混凝土坝面作业场景智能识别ResNet50-SEMSF方法

为提高混凝土坝面作业场景识别工作效率,提出了一种混凝土坝面作业场景智能识别方法（ResNet50-SEMSF）。将采集的坝面施工现场监控视频分割为图像,分析混凝土坝面作业人、机、料、环境等实体要素图像特征,界定坝面作业典型场景;以残差网络（ResNet50）为骨干网络结构,引入挤压激励（SE）注意力机制,关注不同通道间特征关系,提升坝面作业场景图像中多目标实体要素关键特征表达能力;融合下采样多尺度特征,保留坝面作业场景图像低级特征和高级语义信息,增强模型对图像不同层次特征的理解能力,克服尺度变化、目标变形等问题。对比分析其他3种卷积神经网络模型试验结果,使用梯度类激活映射（Grad-CAM）可视化方法,解释ResNet50-SEMSF模型对场景类别中实体要素信息的关注程度。结果表明：ResNet50-SEMSF识别效果明显优于ResNet50、MobileNetV2、VGG16等经典网络模型,表明ResNet50-SEMSF模型用于混凝土坝面作业场景智能识别的可行性,为混凝土坝面施工安全管理工作提供参考。     

基于改进YOLOv7的电力设备红外过热缺陷检测方法

电力设备运行时发生过热缺陷容易引起电气故障,严重威胁电力设备安全运行。为了有效监测电力设备运行状态,提出一种基于改进YOLOv7的电力设备红外过热缺陷检测方法。采用YOLOv7目标检测网络作为基础检测网络,使用CIoU衡量矩形框的损失,同时将原网络的空间金字塔池化-跨阶段局部网络（SPPCSPC）结构替换为快速空间金字塔池化-跨阶段局部网络（SPPFCSPC）结构对模型进行改进,以增大模型感受野并提升对过热缺陷的检测性能。实验结果表明,基于改进YOLOv7的检测方法的准确率达到90.39%、召回率达到78.95%、平均正确率达到89.64%,可为电力设备过热缺陷红外检测提供参考。     

融合坐标注意力和BiFPN的YOLOv5s交通标志检测方法

针对不同光照条件下的小目标交通标志检测存在的不易检测、错检等问题,提出了一种融合坐标注意力机制和双向加权特征金字塔(BiFPN)的YOLOv5s交通标志检测方法。首先,在特征提取网络中融入坐标注意力机制,提升网络对重要特征的关注程度,增加模型在不同光照条件下的检测能力;其次,在特征融合网络中使用BiFPN,提升模型的特征融合能力,改善对小目标交通标志的检测能力;最后,考虑到真实框与预测框之间的方向匹配问题,将CIoU损失函数改为SIoU损失函数,进一步提升模型的检测性能。在GTSDB数据集上进行验证,与原始模型相比,平均精度均值(mAP)提升了3.9%,推理时间为2.5 ms,能够达到实时检测的标准。     

基于改进Faster RCNN的轮对踏面缺陷检测

针对目前传统图像处理算法对踏面缺陷检测存在效率不高、对环境鲁棒性不足等问题，本文提出基于改进Faster RCNN的踏面缺陷检测方法。改进的网络首先使用Resnet50作为特征提取网络，并在特征金字塔层（FPN）特征融合输出部分加入自注意力机制，加强了检测网络对小缺陷的检测能力，最后使用K-means++聚类算法对踏面缺陷数据集锚框进行聚类，并通过聚类结果定制出更适合轮对踏面缺陷的锚框。实验结果表明，改进后的Faster RCNN网络对轮对踏面缺陷检测的平均检测速度为68 ms,平均精度（mAP）达到了97.3%，对小目标缺陷的检测精度（mAPsmall）达到了39.3%。     

