基于关键点检测的无锚框轻量级目标检测算法

针对基于关键点的目标检测参数量大、检测框误匹配的问题,提出一种轻量级的基于关键点检测的无锚框目标检测算法.首先将输入图片输入优化过的特征提取算法,通过级联角池化与中心池化,输出3个关键点的热力图与它们的嵌入向量;然后通过嵌入向量匹配热力图并画出检测框.文中的创新点在于将SqueezeNet中的轻量级模块firemodule适配至CenterNet,并用深度可分离卷积代替主干网的常规卷积,同时,针对CenterNet的检测框误匹配问题优化了算法输出形式与训练时的损失函数.实验结果表明,改良后的算法使得原有的CenterNet算法模型尺寸缩小为原来的1/7,同时检测精度与速度较YOLOv3,CornerNet-Lite等相同量级的算法仍有所提高.     

基于CenterNet目标检测算法的改进模型

在原CenterNet算法中,以Hourglass为Backbone的目标检测模型平均精度均值高于one-stage算法,但检测速度较低。为此,基于原有CenterNet目标检测算法,对Hourglass-104模型进行改进,设计一种Hourglass-208模型,并给出双特征金字塔网络特征图融合方法。在此基础上对目标大小和训练采用smooth L₁损失函数,提出一种新的可端到端训练的目标检测算法T_CenterNet。在MS COCO数据集上的实验结果表明,该算法目标检测的评估指标AP₅₀、AP_S、AP_M分别为63.6%、31.6%、45.8%,检测速度达到36 frame/s,综合性能优于原CenterNet算法。     

结合多通道注意力的遥感图像飞机目标检测

针对尺度多样化、目标密集、成像质量较差的遥感影像上飞机目标识别精度低的问题,提出结合平行层特征共享结构和注意力机制的遥感飞机目标自动检测模型AFF-CenterNet。该方法采用“编码-解码”的主干网络结构,以ResNet50进行基础特征提取;引入空洞卷积与注意力约束的平行层特征共享结构进行特征融合,有效提高了算法的特征提取能力;在UCAS-AOD和RSOD公共遥感数据集上分别进行实验,检测精度达到96.78%,相较于Faster R-CNN、SSD、YOLOv5s和原CenterNet算法分别提高了6.2、7.2、1.48和16个百分点。实验结果表明,该AFF-CenterNet算法在保持一定计算效率的条件下最大化CenterNet的小目标表征能力,有效提升了遥感影像中飞机的检测精度,对实现遥感影像飞机快速检测具有一定的参考意义。     

改进多尺度卷积结构与高斯核的E-CenterNet算法

针对ResNet和DLA(deep layer aggregation)为主干网络的CenterNet算法特征提取能力不充分、热力图与目标真实边界框吻合度不高、关键点损失函数未充分考虑预测值对难易样本训练比重的影响等不足,提出一种改进多尺度卷积结构与高斯核的E-CenterNet算法。引入轻量型EfficientNetV2-S作为主干网络,并结合基于金字塔分割注意力网络的多尺度卷积结构对其进行改进,提高特征提取能力;对高斯核进行改进,使CenterNet产生的热力图由固定的圆形改进为随边界框宽高变化的椭圆形,增强算法对边界框宽高差异大的目标的检测能力;提出一种基于关键点预测值的关键点损失函数,提高算法对难样本的训练比例。在Pascal VOC数据集上的实验结果表明：E-CenterNet算法的mAP达到83.3%,比原始算法提升了2.6个百分点,检测性能优于CenterNet算法。     

复杂背景下遥感图像密集目标检测

遥感图像中的目标排列密集,常见的检测算法难以较好地区分密集目标,同时目标所处背景复杂,导致在模型生成的特征图中,存在高响应的背景噪声,容易带来错误的检测结果。针对上述问题,在CenterNet算法基础上,提出一种改进权重分配的目标检测算法。在计算热力图损失的过程中,设计一种改进权重分配策略,加大目标边缘区域回传的损失,促进网络对密集目标边缘的学习,减少算法将密集目标认定为单个目标的概率;在CenterNet网络结构中,添加语义分割模块,让网络模型学习每一个目标的分割图,通过分割图抑制特征图中高响应的背景噪声。在DOTA数据集上进行实验,改进算法均值平均精度（mAP）达到68.56%,优于其他方法,和原CenterNet算法相比,mAP提升了6.53个百分点。实验结果表明,改进的CenterNet算法能更好地适应复杂背景下的密集目标检测。     

