基于注意力机制和特征融合的道路目标检测算法

针对道路检测目标小、模型特征融合不充分等问题,提出了一种基于注意力机制和多尺度特征融合的道路目标检测算法MFFDM。该算法将Resnext50网络与注意力模块进行融合形成新的主干特征提取网络;其次,新增具有空间位置信息的底层检测层来匹配对小物体的检测;另外,利用反卷积模块及特征纹理提取模块设计多尺度特征融合网络DEFTFN。实验表明,与FCOS算法相比,该算法在KITTI数据集上的平均精度提升了9.3%,对道路行人目标的检测精度提升明显,提升幅度达14.6%。     

基于目标感知增强的无人机航拍目标检测

针对现有目标检测器在处理无人机航拍图像上存在的小目标检测精度不高的问题,提出一种具有目标感知特征增强的改进YOLOv4(yolo only look once)航拍检测算法。通过深度级联的方式构建瓶颈连接注意力模块,将其嵌入至YOLOv4主干网络,强化对基础特征的提取;为充分有效地利用目标上下文,对原始网络中特征金字塔输出的多尺度特征进行聚合与校准细化;对于小目标定位不够精确的问题,通过闭环反馈与融合策略重新设计检测头部,增强小目标位置信息的特征响应。该方法在VisDrone航拍数据集上的实验结果表明,检测精度相比YOLOv4提高了4.24%,其中小目标的精度提升了约2%。     

基于YOLOv7-SE的煤矿井下场景小目标检测方法

目前的小目标检测方法虽然提高了小目标检测效果,但针对的多为常规场景,而煤矿井下环境恶劣,在井下小目标检测过程中存在小目标特征信息提取困难的问题。针对上述问题,提出了一种基于YOLOv7-SE的煤矿井下场景小目标检测方法。首先,将模拟退火（SA）算法与k-means++聚类算法融合,通过优化YOLOv7模型中初始锚框值的估计,准确捕捉井下小目标;然后,在YOLOv7骨干网络中增加新的检测层得到井下小目标高分辨率特征图,减少大量煤尘对井下小目标特征表示的干扰;最后,在骨干网络中的聚合网络模块后引入双层注意力机制,强化井下小目标的特征表示。实验结果表明：(1) YOLOv7-SE网络模型训练后的损失函数值稳定在0.05附近,说明YOLOv7-SE网络模型参数设置合理。(2)基于YOLOv7-SE网络模型的安全帽检测平均精度（AP）较FasterR-CNN, RetinaNet, CenterNet, FCOS, SSD, YOLOv5, YOLOv7分别提升了13.86%, 25.3%,16.13%,12.71%,15.53%,11.59%,12.20%。基于YOLOv7-SE网络模型的自救...     

基于深度学习的实时车辆检测研究

针对城市交通复杂场景下车辆检测存在准确率低的问题,提出改进SSD(单发多箱探测器)目标检测算法。首先基于轻量化的PeleeNet(一种基于密集卷积网络的轻量化网络变体)网络结构改进SSD算法中VGG16(视觉几何群网络)特征提取网络,在保证提取丰富特征的前提下,有效地减少模型参数,提高模型的实时性;其次设计了多尺度特征融合模块和底层特征增强模块,提高特征的表达性能;最后根据数据集中目标的大小调整默认框的长宽比例,并在后三个特征层的每个单元上增加默认框。实验结果表明,改进后的目标检测算法的准确率mAP(平均精度)为79.83%,与原始SSD相比提高了2.25%,并验证了改进SSD算法的有效性。     

基于多粒度的Transformer目标检测算法

与其他尺度目标不同,小目标具有携带语义信息和训练样本数量较少等特点。因此,当前目标检测算法存在小目标检测精度较低的问题。针对该问题,提出了基于多粒度的Transformer目标检测算法。首先,采用多粒度思想,设计了一种新的Transformer序列化方法,从粗到细逐个粒度地预测目标位置,从而提升模型的目标定位效果。然后,基于三支决策思想,细粒度挖掘小目标样本和常规尺度目标样本,从而增加小目标样本和难例负样本数量。最后,实验结果表明,在COCO数据集上,该算法的小目标检测精度(APs)达到了31.5%,平均检测精度(mAP)达到了49.1%;相比基线模型,AP_S提升了1.4%,mAP提升了2.2%;改进后的算法有效地提升了小目标检测效果,并显著提高了目标检测的整体精度。     