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。     

基于改进 YOLOv7 模型的血细胞检测算法研究

在医学上,血细胞计数检测是衡量人体健康与否的重要诊断方法,但是血细胞图像中存在小目标和重叠目标的检测 难点。针对上述问题,提出一种改进的YOLOv7 目标检测算法。通过对原始的 YOLOv7 网络增加全局注意力机制(GAM), 提升网络的感受野,提高对小目标的检测精度;提出融合了加权双向特征金字塔网络(BiFPN) 和递归门控卷积 HorNet 的特 征金字塔 HorNet-BiFPN 结构,利用其高阶空间交互作用增强网络的特征融合能力,实现对红细胞重叠区域的建模,解决对重 叠红细胞的检测问题。实验结果表明,改进的 YOLOv7 模型的检测精确率达到了96.3%,对单张图片的检测时间达到了 74ms, 对图像中的3类细胞均实现了较强的检测效果,达到了医学辅助诊断的合理性。     

基于改进YOLOX的钢材表面缺陷检测算法

针对工业生产中钢材表面背景复杂导致缺陷检测精度低的问题，本文提出一种基于改进YOLOX的钢材表面缺陷检测算法。首先，引入了Swin Transformer模块来捕获缺陷钢材表面区域全局上下文信息并提取更多差异化特征；其次，采用加权双向特征金字塔网络（BiFPN），能够方便、快速的进行跨尺度特征融合；最后，对原始目标定位损失函数进行改进，建立了一种融合边界框中心位置的CIoU损失函数从而实现目标框高精度定位。实验表明，算法在NEU-DET数据集上的mAP为80.7%，检测精度相较于原始YOLOX-S网络提高了6.2%，同时也明显高于一些其他主流算法，具有较高的准确率和实用性。     

基于轻量级卷积神经网络的手势识别检测

针对基于深度学习的手势识别模型参数量大、训练速度缓慢且对设备要求高,增加了成本的问题,提出了一种基于轻量级卷积神经网络的手势识别检测算法。首先利用Ghost模块设计轻量级主干特征提取网络,减少网络的参数量和计算量;通过引入加权双向特征金字塔网络改进特征融合网络,提升网络检测精度;最后使用CIoU损失函数作为边界框回归损失函数并加入Mosaic数据增强技术,加快模型收敛速度提升网络的鲁棒性。实验结果表明,改进后的模型大小仅为17.9M,较原YOLOv3模型大小减小了92.4%,平均精确度提高了0.6%。因此新的检测方法在减少模型参数量的同时,还可保证模型的检测精度和效率,为手势识别检测提供理论参考。     

基于YOLOv4的复杂交通状况下多目标检测算法

当前复杂交通状况下多目标检测存在检测精度低,检测速度慢,模型参数量大等问题。针对上述问题基于YOLOv4提出一种能够快速检测并识别多个不同目标的密集神经网络。首先将高效通道注意力机制(ECA)与跨阶段密集连接网络(CSPDenseNet)结合,组成新的E-CSP主干网络,代替传统的残差网络(ResNet)。新的主干网络加强了有效通道的特征表达,提高了特征提取层提取特征的能力;其次使用改进的空间金字塔池化与柔性非极大值抑制(Soft-NMS),加强对于小目标与被遮挡目标的检测能力。实验结果表明,方法的平均类别精度(mAP)、帧率达到0.92%、50 fps,明显高于其他方法。通过与目前主流模型比较,方法在获得较高识别精度的同时,具有参数规模小识别速度快的特点,可以极大的提高交通行驶的安全性。     

改进 YOLOv4 的内丝接头密封面缺陷检测算法

针对传统目标检测算法对内丝接头密封面的缺陷识别率不高的问题,提出利用改进的YOLOv4算法对其进行检测。首先使用K-means++聚类算法对目标样本进行先验框参数优化,提高先验框与特征图的匹配度;其次在主干网络嵌入SENet注意力机制模块,强化图像关键信息,抑制图像背景信息,提高不易识别缺陷的置信度;然后在网络颈部增加SPP模块,增强主干网络输出特征的接受域,分离出重要的上下文信息;最后采用收集的内丝接头密封面缺陷数据集分别对改进前后的YOLOv4进行训练,并分别测试模型效果。实验结果表明,YOLOv4检测内丝接头密封面缺陷的性能较好,但有部分小目标漏检;改进后的模型对小目标缺陷的检测表现优异,均值平均精度(mAP)达到了87.47%,相比于原始YOLOv4提升了10.2%,平均检测时间为0.132 s,实现了对内丝接头密封面缺陷的快速准确检测。     