基于改进YOLOv8的森林火灾检测算法研究

随着全球天气持续变暖,高温、干旱、大风等极端天气呈现多发并发态势,导致全球范围内森林火灾频繁爆发。为了提升森林火灾检测精确率和实时性,提出了一种基于改进YOLOv8的森林火灾检测算法模型。该模型在Neck端上采样阶段中的Upsample结构后面以及每个C2F模块后面添加CBAM(Convolutional Block Attention Module)注意力机制,通过对特征通道和空间的学习,提高模型的特征提取能力,解决火焰和烟雾图像分辨率低和受不同场景因素影响导致的识别率低的问题。将该算法模型应用于火灾数据集进行训练、验证、测试发现,与原算法模型相比,经改进的算法模型的准确率和召回率分别提高了6.5%和6.8%,其中mAP@0.5提高了4.8%。实验结果表明,改进后的算法模型能够实现对森林火灾的实时监测与精确识别。     

基于改进YOLOv5s的苹果叶片病害检测研究

目前苹果叶片病害检测技术仍然存在检测精度低、效率低的问题。对此,本文提出一种基于改进YOLOv5s的算法进行病害识别。首先,增加小目标检测层改进漏检问题,提高检测精度；其次,引入双向特征金字塔结构加强特征提取,融合多尺度特征扩大视野；最后,将损失函数替换为SIo U,解决了预测框和真实框方向不匹配问题。实验结果表明：改进后的算法在Original数据集上mAP0.5为95.4%,比传统的YOLOv5s提升了3.3%。改进后的算法在复杂度没有发生很大变化的基础上明显提升了算法性能。     

基于深度学习的早期火灾预警算法

传统火灾预警方法存在检测精度低、未发生火灾时不能及时预警的问题,提出一种基于深度学习的早期火灾预警算法.首先,使用红外热像仪采集特定场景中的红外图像,构建数据集;其次,使用改进的YOLOv4算法进行训练得到网络权重,在主干网络的3个输出特征层后引入卷积注意力模块,提升网络对关键信息的提取能力;在主干网络和路径聚合网络中增加卷积层,提高特征提取的能力;最后,使用提出的智能火灾检测(intelligent fire detection, IFD)算法对预测图像处理并根据得分评估火灾隐患.实验结果表明,改进YOLOv4算法在数据集上的mAP达到98.31%,比原始YOLOv4算法的mAP提高了2.7%, FPS达到37.1 f/s, IFD算法精确度为93%,误检率为3.2%.提出的早期火灾预警算法具有检测精度高,未形成火灾时及时预警的优点.     

基于YOLOv5的矿井火灾视频图像智能识别方法

针对煤矿井下光照分布不均匀造成视频图像失真,火灾识别精度低等问题,提出了一种矿井火灾视频图像智能识别方法。该方法以YOLOv5为识别模型,采用K-means算法对传统的暗通道图像去雾算法进行改进,并用改进算法对采集的火焰图像进行去雾处理,提高矿井火灾视频图像识别精度;为减少静态背景对火灾识别的影响,采用帧差法与混合高斯模型融合算法,对动态演化的火焰图像进行特征提取,并采用形态学处理算法消除图像中存在的缺口,从而得到更加完整的火焰目标图像;对火灾视频图像数据集进行标注,并输入到YOLOv5算法模型进行训练及测试。结果表明:基于YOLOv5的矿井火灾视频图像智能识别方法平均精度为92%,损失函数为0.6,比传统算法Alexnet,VGG16,Inceptionv3的平均精度分别高9.6%,13.5%,4.9%,表明该方法检测速度快、精度高,可有效提高矿井火灾识别准确率。     

改进CenterNet的高压输电线路巡检故障实时检测方法

针对通用深度学习目标检测技术难以在高压输变电线路巡检时实现实时高效的故障检测,提出一种改进CenterNet的高压输变电线路巡检故障实时检测方法,对绝缘子自爆、防震锤脱落、鸟巢三类常见巡检故障进行检测。该方法基于深层特征融合网络（DLAnet,Deep Layer Aggregation）、挤压-激励SE（Squeeze-and-Excitation）模块、可形变卷积进行高效深层特征提取网络DLA-SE的设计。在CenterNet架构下通过DLA-SE特征提取网络获取对象的中心点热力图,回归对象的宽高、偏移信息,得到对象边界框。实验结果表明,在Nvidia GTX 1080测试条件下该方法的mAP达到0.917,推理速度达到27.03?frame/s,与CenterNet、SSD与YOLOv3方法相比在检测精度上取得大幅度提升,证明了该方法的有效性。     

基于关键点估计的抓取检测算法

抓取是机器人在服务与工业领域中进行人机协调的重要能力,得到一个准确的抓取检测结果是机械臂能否完成抓取任务的关键.为了提高抓取检测的准确率以及实时性,提出了一种由CenterNet改进的基于关键点估计的抓取检测算法.在网络的特征提取层使用了特征融合方法融合不同的特征图,减少特征的丢失;增加了角度预测分支用来预测抓取角度;...     

