基于改进单点多盒检测器的大坝缺陷目标检测方法

为提升大坝安全运维的效率,大坝缺陷目标检测模型有助于辅助巡检人员进行缺陷检测。大坝缺陷几何形状多变,而采用传统卷积方式进行特征提取的单点多盒检测器（SSD）模型无法适应缺陷的几何变换。针对上述问题,提出可变形卷积单步多框检测器（DFSSD）模型。首先将原始SSD的主干网络VGG16中的标准卷积替换为可变形卷积,用于处理缺陷的几何变换,并且通过学习卷积偏移量来提升模型的空间信息建模能力;其次针对不同特征的尺寸,改进先验框比例,从而提高模型对条形特征的检测精度与模型的泛化能力;最后为解决训练集正负样本不均衡的问题,采用改进的非极大值抑制（NMS）算法来优化学习效果。实验结果表明：DFSSD模型较基准模型SSD在大坝缺陷图像上的平均检测精度提升了5.98%。相较于基于区域的更快卷积神经网络（Faster R-CNN）和SSD模型,DFSSD模型在大坝缺陷目标检测精度提升上有较好的效果。     

基于深度学习的型钢表面多形态微小缺陷检测算法

为了解决由于型钢表面缺陷形态多样、微小缺陷众多所带来的检测效率低与检测精度差的问题,提出一种基于可变形卷积与多尺度-密集特征金字塔的型钢表面缺陷检测算法——Steel-YOLOv3。首先,使用可变形卷积代替Darknet53网络部分残差单元的卷积层,从而强化特征提取网络对型钢表面多类型缺陷的特征学习能力;其次,设计了多尺度-密集特征金字塔模块：在原有YOLOv3算法的3层预测尺度上增加1层更浅层的预测尺度,再对多尺度特征图进行跨层密集连接,从而增强对密集微小缺陷的表征能力;最后,针对型钢缺陷尺寸分布特点,使用K-means维度聚类方法优化先验框尺寸并将先验框平均分配到4个对应预测尺度上。实验结果表明：Steel-YOLOv3算法具有89.24%的检测平均精度均值（mAP）,与Faster R-CNN（Faster Region-based Convolutional Neural Network）、SSD（Single Shot MultiBox Detector）、YOLOv3和YOLOv5算法相比分别提高了3.51%、26.46%、12.63%和5.71%,且所提算法显著提升了微小剥落缺陷的检出率。另外,所提算法的每秒检测图像数量达到25.62张,满足实时检测的要求,可实际应用于型钢表面缺陷的在线检测。     

基于改进HRNet的眼底视网膜血管分割算法

针对现有眼底视网膜血管分割算法普遍存在的微小血管细节丢失和病灶信息误判等问题,提出一种基于改进HRNet的血管分割算法.在预处理阶段,利用限制对比度自适应直方图均衡化和自适应的Gamma矫正提高血管与背景对比度;在编码阶段,将HRNet原始卷积替换为可变形卷积,提升卷积对复杂血管形态结构的适应能力;在多尺度特征融合阶段,引入空间金字塔池化和多尺度卷积,扩大感受野同时增强对目标局部特征关注度,改善血管伪影和细微信息丢失的问题.该算法在DRIVE数据库上仿真实验,其准确率、灵敏度和特异性分别为95.79％、80.33％和98.12％.     

一种基于深度学习模型的无人机巡检输电线路山火检测方法

输电巡检图像的背景复杂，目标检测易受干扰，基于YOLOX神经网络模型，提出一种输电线路山火检测方法。首先采用YOLOX的主干特征提取网络框架，并将其中多尺度特征提取模块的常规卷积替换为可变形卷积；其次在加强特征提取阶段增加了通道注意力和空间注意力模块的融合，能够自适应火焰的外形多变特点，更加有效地提取到山火特征，从而提高目标检测的准确率。经实验验证，所提方法能够较为准确地检测到山火，满足日常巡检的需求。     

基于D-Unet神经网络的鼻腔鼻窦肿瘤分割算法

鼻腔鼻窦肿瘤为多发性疾病,其CT影像具有形态不规则、分界不均匀等特征,而现有的U-Net分割算法对图片细节不敏感且割裂了图像局部与整体特征的一致性,难以实现精准诊断。提出一种基于D-Unet深度神经网络的改进算法,根据鼻腔鼻窦肿瘤空间形变特点,将可变形卷积融入U-Net网络,并利用可变形卷积能依据目标形态拥有自适应感受野的特点,充分学习图像细节,从而提升算法的特征提取能力。在此基础上,使用损失函数Tversky解决数据集样本失衡问题,从而获得更高的灵敏度和泛化能力。为方便进一步研究,建立鼻腔鼻窦肿瘤分割数据集。实验结果表明,所提算法能有效提高鼻腔鼻窦肿瘤分割精度,相比U-Net、Res-Unet和Attention U-Net算法,分割精度分别提高了5.01%、2.56%和0.48%。     

