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。     

改进YOLOX的弱光线道路交通标志检测

针对弱光线环境下道路交通标志检测精度不高、漏检、错检等情况，提出了一种改进YOLOX的融合检测算法。该算法引入轻量级Mobile Vi T Block模块，将CNN和Transformer结合，提高了网络对物体局部和全局特征的学习能力；通过添加自适应特征融合金字塔ASFF，对有效特征层进行加权融合，加快了网络训练收敛速度；并采用Focal Loss替换二元交叉熵损失函数，用以解决因样本少导致分类不准确的问题。实验结果表明，相较于YOLOX算法，改进YOLOX算法mAP值提升了2.89%，参数量减少了6.23 M，可视化实验进一步验证了所提算法可以提高检测精度，有效避免因弱光线导致的漏检、错检现象。     

基于改进YOLOX的地下排水管道缺陷识别算法

CCTV检测技术在地下排水管道缺陷检测被广泛应用,但CCTV收集的缺陷图像需要依赖专业的检测人员进行检测识别,结果具有一定主观性且耗费大量时间。为了实现地下排水管道缺陷检测识别自动化,提出了一种基于改进YOLOX的地下排水管道缺陷识别方法。首先针对数据集过少的问题,通过StyleGAN2对原始图像进行预处理,生成多缺陷图像。其次,为了提高检测精度,对YOLOX的特征融合层进行改进,借鉴空洞空间卷积池化金字塔思想并引入SE注意力机制解决顶层特征仅包含单尺度特征且不与其它特征图进行融合的问题,同时设计了一种基于权重的特征融合模块,解决不同特征层融合带来的特征混叠问题。最后,将YOLOX边界损失函数改为CIOU,提高目标检测框回归的效率。实验结果表明,所提的算法能够很好对沉积、渗漏、树根入侵、裂缝和错口5种缺陷进行识别,mAP达到68.76%,相比原始YOLOX算法提升了1.62%。     

基于改进CenterNet的输电线路电力器件及异常目标检测

为实现输电线路电力器件及异常目标的快速准确检测，提出了一种基于改进CenterNet的目标检测算法。首先，使用轻量级Mobile NetV2作为CenterNet的特征提取网络，同时对解码网络的通道数进行缩减，提高检测速度；其次，构建多通道特征增强结构，并引入底层细节信息，解决CenterNet因仅利用单一特征而造成检测精度低的问题；然后，设计同尺度残差注意力特征融合模块，取代上采样过程中特征直接相加的融合方式，以此拟合来自不同支路的同级特征；最后，引入椭圆高斯散射核优化标签编码，提升边界框回归的质量。对改进的CenterNet算法进行了实验，结果表明：该算法在构建的数据集上得到的均值平均精度达96%，前向推理速度为13 ms/帧，模型参数量约为5.9 MB，各项指标均优于FCOS、YOLOX等主流检测算法。该方法与无人机结合可为电网智能巡检提供参考。     

基于改进YOLOv5在电力巡检中的目标检测算法研究北大核心CSCD

针对输电线路巡检的复杂场景下被遮挡以及目标较小导致的误检问题,文中提出了一种基于YOLOv5的改进算法模型。首先通过数据增强和数据扩充数据集进行预处理;其次给引入SE模块,加强对不同尺度下目标的特征融合;然后引入CBAM模块,进行进一步特征提取,使提取的特征信息更加突出。最后,对损失函数进行优化,改进小数据导致的样本不均衡现象。经实验证明,改进后的算法有效地提高了被遮挡的目标和小目标的识别率,mAP较原算法精度提高了5%,Recall提高了14.6%。与其他改进模型相比,精度、召回率都有提高,验证了该模型在各种场合下具有较强的鲁棒性和泛化能力。     

UAST-RCNN:遮挡行人的目标检测算法

为解决行人检测中对遮挡行人的检测度低,漏检率较高的问题,提出一种基于注意力机制的UAST-RCNN网络,其在Faster-RCNN网络的基础上进行改进。首先,选用Swin-Transformer作为骨干网络,通过采用一种窗口多头自注意力机制提升全局感受野;然后,通过层级重采样模块,改进特征金字塔提升特征样本的质量,并且引入渐进式焦点损失函数平衡正负样本;最后,在实验预处理阶段采用改进的数据预处理扩充City Persons数据集进行多尺度训练。实验结果表明该算法对比原模型在遮挡行人检测上有了明显提升,其中在检测精度(AP)提升了6.3%,漏检率(MR)下降了4.1%。验证了所提算法在行人检测的可行性,可满足遮挡行人场景的检测要求。     

