基于YOLOv4的抓取检测

对于物品的纹理特征容易影响到抓取检测的精度,且原始的默认锚框不适合待抓取检测目标的尺度,以及在小目标物体检测效果不佳等问题,该文通过以下方法进行改进。首先通过图像处理将物品的原始图像经过处理使其只具有物品的轮廓信息,然后采用KMeans得到适合所检测目标的锚框尺度,以基于YOLOv4的神经网络模型建立改进后的YOLOv4抓取检测模型,最后去除YOLOv4中检测较大物体19×19的特征层检测层及其附近的卷积及池化层,以此降低系统复杂度减少参数,并且将第11层和第109层进行特征融合得到特征尺寸152×152使其能够更好地提取小目标特征。将原始图像和只具有轮廓信息的图像分别送入改进前和多种进行改进后的网络进行检测性能的分别对比。实验结果表明经过改进的网络抓取检测的平均成功率为81.5%,比原始的YOLOv4提高了4.3%,有效提升了抓取检测的精度并且加强了检测小目标的能力。     

基于改进YOLOv4的钢材表面缺陷检测

针对钢材表面缺陷检测精度低,易漏检、误检、定位不准确等问题,提出一种基于改进YOLOv4的钢材表面缺陷检测算法,首先使用K-means++算法分析标注框的分布信息,获取最优的锚框,提高定位精度,减少网络损失;其次在YOLOv4网络原有特征层基础上继续增加一浅层特征即尺度为104×104的新特征层,增大特征检测尺度,提高小缺陷目标检测精度;最后在原始主干网络的基础上引进注意力机制,使网络更多关注有用信息,从而使检测更准确。将上述算法与其它算法在NEU-DET数据集上进行对比实验,所提算法平均检测精度相较于原YOLOv4提高了4.69%达到78.10%,相较于目前其它的主流目标检测算法也更优秀。     

改进YOLOv5的白细胞检测算法

针对白细胞数据样本少、类间差别小及目标尺寸小导致的检测精度低、效果不佳等问题,提出一种基于改进YOLOv5的白细胞检测算法YOLOv5-CHE.在主干特征提取网络的卷积层中添加坐标注意力机制,以提升算法的特征提取能力;使用四尺度特征检测,重新获取锚点框,增加浅层检测尺度,来提高小目标的识别精度;改变边框回归损失函数,以...     

改进YOLOv7的复杂道路场景目标检测算法

虽然基于深度学习的目标检测算法在道路场景中的目标检测方面已经取得了很好的效果，但是对于复杂道路场景中的密集目标，远处的小尺度目标检测精度低，容易出现漏检误检的问题，提出一种改进YOLOv7的复杂道路场景目标检测算法。增加小目标检测层，增加对小目标的特征学习能力；采用K-means++重聚类先验框，使得先验框更贴合目标，增加网络对目标的定位精度；采用WIoU(Wise-IoU)损失函数，增加网络对普通质量锚框的关注度，提高网络对目标的定位能力；在颈部和检测头引入协调坐标卷积（CoordConv），使网络能够更好地感受特征图中的位置信息；提出P-ELAN结构对骨干网络进行轻量化处理，降低算法参数量和运算量。实验结果表明，该改进算法在华为SODA10M数据集下的mAP达到64.8%，比原算法提高2.6个百分点，模型参数量和运算量分别降低12%和7%，达到检测精度和检测速度的平衡。     

基于无锚框网络的航拍航道船舶检测算法

针对无人机航拍航道船舶影像中船舶目标较小、尺度变换大、背景复杂等问题,提出了一种基于FoveaBox网络的单阶段无锚框的航道船舶检测算法FoveaSDet。为提升小目标的检测精度,该算法使用基于残差网络改进的SEResNeXt-I作为骨干网。为改善尺度变换问题,FoveaSDet采用Foveahead实现无锚框目标检测。同时为提高复杂背景下检测框的定位精度,使用完全交并比损失实现边框回归。经实验测试,FoveaSDet算法在实景航拍数据集上的平均准确率（AP）和小目标准确率（APS）分别为71.6%和47.0%,相较于原始的FoveaBox提高了4.9%和6.2%,体现了更好的总体检测精度和小目标检测能力。     

