目标的特征信息;最后,为提升检测精度的同时保障检测网络的轻量化,在特征增强网络中引入轻量级卷积GSConv,在保持模型检测准确性的同时降低计算成本。实验结果表明,相较于YOLOv5s, RDM-YOLOv5的检测精度和速度分别提高3.7%、11.4%,模型参数量减少15.4%。它能基本满足实际应用中精准识别和快速定位罐道表面缺陷的需求。     

基于改进 YOLOv5s 的电力作业人员安全帽 检测算法研究

传统的电力施工现场安全帽检测算法的网络计算复杂度高、在复杂场景下对于远处目标和密集群体存在漏检等问题,提出一种改进后的轻量化YOLOv5s-GCAE算法,主干网络首先用GhostNet网络中的深度可分离卷积GhostConv,以此降低网络的计算量和参数量。其次在特征提取阶段中嵌入CA注意力机制,填补了引入轻量化网络时精度的缺失。引入自适应空间特征融合(ASFF)网络以有效融合多尺度特征,提高模型丰富的语义特征表示使网络更好的适应复杂的电力施工现场。最后引入损失函数EIOU,促使网络专注于高质量的锚点以提升在复杂场景下安全帽检测精度。构建了一个包含开源图片和自行收集的图片共9 326张的安全帽佩戴检测数据集。实验结果表明,该算法的安全帽检测准确率为93.4%,比YOLOv5s算法高2.1%,符合电力场景下安全帽检测的精度要求。     

基于改进YOLOv5的轻量化绝缘子缺陷检测算法

无人机巡检已经成为当下输电线路巡检的主流方式，绝缘子缺陷的检测是无人机巡检中的重要环节。因此，提出了一种基于改进YOLOv5的轻量化绝缘子缺陷检测算法。首先，使用轻量型的Ghost卷积代替普通卷积；然后，使用重复加权BiFPN（双向特征金字塔网络）替换原特征提取网络，提高网络对不同尺度的特征提取能力；最后，引入CA（坐标注意力机制）提高了主干特征提取效率。实验结果表明，绝缘子检测的平均精度值提升了1.7个百分点，模型大小减少了13.1%，改进后的算法模型在提升检测精度的同时更加轻量化，可实现绝缘子缺陷的快速检测。     

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Efficientnet的红外目标检测算法

针对复杂场景下红外目标检测存在准确率低、召回率低的问题，为了提高红外图像中的小目标以及被遮挡目标的检测识别能力，提出基于Efficientnet的红外目标检测算法。首先，将高效轻量的Efficientnet作为模型的特征提取主干网，降低模型的参数量，提升训练速度。在Efficientnet主干网的最后一个输出层引入SPP模块，丰富特征图的表达能力，进行多尺度融合，扩大特征图的感受野；在模型特征融合部分，使用FPN特征金字塔网络，特征融合后增加CSPNet模块和ECA注意力机制，加强特征提取。检测部分使用YOLO Head，对目标进行分类和回归，并用CIoU Loss作为边界框回归损失函数，提高对被遮挡目标的识别能力。实验结果表明，基于Efficientnet的模型大小仅为YOLOv3的188%，并且在FLIR数据集上mAP达到8074%，相比于YOLOv3算法提高1012%，该模型在减少模型参数量的同时，提升了检测精度。该模型在FLIR数据集上具有良好的泛化能力，提高了对小目标和遮挡目标的检测能力。     

一种用于车辆图像分割的MSSA-UNet模型

针对实际交通场景下的车辆图像分割方法存在模糊、效果差的问题,本文以UNet神经网络模型为基础,提出了一种融合多尺度模块和空间注意力机制的MSSA-UNet模型。在编解码阶段,采用空洞卷积构建多尺度模块,改善卷积层感受野大小受限的同时输出包含多尺度的特征信息。在上采样前,引入空间注意力机制来弥补采样过程中的局部信息丢失问题,提高特征还原能力。结合交叉熵损失与Dice损失,优化网络学习和训练过程,提高模型的分割精度。实验结果表明,本文提出的MSSA-UNet模型对于车辆图像分割任务在IoU评价指标达到83.48%,较改进前准确度提升了2.28%,模型预测值和真实值更接近,分割效果更好,有效提升了模型的分割性能。     