融合前景注意力的轻量级交通标志检测网络

针对目标检测算法模型在交通标志检测上容易出现错检和漏检等问题,提出一种融合前景注意力的轻量级交通标志检测网络YOLOT。首先引入SiLU激活函数,提升模型检测的准确率;其次设计了一种基于鬼影模块的轻量级骨干网络,有效提取目标物特征;接着引入前景注意力感知模块,抑制背景噪声;然后改进路径聚合网络,加入残差结构,充分学习底层特征信息;最后使用VariFocalLoss和GIoU,分别计算目标的分类损失和目标间的相似度,使目标的分类和定位更加准确。在多个数据集上进行了大量实验,结果表明,本文方法的精度优于目前最先进方法,在CCTSDB数据集上进行消融实验,最终精度达到98.50%,与基线模型相比,准确率提升1.32%,同时模型仅4.7 MB,实时检测帧率达到44 FPS。     

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。     

基于改进YOLOv3的酒瓶盖瑕疵检测算法

在智能酿酒工艺中,对酒瓶外包装进行瑕疵检测是质检环节重要的一环。本文基于改进YOLOv3目标检测算法,将其应用到酒瓶盖瑕疵检测的环节中,最终结果符合工厂生产线对瑕疵检测精度和速度的要求。该方法在YOLOv3主干Backbone网络的残差模块中引入SENet Module,应用注意力机制加强对特征的提取,在Neck特征金字塔网络中引入自适应特征融合网络（ASFF）,融合不同尺度的特征信息,提高模型的预测能力,同时引入Focus Loss损失函数解决正负样本不均衡问题,加速损失函数的收敛速度。改进后的YOLOv3-ASFL在自制酒瓶盖瑕疵数据集上mAP达到92.33%,单张图像检测时间仅为0.085s,比原始YOLOv3在相同数据集上的mAP提升了6.59%。改进后的YOLOv3模型性能更好,符合酒瓶包装生产线对瑕疵检测的需求。     

基于改进 YOLOX 的猕猴桃分类识别与空间定位

复杂自然环境下果实的快速、准确识别和定位是猕猴桃机械臂采摘的关键和难点。面向猕猴桃实时采摘应用,开展 了基于深度学习的猕猴桃分类识别算法、空间定位模型构建和机械臂采摘实验研究。优选 Anchor_Free的一阶段 YOLOX 算 法模型,并通过引入注意力机制、调整通道数、增加特征融合、堆叠特征融合对该模型特征融合环节加以改进,提高了非结构 化环境下猕猴桃果实的分类识别精度。实验数据表明,改进YOLOX 算法对独立果实、树叶遮挡、树干遮挡、果实重叠的平均 精度(AP) 分别提升至99.38%、98.43%、93.82%和92.98%,平均精度均值(mAP) 达到96. 15%,其平均 F₁ 值提升至 94.24%,且在640×640分辨率下每幅图像的平均检测时间为0.019 s 。进一步地,利用图像深度信息对识别目标进行三维空 间位置求解,并经物理实验验证,实验中果实定位坐标误差≤3.3%。算法在识别率、检测时间和定位误差3方面取得了较优 的综合性能,满足猕猴桃机械臂采摘中果实的实时识别及定位需求。     

基于改进 YOLOX 的电铲铲齿断裂检测方法

电铲是露天采矿中广泛使用的一种大型机械挖掘设备。 在挖掘过程中,铲齿与矿石长时间的直接冲击会造成铲齿过早 的松动甚至断裂,从而导致电铲计划外的停机和生产力的损失。 针对这个问题,提出了一种基于改进 YOLOX 的电铲铲齿断裂 检测方法。 该方法以 YOLOX 为基础,首先针对受光照不均匀等影响导致检测效果差的问题,在特征金字塔网络加入扩张卷积 注意力机制增强目标在复杂背景中的显著度;其次使用 CEIOU(corner efficient intersection over union)损失函数代替原网络损失 函数优化网络的训练过程,进而提高目标的检测精度;最后考虑嵌入式设备本身的计算能力问题,利用模型压缩策略裁剪网络 中冗余通道,减少模型体积并提高检测速度。 在自主构建的 4 200 张 WK-10 型电铲数据集上进行性能测试,实验结果表明:与 YOLOX 网络模型相比,改进后模型的平均检测精度达到了 95. 37%,提高了 1. 95%,检测速度为 46. 1 fps,提升了 8. 4 fps,模型体 积为 31. 74 MB,减少到原来的 32. 9%。 对比多种其他现存方法,所设计的目标检测算法有着精度高、体积小和速度快的优势。     