基于Faster-RCNN的汽车漆面缺陷部位检测

针对人工设计特征复杂和传统的自动化方法在目标识别和检测上准确率和效率低下的问题，提出一种基于改进的Faster-RCNN的目标区域定位方法。由于被检测目标尺度变化大，为了解决原始Faster-RCNN网络结构对于小目标区域检测精度低的问题，提出多尺度快速区域卷积神经网络检测算法，改进了神经网络的结构，使网络在检测过程中可以同时使用低层和高层的特征，提升了网络对于小目标区域的检测能力。修改原始网络中锚框设定方法，通过聚类算法来确定不同尺度的特征图的锚框。实验结果表明，该方法在不同的背景下均能实现对目标较好的识别与定位，对小区域的检测能力显著提高。检测精度由原始网络结构的79.60%上升到95.39%,提高了15.79百分点。     

用于PCB缺陷检测的增强上下文信息Yolov4_tiny算法

针对现有的PCB缺陷检测存在检测精度低、速率慢等问题,提出一种用于PCB缺陷检测的增强上下文信息Yolov4_tiny算法。该算法首先通过Transformer编码单元对特征提取网络深层特征冗余的问题进行优化,增强网络捕获不同尺度局部特征信息的能力;然后利用浅层特征增强PCB缺陷小目标上下文信息,提升FPN网络对小目标缺陷的表征能力;最后引入注意力机制对特征提取网络输出的有效特征层加权,强化目标特征表征能力。实验结果表明,该算法对于整体缺陷的平均检测精度的均值(mAP)达到98.70%,较Yolov4_tiny提升了3.12%,实现了PCB缺陷精准定位和识别,满足工业检测的实际需求。     

改进SSD算法及其在地铁安检中的应用

针对传统SSD算法在检测小目标时容易漏检且检测精度不高的问题,提出一种改进算法。对SSD算法中各尺度特征进行尺寸大小不变的卷积操作,将卷积前后对应的特征进行轻量级网络融合,从而生成新的金字塔特征层,并加入基于残差模块的检测单元避免增加网络模型容量和运算复杂度,同时增强对小尺度目标的检测能力。基于PASCAL-VOC2007小目标数据集的实验结果表明,与传统SSD、YOLOv3、Faster RCNN等算法相比,在PASCAL-VOC2007小目标数据集中,该算法的mAP指标较传统SSD算法提高8.5%,较Faster RCNN算法提高3.9%,较YOLOv3提高2%,FPS达到83 frame/s,其检测地铁安检图片的mAP达到77.8%。     

基于双注意力机制的遥感图像目标检测

针对遥感图像在复杂背景下小目标检测精度较低的问题,提出一种基于双注意力机制模型的SSD检测算法。该算法在前端特征提取网络中引入双注意力机制模型,强化低层特征图中小目标的有效特征信息并抑制冗余的语义信息,实现自适应特征学习;并在空间注意力模型中引入空洞卷积,保证卷积核感受野的同时减少了网络参数。引入Focal loss损失函数作为改进算法的分类损失函数,改善网络在训练过程中样本失衡的问题,增加正样本与难样本在训练时的权重比例,提升算法的检测性能。对遥感图像数据集NWPU VHR-10进行检测的结果表明,本文的改进算法在保证检测速度的同时提高了检测精度。与传统SSD算法相比,改进SSD算法的mAP提高了2.25个百分点,达到79.65%。     