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。     

加强空间信息引导的道路场景实时语义分割

针对实际道路场景不同类别位置和轮廓等细节部分相差较大,导致细节信息的丢失和小目标分割不准确等问题,提出一种加强空间信息引导的实时语义分割网络。该网络首先采用微调的轻量级分类卷积编码器,提取图像中不同层次的高级语义信息和浅层空间信息;其次,设计空间细节引导融合模块为编码器的深层与浅层的特征映射提供指导,使得融合过程中更加信任细节轮廓信息,增强空间感知能力,并抑制背景噪声影响;最后通过损失函数辅助监督训练和数据相关型上采样加强训练阶段的特征表示,进一步优化深度卷积网络,以弥补大幅度上采样造成的信息损失。在CamVid和Cityscapes数据集上进行实验验证,其分割精度分别为73.7%和75.3%,推理速度分别为158.0和126.5 fps。与其他实时语义分割算法相比,算法能更好地平衡精确度和实时性,在实际应用场景中也具有更好的鲁棒性。     

基于双通道特征融合编解码网络的极化SAR图像分类

图像分类是极化合成孔径雷达(PolSAR)图像解译的关键。传统卷积神经网络(CNN)逐像素的分类,造成卷积的重复计算。PolSAR图像存在丰富的信息,包括极化相干信息与极化分解信息,因此如何融合信息实现高效分类至关重要。基于极化散射特征分析,以U＿net网络模型为基础,提出了双通道特征融合编解码网络,该网络使用注意力机制特征融合模块将极化相干信息和极化分解特征整合到语义分割框架中,辅助深度CNN分类器训练,实现高精度像素级的标记,同时加入空间金字塔结构有效的提取多尺度特征。该网络结构避免了逐像素切片重复计算,有效提升计算效率。利用AIRSAR获取的旧金山地区PolSAR数据和海南博鳌地区机载PolSAR数据进行试验研究,试验结果两个地区总体分类精度(OA)分别达到97.11%与99.97%,验证了提出的分类方法的有效性与较好的应用价值。     

基于特征融合的自适应多尺度无锚框目标检测算法

为了提高 CenterNet 无锚框目标检测网络的目标检测能力,提出一种基于注意力特征融合和多尺度特征提取网络的改 进 CenterNet 目标检测网络。 首先,为了提升网络对多尺度目标的表达能力,设计了自适应多尺度特征提取网络,利用空洞卷积 对特征图进行重采样获取多尺度特征信息,并在空间维度上进行融合;其次,为了更好地融合语义和尺度不一致的特征,提出了 一种基于通道局部注意力的特征融合模块,自适应地学习浅层特征和深层特征之间的融合权重,保留不同感受域的关键特征信 息。 最后,通过在 VOC 2007 测试集上对本文算法进行验证,实验结果表明,最终算法的检测精度达到 80. 94%,相较于基线算法 CenterNet 提升了 3. 82%,有效提升了无锚框目标检测算法的最终性能     

基于YOLOv5的雾霾天气下交通标志识别

针对雾霾天气下道路交通标志识别难度大、精确度较低的问题，提出一种基于YOLOv5的雾霾天气交通标志识别模型。首先在YOLOv5原始模型上融入卷积注意力机制，在空间维度和通道维度上进行特征增强，抑制雾霾天气对模型的干扰；然后将BiFPN作为neck层中的特征融合结构，更加充分地融合多尺度特征，减少目标信息丢失；并选用CIoU作为YOLOv5的损失函数提高定位能力；使用K-means聚类算法在TT100K和CODA数据集重新获取锚框值，加快模型收敛速度。实验结果表明，改进后模型识别精度达到92.5%,比YOLOv5提升5.6%,在雾霾天气下仍能准确识别交通标志，速度达27 FPS,能够进行实时检测。     

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。     

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。