基于 YOLOv5-EA-FPNs 的芯片缺陷检测方法研究

针对芯片缺陷检测中,缺陷尺寸跨度大、特征相似、小目标难识别、漏检等问题,本文提出基于YOLOv5改进的缺陷检测方法。针对小目标缺陷检测中出现的漏检、误检等问题,提出新增小目标特征检测器(small target feature detector, S-Detector),提升模型对小目标缺陷的学习能力;针对缺陷尺寸跨度大、特征相似等问题,提出具有高效聚焦学习能力的特征金字塔结构(efficient attention feature pyramid networks, EA-FPNs),提升模型对不同尺寸缺陷的检测能力;针对预测阶段冗余框较多导致时间开销大的问题,提出基于面积的边界框融合算法(bounding box fusion algorithm, BFA),减少冗余框。实验结果表明,本文方法相较于改进前,检测精确度提升1.2%,小目标缺陷精确度提升1.6%;采用BFA消除冗余框的同时,平均检测时长为26.8μs/张,较使用BFA前减少了5.2μs。本文所提方法具有良好性能,能够提升检测效率。     

基于改进YOLOv4的输电线路目标检测算法

针对人工巡检及传统视频监测方式不能及时识别输电线路外破隐患的问题，本文提出基于YOLOv4改进的输电线路外破隐患识别算法。该算法通过改进K-means++算法对图片样本集目标的大小进行聚类分析，筛选出符合检测目标特征的锚框，之后利用CSPDarknet-53残差网络提取图片深层次网络特征数据，采用SPP算法对特征图进行处理增加感受野，并引用自注意力机制（CBAM），增强模型的特征提取能力。最后结合实际输电线路现场监控图，测试后表明该算法能够及时准确检测到外破隐患。     

多重金字塔的轻量化遥感车辆小目标检测算法

针对遥感车辆检测任务中存在目标尺寸小、背景复杂等问题，提出一种基于多重金字塔和多尺度注意力的轻量级YOLOv5算法。在主干网络中减少下采样次数，提高小目标检测能力，实现轻量化；在颈部中通过重新设计的多重金字塔网络，充分利用不同特征层的信息，增强特征融合能力，并引入改进的多尺度注意力模块，为浅层特征图获得更大的感受野和感兴趣区域；最后使用K-means++聚类算法对目标尺寸进行聚类分析，设计出适合目标的锚框尺度和宽高比。在自建遥感车辆数据集中不仅提升了目标检测精度，而且大大降低参数量。与YOLOv5s相比较，AP0.5%提高了2.3%、AP0.5:0.75%提高了4.3%；参数量降低了65%、模型大小减少了60%。在轻量化的同时有效地提高了小目标的检测精度。     

复杂地质条件下沥青混凝土心墙坝风险识别方法

针对复杂地质条件下沥青心墙坝风险识别问题,本文从“三高一深”复杂地质条件、沥青混凝土心墙和传统土石坝三个风险维度,系统建立沥青混凝土心墙坝风险指标体系。针对主客观信息融合不充分问题,本文采用三角模糊层次分析法（TFAHP）确定风险指标主观权重,通过指标重要性评价法（CRITIC）确定其客观权重,并利用博弈论法（GT）计算最优组合权重,构建基于TFAHP-CRITIC-GT组合赋权模型的沥青心墙坝风险智能识别方法。实例分析表明,新疆奴尔沥青心墙坝工程复杂地质条件风险指标权重占比0.516,是该工程的重要风险因素。综合考虑复杂地质条件风险对于准确识别沥青心墙坝风险因素具有重要工程意义,本文提出的指标体系及识别方法对于西部地区复杂地质条件大坝风险识别及评价研究具有推广价值。     

