基于改进YOLOv5的航空发动机叶片表面缺陷检测方法研究

针对航空发动机叶片缺陷检测过程中表面噪声较大以及检测精度较低的问题，提出了一种基于改进YOLOv5的叶片表面缺陷检测方法。通过叶片表面缺陷图像采集和典型缺陷标注构建了航空发动机叶片表面缺陷数据集；采用K-means++算法代替K-means算法对标记框进行聚类，获得最适合该数据集中标记框的锚框；在主干网络中结合CBAM注意力机制模块，并且采用EIoU损失函数替换原CIoU损失函数，提高对叶片表面缺陷特征的提取能力。对比实验结果表明所提出的方法相较于YOLOv5算法在平均精度均值上提升了1.4%,相较于FasterRCNN和YOLOv3,本方法在平均精度均值上分别提升了13%和2.9%。     

基于改进YOLOX的钢材表面缺陷检测研究

针对目前单阶段目标检测网络YOLOX的特征提取能力不足、特征融合不充分以及钢材表面缺陷检测精度不高等问题,提出一种改进YOLOX的钢材表面缺陷检测算法。首先,在Backbone部分引入改进的SE注意力机制,增添一条最大池化层分支,进行权重融合,强化重要的特征通道;其次,在Neck部分引入ASFF模块,充分利用不同尺度的特征,更好地进行特征融合;最后,针对数据集所呈现的特点,将IOU损失函数替换为EIOU损失函数,改善模型定位不准确的问题,提高缺陷检测精度。实验结果表明,改进的YOLOX算法具有良好的检测效果,在NEU-DET数据集上的mAP达到了75.66%,相比原始YOLOX算法提高了3.74%,较YOLOv6提升了2.76%,检测精度优于其他主流算法。     

基于LSDANet的手机芯片屏蔽壳表面缺陷检测方法

为了解决手机芯片屏蔽壳表面白印缺陷微小、尺度各异等因素影响检测快速性和准确性的问题,本文提出一种基于长短连接通路和双注意力网络(long short link and double attention network, LSDANet)的手机芯片屏蔽壳表面缺陷检测方法。首先,通过构建基于编码和解码的语义分割模型和利用长短距离连接通路,提高网络模型对尺度各异缺陷的特征提取能力。其次,分别设计基于通道和空间的注意力机制,增大5—10 pixel尺寸的白印缺陷在空间和通道上的特征权重。最后,融合双注意力机制和长短距离连接通路分割模型,构建LSDANet缺陷检测网络,应用于手机芯片屏蔽壳表面缺陷检测。实验数据表明,LSDANet网络能够达到96.21%的平均像素精度、66.13%的平均交并比和39.03的每秒检测帧数,相比多种语义分割算法均具有更高的检测精度和速度。     

样本限制场景下金属板带材表面缺陷分类研究

深度学习在金属板带材表面缺陷检测中取得良好的检测效果,但随着网络层数的增加 ,针对较小样 本的金属板带材表面缺陷数据集训练数据容易出现过拟合现象的问题,为此将残差网络与迁 移学习结合提出 了一种融合多层次缺陷特征的图像分类算法。该算法采用残差网络模块逐层提取金属表面缺 陷特征,获得丰 富的位置信息和语义信息缺陷特征的特征图,后续利用分类网络基于该融合特征图得到最终 分类结果,同时 对特征提取网络进行迁移学习,增加网络泛化能力,优化分类精度。利用钢带表面缺陷检测 数据集评估本文 算法性能,实验结果表明,提出的算法具有较好的分类效果,优于其他缺陷分类算法,分类 准确率可达到 99.07%,同时本文所提算法具有良好的抗噪性和泛化性,在金属板带材表面缺陷智能检测中 具有较好的应用价值。     

基于CA-YOLOv5的热轧带钢表面缺陷检测方法

针对当前热轧带钢表面缺陷检测中存在精度低及复杂背景干扰等问题,提出一种基于坐标注意力(coordinate attention, CA)的CA-YOLOv5缺陷检测方法。主要对YOLOv5的输入端、外加模块和检测端3个方面进行改进：在输入端,采用随机拼接4张或9张图片的方法对训练数据进行增广,并利用遗传算法(genertic algorithm, GA)对网络超参数进行寻优,使得YOLOv5更适用于带钢缺陷检测;在主干网络和外加模块之间引入CA机制,加强网络对缺陷深层特征的提取能力;最后,在检测端,对每一检测分支进行解耦,将检测的分类和位置回归两类任务分开,提升网络对缺陷的检测能力。在NEU-DET热轧带钢表面缺陷数据集上进行了验证实验,实验结果证明,CA-YOLOv5的均值平均精度(mean average precision,mAP)达到84.36%,不仅较原YOLOv5算法提升6.68%,而且优于其他先进的检测算法。     