基于Faster-RCNN的自然环境下苹果识别

针对苹果园中存在的果实相互重叠、枝叶干扰以及复杂背景等问题，本文提出Faster-RCNN一种改进的模型。该模型通过增强Mosaic数据，使得识别小物体目标果实能力得到提升，同时，对Faster-RCNN结构中的锚框进行优化，优化后的锚框能更好地检测出距离相机较远的目标果实，以及使用Soft NMS算法对密集区域的识别效果进一步得到改进。通过对300幅未参与识别的自然环境下的苹果图像进行验证，验证结果表明：召回率为91.44%，准确率为93.35%,F1值为92.38%，每幅图像的检测可在0.2 s内完成。改进后的算法鲁棒性得到增强，能够满足在自然环境下对苹果果实的识别工作。     

基于改进Faster-RCNN的小目标检测

现阶段存在的Faster-RCNN基本可以满足普通目标的检测，但是对小目标的检测效果不佳。因此对传统的Faster-RCNN算法进行改进，用Resnet50残差网络替换之前的VGG16网络，让模型提取更多的小目标信息，并引入改进后的特征金字塔MC-FPN，使模型对于小目标信息的检测能力得到提升。实验结果表明，改进后的模型在HRRSD数据集达到86.2%的检测精度，较改进前的检测精度提升了4.7个百分点，证明改进后模型的有效性。     

改进YOLOv3-SPP的SAR图像舰船目标检测

合成孔径雷达图像中舰船目标的尺度差异大、小目标居多,这给检测造成一定的困难。针对此问题,提出了一种基于改进YOLOv3-SPP的SAR图像舰船目标检测算法。改进原模型FPN,利用主干网络的第二次下采样输出的特征来建立尺度为104×104的预测,并将各个尺度进行紧密连接;用K-median++聚类算法重新对锚框聚类来得到适合舰船特征的先验框。使用YOLOv3-SPP模型和改进的YOLOv3-SPP模型以及其他典型目标检测算法在AIR-SARship-1.0与SSDD数据集上进行对比实验。实验结果表明,相比于原始算法,改进后的算法能更有效地检测SAR图像舰船目标,检测精度分别提升了3.2%、4.4%。在数据集3个不同输入尺度下,检测精度都有所提升。相比于其他检测算法,改进后的算法在保证实时性的情况下具有更高的检测精度。     

改进YOLOv5s的无人机视角下小目标检测算法

无人机视角的小目标图像具有目标分布密集、类别不均衡以及特征不明显的特点，导致目标检测任务中出现漏检、误检的问题。针对这些问题，提出一种改进YOLOv5s小目标检测方法，以达到提高目标检测准确率与精确度的目的。重新聚类锚框，更精确地锁定检测区域。更改骨干网络结构，在空间金字塔池化层增加卷积，保证充分获取检测目标特征。同时，将网络结构中的C3模块替换成融合通道注意力机制的轻量级SEC2f模块，以提升网络对于小目标检测的局部特征捕获能力。融合解耦检测头，结合自适应锚框计算，有效提取目标区域的特征。在相同参数、相同环境条件下，在DOTA数据集上和VisDrone数据集上检测精度分别提升6.1%、5.2%，表明改进方法在小目标检测任务上的有效性；在公开数据集voc2007+2012上做通用性对比实验，结果表明改进算法具有通用性。     

一种改进的YOLOv5小目标交通标志检测方法

针对实景交通标志检测方法研究中存在小目标识别精度较低、网络模型较大等问题，将一种改进的YOLOv5网络模型用于交通标志检测中。通过削减特征金字塔深度、引入卷积注意力模块优化网络结构，保留小目标信息并增强模型特征提取能力。采用K-means聚类算法确定适用于小目标识别的初始锚框，进一步提高模型检测精度。通过TT100K数据集验证表明，与YOLOv5模型相比，上述方法平均准确率提高3.0%,小目标检测平均精度提高5.0%,且模型大小为原模型的25.1%,保证较高识别能力的同时减少了模型参数量，实验对比结果验证了该方法的有效性。     

多通道区域建议的多尺度X光安检图像检测

针对安检X光图像检测中的违禁品尺度差异问题,对Faster RCNN网络进行改进,提出一种基于多通道区域建议网络（muiti-channel region proposal network,MCRPN）。考虑到不同层卷积特征在视觉语义上的互补性,进行多层特征提取,融合VGG16高层较丰富的语义特征和低层较浅的边缘特征;修改多通道RPN中的锚框参数,将生成的多尺度候选目标区域分别映射到对应的特征图上,构建多尺度违禁品检测网络;在多通道上引入膨胀卷积,设计一种多分支膨胀卷积模块（dilated convolutions module,DCM）,增大感受野,增强不同尺度的特征。将改进的算法在自制数据集SIXray_OD上进行实验,检测的平均精度达到84.69%,测性能较原网络提高了6.28%。实验结果表明,改进算法的识别精度有一定提高。     