基于尺度自适应卷积神经网络的人群计数算法

为解决单幅图像中的人群遮挡和尺度变化问题,提出一种基于多列卷积神经网络的人群计数算法。利用具有不同尺寸感受野的卷积神经网络(CNN)和特征注意力模块自适应提取多尺度人群特征,引入可变形卷积增强CNN网络空间几何形变学习能力并优化特征图,从而生成高质量的密度图。Shanghai Tech和UCF_CC_50数据集上的实验结果表明,该算法能学习输入图和人群密度图之间的映射关系,且计数准确性高、鲁棒性强。     

基于无锚框关键点算法的工件表面缺陷检测

针对工件表面图像中划痕缺陷尺寸比例异常、尺度变换大、背景纹理复杂等问题,提出一种基于无锚框关键点的工件表面缺陷检测算法AFKPDD。为提高尺寸比例异常的细长划痕的检测精度,采用基于RepPoints Head的检测模块,更好拟合缺陷形态并提取有效特征。为改善尺度变换和背景复杂问题,使用可变形卷积多尺度网络提取图像特征。为提高模型泛化能力,设计随机遮挡数据增强方法和多任务学习策略。自建铝制工件内壁数据集,AFKPDD算法在该数据集上AP达到88.9%,优于其它主流目标检测算法。在公开钢材表面数据集上验证了模型的泛化能力和在划痕检测上的应用价值。     

基于三维时空注意的密集连接视频超分算法

针对视频超分对时间帧间信息以及分层信息的利用不充分,设计了一种具有空间时序注意力机制的密集可变形视频超分辨率重建网络。利用三维卷积来提取经可变形卷积模块对齐后的相邻帧之间的时间序列信息,同时设计具有步幅卷积层的轻量级模块来提取空间注意力信息。在特征重构阶段引入密集连接,充分利用分层特征信息以实现更好的特征重建。选取公共数据集进行实验验证,结果表明,提出的算法在客观评价指标与视觉对比效果上都有提升。。     

基于YOLOv3与注意力机制的桥梁表面裂痕检测算法

为了实现桥梁表面裂痕的快速准确检测和及时修复,在目标检测网络YOLOv3的基础上,结合深度可分离卷积与注意力机制,提出实时检测桥梁表面裂痕的轻量级目标检测网络.使用深度可分离卷积操作替换YOLOv3的标准卷积操作,达到降低网络参数量的目的.同时为了解决深度可分离卷积操作带来的网络精度下降的问题,引入MobileNet v2的反转残差块.卷积块注意力模块同时关注图像的通道注意力和空间注意力,较好地进行特征的自适应学习.实验表明,文中算法可实现对桥梁表面裂痕的实时检测.相比YOLOv3,具有更高的检测精度和检测速度.     

基于注意力机制和可变形卷积的金属表面细微不规则损伤的图像识别模型

对金属表面细微损伤的检测,传统的目标识别算法泛化能力较弱,而使用深度卷积神经网络的通用检测算法容易丢失小目标特征,其使用的传统正方形结构卷积不适用于处理长条状等不规则损伤。针对以上问题,提出了一种基于注意力机制和可变形卷积的级联神经网络目标检测模型ADC-Mask R-CNN。在ResNet101主干网络中嵌入通道域注意力与空间域注意力,以增强对小损伤目标的检测效果;采用可变形卷积与可变形感兴趣区域池化技术,提升了对不规则损伤的检测效果;通过级联网络实现了检测结果的进一步优化。在金属表面损伤数据集上的对比实验结果表明,ADC-Mask R-CNN模型可以提高金属表面细微不规则损伤的检测性能。     