基于YOLOv7的交通目标检测算法研究

针对交通场景中由光照、遮挡、目标小以及背景复杂等因素导致目标检测精度低,易出现漏检和误检问题的情况,提出了一种基于YOLOv7的交通目标检测算法;该算法在主干网络中融入多头注意力机制,以增强网络特征学习能力,从而更好地捕获数据和特征内部的相关性;在YOLOv7颈部网络引入协调注意力模块(CA),将位置信息嵌入到注意力机制中,忽略无关信息的干扰,以增强网络的特征提取能力;增加一个多尺度检测网络,以增强模型对不同尺度目标的检测能力;将CIoU损失函数更改为SIoU函数,以减少模型收敛不稳定问题,提高模型的鲁棒性;实验结果表明,改进的算法在BDD100K公开数据集上的检测精度和速度分别达到了59.8% mAP和96.2 FPS,相比原算法检测精度提高了2.5%;这表明改进的算法在满足实时性要求的同时,具备良好的检测精度,适用于复杂情况下的交通目标检测任务。     

感受野特征增强的SSD目标检测算法

SSD （Single Shot multi-box Detector）算法是在不同层的特征图上,进行多尺度对象的检测,具有速度快和精度高的特点.但是,传统SSD算法的特征金字塔检测方法很难融合不同尺度的特征,并且由于底层的卷积神经网络层具有较弱的语义信息,也不利于小物体的识别,因此本论文提出了以SSD算法的网络结构为基础的一种新颖的目标检测算法RF_SSD,该算法将不同层及不同尺度的特征图以轻量级的方式相融合,下采样层生成新的特征图,通过引入感受野模块,提高网络的特征提取能力,增强特征的表征能力和鲁棒性.和传统SSD算法相比,本文算法在精度上有明显提升,同时充分保证了目标检测的实时性.实验结果表明,在PASCAL VOC测试集上测试,准确率为80.2%,检测速度为44.5 FPS.     

基于特征融合的SSD视觉小目标检测

针对SSD算法在检测目标过程中对小目标检测效果差的缺陷,提出了特征融合的SSD方法。该方法充分融合深浅层特征信息以提升网络模型对小目标的检测能力,为更好地检测小目标,将先验框尺寸相对原图比列进行调整,同时对SSD模型相应超参数值进行调整。实验结果表明,检测精度mAP较SSD提高3.4个百分点,对小目标Bottle、Chair、Plant检测精度分别提升8.7个百分点、3.4个百分点和7.1个百分点。检测精度mAP较当前一系列性能优异的目标检测算法有显著提高。通过拓展实验进一步证明改进算法成功检测到了大多数SSD算法没有检测到的小目标,提高了平均检测准确率。     

基于MobileVit轻量化网络的车辆检测方法

针对车辆检测模型参数量大,以及对小目标和遮挡目标漏检问题,提出了一种基于MobileVit轻量化网络的车辆检测算法。首先,在数据预处理阶段使用GridMask图像增强方法,提升模型对遮挡车辆目标的检测性能;其次,使用基于MobileVit网络作为模型的主干特征提取网络,充分提取特征信息且使得模型轻量化;最后,在预测层网络中,使用基于PANet实现多尺度的车辆检测,提升模型对小目标车辆的检测能力。实验结果表明,该模型的平均检测精度达98.24%,检测速度达每张图片0.058 s,模型大小为136 MB,与对比算法相比综合性能更好。     

改进YOLOv5s的轨道障碍物检测模型轻量化研究

针对传统列车轨道障碍物检测方法实时性差和对小目标检测精度低的不足,提出一种改进YOLOv5s检测网络的轻量化障碍物检测模型。引入更加轻量化的Mixup数据增强方式,替代算法中原有的Mosaic数据增强方式;引入GhostNet网络结构中的深度可分离卷积GhostConv,替代原有YOLOv5s模型中特征提取网络与特征融合网络中的普通卷积层,减小了模型的计算开销;在模型特征提取网络末端加入CA空间注意力机制,让算法在训练过程中减少了重要位置信息的丢失,弥补了改进GhostNet对检测精度的损失;将改进后的模型进行稀疏训练和通道剪枝操作,剪掉对检测精度影响不大的通道,同时保留重要的特征信息,使模型更加轻量化。实验结果表明,改进后的模型在自制的多样化轨道交通数据集上,相较于原始YOLOv5s算法,在模型大小减小9.7 MB,检测速度提高14 FPS的前提下,检测精度提升了1.0个百分点。同时与目前主流的检测算法对比,在检测精度与检测速度上也具有一定的优越性,适用于复杂轨道交通环境下的障碍物目标检测。     