改进的基于区域卷积神经网络的微操作系统目标检测方法

传统的目标检测方法不能有效检测微操作系统中部分受遮挡或多种姿态的目标,因此文中采用改进的基于区域卷积神经网络的Faster-RCNN检测算法,用于微操作系统中部分受遮挡或多种姿态的目标检测.在原始Faster-RCNN的基础上,使用在图像分类任务中性能优越的深度残差网络作为检测算法的主框架,并且引入防止正负样本不均衡的在线困难样本挖掘策略以提高网络性能.实验表明,这种改进的基于区域卷积神经网络方法能有效识别部分受遮挡和不同姿态的目标,相比传统方法,文中方法对环境适应性更强,速度更快,具有实际应用价值.     

改进YOLOv3遥感小目标检测算法

针对目前在遥感目标检测领域广泛使用的YOLOv3算法存在对小目标物体的特征表达能力不足,检测效果不好的问题,本文提出一种改进的YOLOv3小目标检测算法.首先,引入全局信息注意力机制并改进特征提取网络和特征金字塔结构,提高模型小目标特征提取能力和检测能力;其次,对数据集进行单尺度Retinex融合特征增强,提高模型对小目标特征的学习效果;最后,使用自适应锚框优化算法对anchors进行优化,提高anchors和目标的匹配程度.选用遥感数据集RSOD进行实验,本文算法的全类平均精度为92.5%,相比经典YOLOv3算法,提高10.1%,对遥感小目标的检测效果得到明显提升.     

改进RetinaNet的电力设备目标检测方法

针对电力设备检测中小目标识别精度低的问题,提出一种基于RetinaNet的电力设备目标检测方法。通过K-means聚类方法优化原始网络的锚点框尺寸。然后在特征融合中加入拥有更高分辨率的浅层特征图,解决通过多层卷积后特征图包含信息过少的问题。在此基础上,引入ECA(Efficient Channel Attention)注意力机制,使网络定位电力设备的有效特征,抑制无用特征信息。实验结果表明,相比原始方法,本文方法对于电塔、销钉、工程车、绝缘子、电杆5种电力设备的平均识别精度提升了18.1个百分点,表明改进后的方法能显著提高电力设备的检测水平。     

基于YOLO框架的血细胞自动计数研究

血细胞检测和计数是血液检验中的一项重要内容，大量细胞显微图像形态多样、目标较小且背景复杂，自动识别血细胞仍然是一项具有挑战性的任务。为解决血细胞检测中复杂小目标识别问题，基于一阶段深度检测YOLO框架，提出了一种新颖的YOLO-Dense网络模型。通过使用[K]-means算法对锚框进行聚类，获得三种不同大小的潜在待识别目标的锚框，并在YOLO基础网络中引入残差模块和特征金字塔的多尺度模块，以提高对小目标的识别精度；通过跳层连接进行残差训练，有效解决深度网络梯度弥散和爆炸等问题；通过在网络架构中增加密集连接模块，使得提出的模型能够有效提升网络推断速度。实验结果表明：YOLO-Dense网络均值平均精度mAP和检测时间分别为0.86和24.9 ms。相比Faster R-CNN和原始的YOLO网络，YOLO-Dense模型在血细胞检测上取得了最好的性能。     

基于非对称沙漏网络结构的目标检测算法

基于无锚框深度学习的目标检测是一种主流的单阶段目标检测算法。融合多层监督信息的沙漏网络结构能够显著提升无锚框目标检测算法的精度,然而其速度却远低于同层次的普通网络的速度,并且不同尺度目标间的特征会互相干扰。针对上述问题,提出了一种非对称沙漏网络结构的目标检测算法。该算法在融合不同网络层的特征时不受形状大小的约束,能够快速高效抽象出网络的语义信息,使模型更容易学习到各种尺度之间的差异。针对不同尺度目标检测问题,设计了一种多尺度输出的沙漏网络结构用来解决不同尺度目标间特征互相干扰的问题,并精细化输出的检测结果。另外,针对多尺度输出使用了一种特殊的非极大值抑制算法以提高检测算法的召回率。实验结果表明,所提算法在COCO数据集上的AP50指标达到61.3%,相较于无锚框网络CenterNet提升了4.2个百分点。所提算法在精度与时间的平衡上超越了原始算法,尤其适用于对工业场景的目标进行实时检测。     