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。     

基于关节点特征的跌倒检测算法

针对跌倒检测算法中存在网络计算量大和类跌倒行为难以区分的问题,提出一种基于关节点特征的跌倒检测算法。首先,在目前先进的CenterNet算法基础上提出了深度可分离卷积CenterNet （DSC-CenterNet）关节点检测算法,从而在减少骨干网络计算量的同时准确检测人体关节点并获取关节点坐标;然后,基于关节点位置和人体先验知识来提取可充分表达跌倒行为的空间特征和时间特征作为关节点特征;最后,把关节点特征向量输入全连接层,并经Sigmoid分类器输出跌倒或非跌倒两种类别,从而实现人体目标的跌倒检测。实验结果表明,所提算法在UR Fall Detection数据集上对不同状态变化下跌倒检测的平均准确率达到98.00%,区分类跌倒行为的准确率达到98.22%,跌倒检测速度为18.6 frame/s。与原CenterNet结合关节点特征跌倒检测的算法相比,DSC-CenterNet结合关节点特征算法的跌倒检测速度提升了22.37%,提高后的速度可有效满足视频监控下人体跌倒检测任务的实时性。该算法能有效提高跌倒检测速度并对人体跌倒状态进行准确检测,且进一步验证了基于关节点特征的跌倒检测算法在视频跌倒行为分析中的可行性与高效性。     

改进YOLOV3的火灾检测方法

针对传统火灾探测器检测范围有限,传统火灾检测算法精度不高、检测时间长等问题,提出一种基于改进YOLOV3的火灾检测方法YOLOV3-IMP。在YOLOV3网络结构上进行改进,包含对特征提取网络改进和多尺度检测改进,提高对浅层特征的学习能力;通过改进的K-means聚类算法生成出初始先验框;通过改进的损失函数提高对小火灾区域的检测能力;在输出火灾检测图像之前采用Softer-NMS算法,提高对重叠区域的检测能力。实验结果表明,改进的算法准确率和召回率为91.6%,83.2%,[mAP]高达84.5%,检测速度可达0.28?s,可以满足火灾检测的实时性和准确性,能够实现有效的火灾检测。     

基于区域划分和四元数的彩色图像复制粘贴篡改检测

现有的篡改检测方法中特征点提取不充分会导致篡改检测精度不高,特征点描述符识别率差,针对该问题提出一种基于颜色矩的区域划分和四元数Hu矩的彩色图像复制粘贴篡改检测算法。首先,使用自适应形态重建算法对图像进行超像素分割,通过密度聚类算法对图像自适应划分区域;其次,提出一种关键点提取方法得到均匀的SIFT特征点;然后,在一种新颖的彩色图像四元数表示方法中构建局部高斯金字塔提取Hu矩特征;最后,利用2NN进行特征匹配后,结合Delaunay三角形算法定位出复制粘贴篡改区域。在公共数据集上的实验结果表明,该算法可以更有效地定位篡改区域。     

基于改进Mask R-CNN的火焰图像识别算法

传统火焰检测算法依赖于人工特征工程,具有主观性和盲目性,存在泛化能力差,检测准确率不高等问题。提出一种基于改进Mask R-CNN的火焰图像识别算法,算法在Mask R-CNN的基础上,在特征金字塔引入一条自下向上的特征融合,同时改进了损失函数,使边框定位更准确。在自建的测试数据集上实验表明,改进后算法准确率相对于原先算法识别定位精度更高,检测准确率提升超过5%。     

基于优化Faster-RCNN的遥感影像飞机检测

针对传统飞机检测算法特征学习能力较弱,在背景复杂、目标密集、成像质量较差的遥感影像上检测精度较低的问题,提出了 一种基于Faster-RCNN(Faster-Regions with Convolutional Neural Network)框架的遥感影像飞机检测优化算法.以ResNet50为基础特征提取网络,引入空洞...