融合SPP和改进FPN的YOLOv3交通标志检测

针对交通标志目标检测尺寸较小、分辨率低、特征不明显问题,提出一种改进的YOLOv3网络模型。在利用颜色增强方法对交通标志进行数据增强后,改进原网络中的FPN结构,保留原网络中52×52的大尺度预测,然后利用YOLOv3网络中第二次下采样输出的特征图建立108×108的更大尺度预测。为了解决图像尺寸和失真的问题,在检测层前使用固定分块大小为5、9、13的池化操作,再将输出的特征与原来的特征图进行融合,从而实现对不同尺寸的输入得到相同大小的输出。最后,利用K-means聚类算法对TT100K交通标志数据集进行聚类分析,重新定义网络的初始候选框,使用YOLOv3网络模型和改进的YOLOv3网络模型以及其他小目标检测算法在TT100K数据集上进行对比实验。实验结果表明,改进后的YOLOv3网络模型能更有效的检测交通标志,其检测的平均精确度在三个尺度下相对原YOLOv3网络模型分别提升8.3%、6.1%、4.3%,在FPS变化不大的情况下,召回率和准确率都有明显提升,同时,改进后的YOLOv3算法相对其他小目标检测算法具有更好的检测精度和实时性。     

基于改进SSD算法的车辆检测

SSD算法利用多尺度特征图进行分类和位置回归,检测小目标效果优于YOLO算法,但SSD算法在进行车辆检测时存在漏检问题。为此,提出一种改进SSD算法。为提取更多的车辆特征信息,设计改进Inception模块替代SSD网络中的Conv8、Conv9和Conv10层。将浅层特征的位置信息和深层特征的语义信息进行均衡化融合,构建多尺度特征融合均衡化网络,提高小目标车辆识别率。在特征提取层均引入SENet,对不同特征通道的重要性进行重标定以提高模型性能。实验结果表明,改进后SSD算法在自制的车辆数据集上平均精度为90.89%,检测速度达到59.42 frame/s,相比改进前的SSD算法,在精度和速度上分别提高2.65个百分点和17.41 frame/s,能够更快速、准确地对图像中的车辆进行识别和定位。     

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。     

深度学习在手机数据接口缺陷检测中的应用

为了能更好地对手机数据接口的缺陷进行检测,提出一种基于Faster R-CNN的检测算法.将Faster R-CNN检测架构中的RoIPooling替换成RoIAlign,解决RoIPooling计算过程中2次量化造成的目标回归位置的偏差.使用ResNet50融合FPN的网络作为特征提取网络,提高模型对小型目标缺陷的检...     

基于深度学习的航空发动机传感器故障检测

针对传统反向传播(BP)神经网络和支持向量机(SVM)存在的过拟合、维数灾难、参数选择困难等问题,提出了一种基于深度学习算法的航空发动机传感器故障检测方法.对发动机参数记录仪采集的多维数据进行预处理,建立基于深度置信网络(DBN)的故障检测模型,利用预处理后的数据对检测模型进行训练,经过DBN故障检测模型逐层特征学习实现了传感器故障检测.仿真结果表明:在无人工特征提取和人工特征提取的情况下,基于DBN故障检测的准确率均高于BP神经网络和SVM模型.     

多尺度和纹理特征增强的小尺寸人脸检测

针对现有人脸检测算法难以处理多尺度、多姿态的人脸检测,尤其是面对小尺寸时准确性低的问题,提出了多尺度和纹理特征增强的小尺寸人脸检测算法。该算法的多尺度增强模块能够丰富特征的多尺度信息,提高对多尺度人脸的检测能力;纹理特征增强模块能够通过融合低层的纹理信息提升高层语义的表达,从而加强对小尺寸人脸的检测能力;多阶段加权损失函数平衡网络的输出,充分发挥各个模块的增强作用。实验结果表明,该方法不仅在检测速度上可以达到实时,而且对MALF数据集中高度小于60像素的人脸检测精度可达88.69%;在FDDB数据集上相比目前的BBFCN算法精度提高近四个百分点。