面向驾驶场景的多尺度特征融合目标检测方法

针对驾驶场景中目标检测卷积神经网络模型检测精度较低的问题,提出一种基于改进RefineDet网络结构的多尺度特征融合目标检测方法。在RefineDet网络结构中嵌入LFIP（Light-weight Featurized Image Pyramid,轻量级特征化的图像金字塔）网络,将LFIP网络生成的多尺度特征图与RefineDet中的ARM（Anchor Refinement Module,锚点框修正模块）输出的主特征图相融合,提升特征层中锚点框初步分类和回归的输出效果,为ODM（Object Detection Module,目标检测模块）模块提供修正的锚点框以便于进一步回归和多类别预测;在RefineDet网络结构中的ODM之后嵌入多分支结构RFB（Receptive Field Block,感受野模块）,在检测任务中获得不同尺度的感受野以改善主干网络中提取的特征。将模型中的激活函数替换为带有可学习参数的非线性激活函数PReLU（Parametric Rectified Linear Unit,参数化修正线性单元）,加快网络模型的收敛速度;将RefineDet的边界框回归损失函数替换为排斥力损失函数Repulsion Loss,使目标检测中的某预测框更靠近其对应的目标框,并使该预测框远离附近的目标框及预测框,可以提升遮挡情况下目标检测的精度;构建驾驶视觉下的目标检测数据集,共计48 260张,其中38 608张作为训练集,9 652张作为测试集,并在主流的GPU硬件平台进行验证。该方法的mAP为85.59%,优于RefineDet及其他改进算法;FPS为41.7 frame/s,满足驾驶场景目标检测的应用要求。实验结果表明,该方法在检测速度略微下降的情况,能够较好地提升驾驶视觉下的目标检测的精确度,并能够一定程度上解决驾驶视觉下的遮挡目标检测和小目标检测的问题。     

基于改进Faster RCNN的小尺度铁路侵限算法

针对目前传统铁路异物侵线检测算法识别精度不高、对于小尺度目标异物存在漏检等问题,提出一种基于改进Faster RCNN的小尺度铁路侵限算法。在特征提取网络中利用特征金字塔模型将高层特征与低层特征相融合;通过修改锚点框尺寸和增加锚点个数来提高对目标建议区域的精确性;提出一种基于衰减得分的NMS算法;在引入迁移学习思想同时利用在线难例挖掘训练网络以解决数据缺乏、训练难收敛的问题。实验结果表明,改进的Faster RCNN与传统的Faster RCNN网络相比,mAP (mean average precision)提高了2.1%,对小目标的识别有较好准确度。     

基于改进Faster R-CNN的小目标检测算法

针对图像纹理细节等高频特征在基于卷积神经网络模型的特征提取过程中丢失，从而导致小目标检测效果较差的问题，提出一种多层频域特征融合的目标检测算法。算法以Faster R-CNN为基础框架，使用高频增强后的图像和对比度增强后的图像作为算法输入样本，提高了待检测图像质量；针对总像素面积较小的目标，更改RPN网络中的锚点尺度，并利用多尺度卷积特征融合的方法，融合来自不同特征层的特征，解决了小目标在深层特征图中特征信息丢失的问题。实验结果表明，所提算法在DAGM 2007数据集上具有良好的性能，平均精度均值mAP达到了97.9%,在PASCAL VOC 2007测试集上对小目标的mAP也明显优于原始Faster R-CNN的。     

改进YOLOv5s的小目标烟雾火焰检测算法

针对复杂环境中,烟雾火焰检测存在精度低,小目标检测困难等问题,提出一种改进的基于YOLOv5s的小目标烟雾火焰检测算法。基于公开数据集自建了9 981张不相似的烟雾火焰图像数据集,解决现有数据集的限制,提高了模型的训练效率与泛化能力;在网络中添加3-D注意力机制SimAM,增加算法的特征提取能力,而且没有增加额外的参数;修改网络中的Neck结构,将三尺度检测改为四尺度检测,并结合了加权双向特征金字塔网络（BiFPN）结构,对特征融合过程进行修改,提高小目标的检测能力与特征融合能力;通过遗传算法来优化网络中的部分超参数,进一步模型的检测能力。实验结果表明,改进后的算法比原始YOLOv5s算法平均检测精度提高了7.2%,同时对小目标检测精度更高,误检漏检等情况减少。