基于YOLOv5的印制电路板缺陷智能检测

为了检测印制电路板表面的多种缺陷,基于YOLOv5深度学习算法,进行数据集分类、数据增强和神经网络的构建。通过对缺陷图像目标信息的提取,在印制电路板数据集上进行迭代训练,获得最佳检测模型。对测试集中的印制电路板图像进行检测,统计检测精度相关参数,与传统印制电路板检测模型对比分析。建立基于YOLOv5算法的印制电路板缺陷智能检测模型,对印制电路板表面缺失孔、咬伤、开路、短路、杂散和伪铜等六种缺陷检测,结果表明平均准确率达到99.52%。基于YOLOv5算法的印制电路板缺陷检测模型训练速度快,检测准确率高,有助于印制电路板公司进行大批量快速缺陷检测,提高印制电路板生产质量和检测效率。     

一种结合三重注意力机制的双路径网络胸片疾病分类方法

近年来,利用CNN进行医学图像处理,在胸片疾病分类任务中取得显著研究进展。然而,与单一结构CNN相比,双路径网络可结合不同CNN特点,从而提高疾病分类能力。其次,对于不同疾病,其位置、大小、形态、密度、纹理等特征均有不同,而注意力机制有助于模型提取不同病理特征,提升分类精度。因此针对胸片疾病分类问题,该文提出一种结合三重注意力机制的双路径卷积神经网络(TADPN),TADPN将ResNet和DenseNet结合的双路径网络DPN作为骨干网络,并利用3种不同形式的注意力机制改进DPN,在维持参数量稳定的同时提高网络复杂度,进而提升对胸片疾病的分类精度。在ChestXray14数据集上实验,并与目前较为先进的6种算法对比,14种疾病的平均AUC值达到0.8185,较前人提升1.1%,表明双路径CNN及三重注意力机制对胸片疾病分类的有效性及TADPN的先进性。     

结合注意力机制的核相关滤波目标跟踪

针对目标跟踪中的旋转、快速运动、遮挡等问题 。提出了结合注意力机制的核相关滤波跟踪方法。该方法利用卷积 神经网络提取卷积特征;利用两个样本的相似度矩阵计算注意力权值,并结合注意力权值和 核相关滤波器;使用两个分类 器分别检测目标和背景,并依据两个分类器的响应值实现模型的自适应更新。选取公开数据 集上具有复杂场景的视频序列 进行测试,并与多种跟踪算法在跟踪精确度和成功率上进行定量分析,该算法与原核相关滤 波算法相比,精确度和成功率 分别提高了18.9%、58.7%。实验结果表明,添 加了注意力机制和自适应更新的核相关滤波,较好的解决了遮挡、旋转等 问题,相比其他算法具有更好的鲁棒性和适应性。     

基于改进YOLOv5的路面缺陷检测算法研究

针对传统的路面缺陷检测算法,路面缺陷特征提取单一,且依赖于人工提取,导致检测效率低下的问题,提出了一种基于改进YOLOv5的路面缺陷检测算法。针对原算法对路面缺陷的位置信息提取不充分,引入CBAM注意力机制并对空间注意力中的7*7卷积层替换为3个串行5*5卷积后使用1*1卷积融合3个不同感受野下的特征信息,增强提取缺陷位置信息的能力。在训练阶段,增加正样本的数量,缓解模型训练时的正负样本不均衡。为证明该算法的有效性,在公共数据集GRDDC2020上进行验证,实验表明,改进后的YOLOv5算法F1-score相比于原YOLOv5算法提高2.1%,达到57.7%。     

基于改进YOLOX的安全帽佩戴检测算法

针对安全帽佩戴检测任务中的小目标密集导致的遮挡和难以检测等问题,提出了一种基于YOLOX和transformer的安全帽佩戴检测算法。首先使用融合了CNN和transformer的网络swin Csp进行特征提取,提升模型获取全局上下文信息的性能;然后采用简化的重复加权双向特征金字塔网络BiFPN,使算法更好地融合不同尺度的特征;最后在neck和YOLO head的连接部分加入CBAM注意力机制,加强安全帽特征与位置信息的关联程度,进一步增强网络的性能和鲁棒性。基于SHWD数据集进行实验,结果表明,算法在hat类上提高了0.99%的精度,在两种类型的召回率上分别有3.16%和1.7%的提升,在mAP方面则有1.79%的提升,有效实现了快速且精度较高的安全帽佩戴检测。     