改进FSSD的差速器壳体表面缺陷实时检测算法

针对传统检测方法对于汽车差速器壳体表面小目标缺陷的误检和漏检问题,提出了一种改进的FSSD＿MobileNet缺陷检测模型。该模型将FSSD(feature fusion single shot multibox detector)算法的基础骨干网络VGG16替换成轻量级MobileNet网络,构建了一种高效的特征融合结构并调整了默认框的尺寸,进一步提升对小目标缺陷的检测能力。同时使用RMSProp(root mean square propagate)梯度下降算法来优化损失函数,加快了模型的收敛速度。实验结果表明,改进后的FSSD＿MobileNet模型的mAP为96.7%,相比于改进前提升了16.2个百分点。在保持较高检测精度的同时,检测速度达到了191 FPS,高于目前单阶段算法中速度较快的YOLOv5s网络,相较于传统的SSD(single shot multibox detector)和FSSD分别提升了94 FPS和102 FPS,同时模型较为精简,能够更好地满足实际生产中对准确性和实时性的综合要求。     

基于改进YOLOv3的多尺度目标检测算法

为了进一步提高多尺度目标检测的速度和精度,解决小目标检测易造成的漏检、错检以及重复检测等问题,提出一种基于改进YOLOv3的目标检测算法实现多尺度目标的自动检测。首先,在特征提取网络中对网络结构进行改进,在残差模块的空间维度中引入注意力机制,对小目标进行关注;然后,利用密集连接网络（DenseNet）充分融合网络浅层信息,并用深度可分离卷积替换主干网络中的普通卷积,减少模型的参数量,提升检测速率。在特征融合网络中,通过双向金字塔结构实现深浅层特征的双向融合,并将3尺度预测变为4尺度预测,提高了多尺度特征的学习能力;在损失函数方面,选取GIoU（Generalized Intersection over Union）作为损失函数,提高目标识别的精度,降低目标漏检率。实验结果表明,基于改进YOLOv3（You Only Look Once v3）的目标检测算法在Pascal VOC测试集上的平均准确率均值（mAP）达到83.26%,与原YOLOv3算法相比提升了5.89个百分点,检测速度达22.0 frame/s;在COCO数据集上,与原YOLOv3算法相比,基于改进YOLOv3的目标检测算法在mAP上提升了3.28个百分点;同时,在进行多尺度的目标检测中,算法的mAP有所提升,验证了基于改进YOLOv3的目标检测算法的有效性。     

基于轻量级卷积神经网络的载波芯片缺陷检测

载波芯片（chip on carrier,COC）是光发射次模块（transmitter optical subassembly,TOSA）的重要组成部分,被广泛应用于光通信领域,实现光电转换。针对载波芯片崩口、定位柱破损以及波导污渍三种不同类别缺陷的实时检测问题,提出了一种基于轻量级卷积神经网络的载波芯片缺陷检测算法YOLO-Efficientnet。为了减少网络参数,缩短检测时间,采用轻量级卷积神经网络Efficientnet作为主干网络对图像进行特征提取,在移动翻转瓶颈卷积（MBConv）的基础上,引入了压缩与激发网络（SENet）的注意力思想,在通道维度上引入注意力机制;为了解决下采样的过程中导致信息丢失的问题,引入空间金字塔池化（SPP）结构来增大图像的感受野,分离出更加显著的上下文特征。针对COC缺陷多尺度以及波导区域污渍小目标难以检测的问题,引入了PANet结构进行多尺度特征融合。实验结果表明,提出的算法对COC缺陷检测的准确率达到了98.5%,检测时间达到每张图片0.42 s,满足实时检测的需求。     

基于改进YOLOv4的轻量化目标检测算法

针对当前YOLOv4目标检测网络结构复杂、参数多、训练所需的配置高以及实时检测每秒传输帧数（FPS）低的问题,提出一种基于YOLOv4的轻量化目标检测算法ML-YOLO。首先,用MobileNetv3结构替换YOLOv4的主干特征提取网络,从而通过MobileNetv3中的深度可分离卷积大幅减少主干网络的参数量;然后,用简化的加权双向特征金字塔网络（Bi-FPN）结构替换YOLOv4的特征融合网络,从而用Bi-FPN中的注意力机制提高目标检测精度;最后,通过YOLOv4的解码算法来生成最终的预测框,并实现目标检测。在VOC2007数据集上的实验结果表明,ML-YOLO算法的平均准确率均值（mAP）达到80.22%,与YOLOv4算法相比降低了3.42个百分点,与YOLOv5m算法相比提升了2.82个百分点;而ML-YOLO算法的模型大小仅为44.75 MB,与YOLOv4算法相比减小了199.54 MB,与YOLOv5m算法相比,只高了2.85 MB。实验结果表明,所提的ML-YOLO模型,一方面较YOLOv4模型大幅减小了模型大小,另一方面保持了较高的检测精度,表明该算法可以满足移动端或者嵌入式设备进行目标检测的轻量化和准确性需求。     