基于改进YOLOv5m的轻量化车脸检测方法

为解决车检站车辆检测中需要对车辆前照灯快速准确定位，同时防止车辆代检的问题，建立了一个车脸检测数据集Car-Data。针对车检站场景中车辆检测问题，提出了一种基于YOLOv5m的轻量化车脸检测方法。首先，将原网络的卷积块替换为改进型跨阶段深度可分离卷积块，以减少网络整体的参数量和计算量。其次，提出增强感受野的空间金字塔扩张卷积模块代替YOLOv5m的主干提取网络中的空间金字塔池化模块，从而提升网络的目标检测精度。最后，在颈部特征增强网络中修改上采样方法，并提出上下层特征融合模块，以减少特征信息的损失。在Car-Data数据集上进行的实验结果表明，改进后的算法相较于原YOLOv5m模型大小减少了48%，每秒检测帧数提高了约10帧，且平均检测精度仍提升了2.02%。因此该改进算法可以满足车检站车辆检测场景中车脸检测的需求。     

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。     

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。     

一种Transformer引导 YOLOv5对高空吊钩违规操作识别

为了降低高空作业意外事故发生的风险,高空吊钩作业违规检测识别并及时告警显得十分重要.针对高空 吊钩目标小以及图像目标模糊等问题,现有的基于 YOLOv５的目标检测方法存在误检测率高、效率低等问题,为此 采用一种 Transformer模块来引导 YOLOv5对高空吊钩违规操作检测的算法.首先,在 Backbone中添加 Transformer 模块有效捕获全局信息和目标图像的上下文内容信息,有利于捕获复杂背景干扰下目标的特征信息;其次在 Neck中 使用 BiFPN 模块,能有效挖掘小目标图像内容信息及深层图像语义信息;最后使用SIoU损失函数,可以更准确定位 目标框的位置信息.     

改进YOLOv3的安全帽佩戴检测方法

针对目前安全帽佩戴检测模型在复杂环境下对于密集目标和遮挡目标存在漏检的问题,基于YOLOv3框架,提出了一种新的安全帽佩戴检测算法YOLOv3-H。YOLOv3-H算法在主干网络提取的3个特征层后加入多尺度自注意力机制,提升模型捕捉有用信息的能力;同时对K-means聚类算法进行优化,获得适合安全帽佩戴检测的最优先验框,从而提升网络模型的检测精度;最后采用GIOULoss作为目标定位损失函数,使得网络可以沿着预测框与真实框重叠度高的方向进行优化,从而加快模型的收敛速度。在Safety Helmet Wearing detect公开数据集上进行实验,结果表明,YOLOv3-H算法相比原有YOLOv3,平均检测精度提升了7.05%。     

基于改进YOLOv3的电力设备红外目标检测模型

红外图像检测技术因具有非接触、快速等优点,被广泛应用于电力设备的监测与诊断中,而对设备快速精确地检测定位是实现自动检测与诊断的前提.与普通目标的可见光图像相比,电力设备的红外图像可能存在背景复杂、对比度低、目标特征相近、长宽比偏大等特征,采用原始的YOLOv3模型难以精确定位到目标.针对此问题,该文对YOLOv3模型进行改进:在其骨干网络中引入跨阶段局部模块;将路径聚合网络融合到原模型的特征金字塔结构中;加入马赛克(Mosaic)数据增强技术和Complete-IoU(CIoU)损失函数.将改进后的模型在四类具有相似波纹外观结构的电力设备红外图像数据集上进行训练测试,每类的检测精度均能达到92％以上.最后,将该文方法的测试结果与其他三个主流目标检测模型进行对比评估.结果表明:不同阈值下,该文提出的改进模型获得的平均精度均值优于Faster R-CNN、SSD和YOLOv3模型.改进后的YOLOv3模型尽管在检测速度上相比原YOLOv3模型有所牺牲,但仍明显高于其他两种模型.对比结果进一步验证了所提模型的有效性.