改进多图谱配准的三维医学图像分割算法

为提高海马体分割精度与时间效率，在多图谱分割(Multi-Atlas Segmentation, MAS)脑部图像的配准阶段提出可变形配准网络EDUNet。针对浮动图像与固定图像，进行数据预处理，使其受到外界的影响最小，在配准阶段，用ANTs代替传统“粗”配准，利用卷积神经网络(Convolutional Newral Nerwork, CNN)改进“精”配准，对配准场进行估计，并引入注意力机制及空洞卷积模块。注意力机制用于自动学习和优化注意力特征，加强特征表达能力；空洞卷积扩大感受野，获取多尺度信息；配准中使用端到端网络，减少配准时间、提高配准效率。算法在OASIS数据集与LBPA40数据集进行了验证，配准精度可达0.786 3,使用基于局部二元模式的特征提取方法进行标签融合后，最终分割精度较其他方法提升3%～10%,验证了算法的有效性和准确性。     

基于改进Faster R-CNN的隐形眼镜表面缺陷检测算法

针对传统图像处理算法在检测隐形眼镜表面缺陷时存在精度低、耗时长、算法鲁棒性差、漏检多等问题,提出一种基于改进Faster R-CNN的隐形眼镜表面缺陷检测算法。首先,对比了3种特征提取网络的性能,选取ResNet50作为骨干网络;然后,引入特征金字塔网络（FPN）,通过融合多层次的特征信息,提高Faster R-CNN的多尺度检测能力;最后,基于构建的隐形眼镜表面缺陷数据集,使用K-means++算法改进锚框的尺度和数量。实验结果表明：改进后的Faster RCNN算法在测试集上的平均精度均值（mAP）达到了86.95%,相比于改进前的Faster R-CNN算法,提高了9.45个百分点,可以有效地检测出气泡、车削亮点、划痕、模具亮点等多种隐形眼镜典型缺陷。     

基于多尺度注意力CNN的SAR遥感目标识别

目标识别是合成孔径雷达（Synthetic Aperture Radar,SAR）图像解译的重要步骤。鉴于卷积神经网络（Convolutional Neural Network, CNN）在自然图像分类领域表现优越,基于CNN的SAR图像目标识别方法成为了当前的研究热点。SAR图像目标的散射特征往往存在于多个尺度当中,且存在固有的噪声斑,含有冗余信息,因此,SAR图像目标智能识别成为了一项挑战。针对以上问题,本文提出一种多尺度注意力卷积神经网络,结合多尺度特征提取和注意力机制,设计了基于注意力的多尺度残差特征提取模块,实现了高精度的SAR遥感图像目标识别。该方法在MSTAR数据集10类目标识别任务中的总体准确率达到了99.84%,明显优于其他算法。在测试集加入4种型号变体后,10类目标识别任务中的总体准确率达到了99.28%,验证了该方法在复杂情况下的有效性。     

基于Centernet的口罩佩戴检测算法研究

为了应对当下的疫情,加强公共安全防护,提高口罩佩戴检测精度,文章提出以目标检测Anchor free算法中的Centernet为基础,加入CBAM注意力机制的新网络模型,口罩检测的性能有所提升。对数据分为face即未戴口罩和face＿mask即戴口罩两种类别,在公开数据集VOC-MASK上的实验表明,该目标检测的算法评估指标MAP值从77.35%到79.87%增加了2.52个百分点,性能优于原始的Centernet算法。     

基于注意力机制的水下遮挡目标检测算法

针对水下目标检测任务中存在前景遮挡和背景模糊的问题，文中提出一种基于注意力机制的水下目标检测算法。首先采用图像增强算法改善图像质量。然后在非局部神经网络的相似度函数基础上，融合具有逻辑推理能力的级联相似度函数，增强网络对全局上下文特征的表达能力。随后将改进型非局部神经网络与三分支注意力融合，弥补非局部神经网络丢失的通道特征。最后利用空洞卷积模块置换三分支注意力中的池化操作，减少细粒度信息损失。实验表明，该算法在2020年全国水下目标检测大赛提供的数据集上，使基线方法检测精度由65.66%增长至68.55%,证明了所提算法的有效性。     