轻量级水下目标检测器LUDet

针对传统水下目标检测器受环境影响较大的问题,使用一种新的轻量级网络LUNet提取特征,结合两阶段检测算法提出轻量级检测器LUDet。首先,网络的第1个阶段使用高效卷积池化来获取不同特征表达。然后,在稠密连接结构的基础上增加两路稠密连接,以提高网络表征能力。网络由卷积池化层与两路稠密连接结构构成,网络中使用GhostModel代替1×1点卷积。使用CAFIR10和CAFIR100数据集进行分类实验验证了提出的骨干网的有效性。针对检测任务,LUDet通过通道注意力、多阶段融合后的特征图对目标进行检测。使用2个水下数据集对改进的检测器进行验证,水下生物数据集上检测的mAP达到了52.5%,水下垃圾数据集上检测的mAP达到了58.7%。     

基于级联神经网络的型钢表面缺陷检测算法

深度学习在缺陷检测方面具有优越性能,然而在工业应用过程中由于缺陷概率低,无缺陷图像的检测过程占据了大部分计算时间,严重限制了整体上的有效检测速度。针对上述问题,提出一种基于级联网络的型钢表面缺陷检测算法SDNet。该算法分为两个阶段：预检阶段和精检阶段。预检阶段采用基于深度可分离卷积（DSC）以及多尺度并行卷积的轻量化ResNet预检网络,判断型钢表面图像是否存在缺陷;精检阶段以YOLOv3作为基准网络对图像中的缺陷进行准确分类与定位,并在主干特征提取网络以及预测分支中引入改进空洞空间金字塔池化（ASPP）模块以及对偶注意力模块,以提升网络的检测性能。实验结果表明,SDNet在1 024像素×1 024像素图像上的检测速度达到每秒120.63帧,准确率达到92.1%。与原YOLOv3算法相比,所提算法的检测速度是原YOLOv3算法的3.7倍,检测精度提高了10.4个百分点,可应用于型钢表面缺陷的快速检测。     

基于卷积神经网络的细长路面病害检测方法

针对细长路面病害人工检测耗时长和当前检测方法精度不足的问题,依据病害的弱语义特性和异常几何属性,提出了能够精准定位和分类出病害的二阶段细长路面病害检测方法Epd RCNN.首先,针对细长路面病害的弱语义特性,提出了一种复用低层特征并反复融合不同阶段特征的骨干网络;其次,在训练过程中,使用一种符合病害几何属性分布的锚框机...     

多尺度特征自适应融合的轻量化织物瑕疵检测

织物瑕疵检测是纺织行业保证产品质量的重要环节,针对织物瑕疵检测中存在小目标瑕疵检测困难、不同种类瑕疵长宽比差异大、对实时性要求高等问题,提出一种新的轻量化织物瑕疵检测算法。以YOLOv4网络为基础,使用轻量化网络MobileNetv2为主干网络,有效减少模型参数总量与运算量,以满足实时性需求。在MobileNetv2的逆残差结构中加入CoordAttention注意力模块,将空间精确位置信息嵌入到通道注意力中,增强网络聚焦小目标特征的能力。使用自适应空间特征融合（ASFF）网络改进路径聚合网络（PANet）,使模型通过学习获得多尺度特征图的融合权重,从而充分利用浅层特征与深层特征,提高算法对小目标瑕疵的检测精度。采用K-means++算法确定先验框尺寸,并用Focal Loss函数修改模型损失函数,降低正、负样本不平衡对检测结果的影响,解决不同种类瑕疵长宽比差异大及类别不平衡的问题。实验结果表明,相较于YOLOv4算法,所提算法的平均精度均值提高了2.3个百分点,检测速度提升了12 frame/s,能较好地应用于织物瑕疵检测。     

基于改进YOLOv4的变电站缺陷检测

为提高变电站设备缺陷的检测精度, 保障变电站运行安全, 提出一种基于改进YOLOv4的缺陷检测算法. 不同于原始YOLOv4, 该算法使用一维卷积替代全连接来优化CBAM卷积注意力模块, 然后将其嵌入主干网络中以增强特征提取能力; 同时, 在特征融合中应用空洞卷积扩大感受野, 聚合更广的语义信息. 该算法在现场拍摄的样本集上进行测试, mAP可达到86.97%, 相比原始YOLOv4提高了2.78%. 实验结果表明, 本文提出的YOLOv4改进算法能够提升网络性能, 更好地应用于变电站设备缺陷检测任务.