基于改进YOLOX的安全帽佩戴实时检测

在建筑行业中,因未佩戴安全帽而导致的安全事故占比较大。针对安全帽检测中存在的干扰性强、小目标准确率低等问题,提出了一种基于YOLOX的改进算法。首先,在加强特征提取网络中加入ECA-Net注意力机制,进行跨通道交互,根据生成的对应通道权重值,抑制干扰信息,加强模型对目标特征的关注度,再将重校准后的特征图进行更深度地特征融合,提高目标特征的表达能力。其次,使用CIoU来计算损失,将两框中心点距离和长宽比考虑进惩罚项,不断调整更新损失函数,加快模型收敛速度。最后,构建了一个真实施工场景下的小目标安全帽数据集。实验结果表明,改进后的算法mAP达91.7%,比原YOLOX算高出1.2%,对已佩戴安全帽的工人检测平均精度达93.9%,对未佩戴安全帽的检测平均精度达89.5%,检测速度达到71.9帧/s,保证安全帽佩戴情况实时检测的同时有较高准确率。     

基于改进EfficientDet的药丸检测算法

针对药剂师在药丸分拣过程中因疲劳而出错的问题,本文提出了一种基于改进EfficientDet的药丸检测算法。首先,引入Mosaic数据增强技术来提高采样数据的复杂度;然后,对主干网络EfficientNet进行改进优化,嵌入了CBMA模块的特征融合层,通过增强学习特征提高对药丸关键特征的提取能力;最后,对BiFPN特征融合部分增加了下层到上层的跨级数据流,通过充分利用多级数据,提高了不同层次的多尺度特征融合效率。实验表明,改进后的EfficientDet算法在测试中mAP值达到99.84%,相比较原始EfficientDet算法提高了0.65%,同时也比YOLOv3,YOLOv4和YOLOv4-Tiny等性能较好的目标检测网络具有更高的准确率和更好的实际应用性。     

基于 EfficientDet 的风机叶片缺陷检测方法

受工作环境恶劣等原因影响,风机叶片常会出现裂纹、凹坑等缺陷。针对当前常用目标检测算法对风机叶片小尺寸缺陷检测准确率低的问题,提出一种基于EfficientDet算法的风机叶片缺陷检测方法。首先采集图像数据并建立Pascal VOC格式的风机叶片缺陷图像数据集,然后对EfficientDet算法中的主干特征提取网络进行改进,减少向下采样次数并调整有效特征层从而增强主干特征提取网络对小尺寸缺陷的检测能力,同时为特征融合网络增加融合路径提升算法的多尺度特征融合能力,选用FReLU作为激活函数实现像素级空间信息建模,并通过Mosaic数据增强和Focal Loss损失函数增加小尺寸缺陷样本对于检测器的贡献。在建立的风机叶片缺陷图像数据集上的测试结果表明改进后的算法模型平均类别精度达到了96.15%,相较于原版的EfficientDet提升了3.77%,对小目标的检测性能有明显提升。     

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     

基于改进YOLOv5的电子粉涂覆不均检测

放电管生产过程中，电极表面电子粉涂覆是否均匀是影响放电管产品质量的关键，目前主要依赖于人工目检，针对人工检测效率低、精度差等问题，提出一种基于改进YOLOv5的电子粉涂覆不均检测算法。首先，采集电极表面电子粉涂覆的图像制作数据集，并进行数据增强；其次，引入STDC模块优化主干特征提取网络，提高对难以辨认的金属电极表面缺陷不均的检测精度，并生成两个特征图以适应数据集；最后使用K-means++聚类优化自适应锚框计算。实验结果表明：改进YOLOv5算法对电子粉涂覆不均检测的mAP@50达到99.22%，与原YOLOv5网络相比提升了6.84%，大大提升了检测精度，相较于人工检测其效率更高。     

基于可变形卷积改进SSD算法的目标检测方法

为了提高传统SSD算法对小目标检测的准确率,提出一种改进的SSD目标检测算法:采用基于可变形卷积的ResNet50作为SSD算法的特征提取网络,提高对目标的处理能力;设计特征金字塔(FPN)来融合不同层的特征图,丰富浅层特征图的语义信息;在特征融合时引入通道注意机制,提取相应的通道权重,增加重要信息的比例,提高检测效果。最后采用PASCAL-VOC2007开源数据集进行仿真实验,并与传统SSD目标检测算法进行对比,准确率得到显著提高,验证了该算法对小目标检测的有效性。     

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。