基于红外的SSA CNN GRU电路板芯片故障诊断

针对电路板温度数据诊断率不佳的问题,本文提出了基于红外的SSA CNN GRU电路板芯片故障诊断模型。首先,根据红外热像仪采集芯片温度数据,建立多维特征模型；然后,在故障诊断模型输入端和CNN GRU通道分别添加注意力机制,构建双注意力结构,自适应识别有效数据段和提取红外图像有效特征；接着,利用麻雀搜索算法优化注意力机制权值分配,获取全局最优超参数；最后搭建SSA CNN GRU故障诊断模型,实现芯片故障模式的高精度诊断。实验采用电源电路板进行可靠性分析,实验结果表明,本文算法在诊断精度可达9873,且稳定性、可靠性方面均优于对比算法。     

融合注意力机制SimAM的CNN-MogrifierLSTM航班延误波及预测

连续航班中的延误波及往往会引起大规模的航班延误产生,提前对航班延误波及问题进行预测可以为民航部门提供有效参考,减少相关的经济损失。本文首先对航班数据进行清洗与数据融合,针对空管部门实际航班运行情况提出强空间航班链数据集与强时序航班链数据集两种不同的构造方法;然后根据航班延误波及传播的空时特性提出融合注意力机制SimAM的CNN-MogrifierLSTM网络模型,先使用卷积神经网络（Convolutional Neural Network,CNN）结合注意力机制SimAM模块对空间特征进行提取,再用形变的长短时记忆网络（Mogrifier Recurrent Neural Network,MogrifierLSTM）对时序信息进行学习;最后使用Softmax分类器对延误等级进行分类预测。本文提出的预测方法,在航班延误波及进行预测的实验中取得了93.16%的准确率,相比单独使用CNN或LSTM大有提升,加上SimAM注意力机制后相比CNN-MogrifierLSTM网络在不同数据集上准确率也提升了0.6%左右。     

基于卷积神经网络与注意力机制的高光谱图像分类

由于浅层卷积神经网络(convolutional neural network,CNN)模型感受野的限制,无法捕获远距离特征,在高光谱图像 (hyperspectral image,HSI) 分类问题中无法充分利用图像空间-光谱信息,很难获得较高精度的分类结果。针对上述问题,本文提出了一种基于卷积神经网络与注意力机制的模型(model based on convolutional neural network and attention mechanism,CNNAM),该模型利用CA (coordinate attention)对图像通道数据进行位置编码,并利用以自注意力机制为核心架构的Transformer模块对其进行远距离特征提取以解决CNN感受野的限制问题。CNNAM在Indian Pines和Salinas两个数据集上得到的总体分类精度分别为97.63%和99.34%,对比于其他模型,本文提出的模型表现出更好的分类性能。另外,本文以是否结合CA为参考进行了消融实验,并证明了CA在CNNAM中发挥重要作用。实验证明将传统CNN与注意力机制相结合可以在HSI分类问题中获得更高的分类精度。     

基于改进YOLOv3算法的带钢表面缺陷检测

针对热轧带钢表面缺陷检测中存在的检测速度慢、检测精度低等问题,提出了一种改进的YOLOv3算法模型.使用加权K-means聚类算法来优化确定先验框参数,提高先验框（priors anchor）与特征图层（feature map）的匹配度;同时,调整YOLOv3算法的网络结构,融合浅层特征与深层特征,形成新的大尺度检测图层,提高网络对带钢表面缺陷的检测精度.实验结果表明,改进后的YOLOv3算法在NEU-DET数据集上平均精度均值达到了80%,较原有的YOLOv3算法提高了11%;同时检测速度保持在50fps,优于目前其它深度学习带钢表面缺陷检测算法.     

注意力优化RetinaNet的多尺度目标检测算法

针对目标检测算法RetinaNet在多尺度物体检测任务中存在利用特征上下文信息和多尺度特征融合不充分及边界框回归不够快速精准的问题,提出了一种注意力优化RetinaNet的多尺度目标检测算法。在特征提取模块嵌入无参数的3D注意力机制,来充分利用特征上下文信息;同时,构建了特征融合细化模块,实现多尺度融合特征的细化和增强;使用距离交并比(Distance Intersection over Union, DIoU)损失函数优化定位损失,提升边界框回归精准度。为了论证该方法的有效性,分别在PASCAL VOC数据集和MS COCO数据集上进行实验。改进模型的检测精度分别达到了82.1%、52.3%,其中,小目标、中目标和大目标的检测精度相比原算法分别提升了1.9%、1.1%和1.4%。