融合频域注意力机制和解耦头的YOLOv5带钢表面缺陷检测

针对带钢表面缺陷在实际场景中检测精度低,易出现漏检和误检的情况,构建一种YOLOv5-CFD模型对带钢缺陷目标进行更精确的检测,该模型由CSPDarknet53、FcaNet与解耦检测头（Decoupled head）组成。首先,采用模糊C均值（FCM）算法对东北大学公开的NEU-DET热轧带钢表面缺陷检测数据集中的锚框进行聚类,优化先验框和真实框之间的匹配度;其次,为提取目标区域丰富的细节信息,在原始YOLOv5算法基础上添加频域通道注意力模块FcaNet;最后,采用解耦检测头将分类任务和回归任务分离。在NEU-DET数据集上的实验结果表明,改进的YOLOv5算法在引入较少参数量的情况下,检测精度提高了4.2个百分点,平均精度均值（mAP）达到85.5%,每秒传输帧数（Frames Per Second,FPS）达到27.71,与原YOLOv5相差不大,能够满足检测实时性的要求。     

基于改进YOLOv4的钢材表面缺陷检测

针对钢材表面缺陷检测精度低,易漏检、误检、定位不准确等问题,提出一种基于改进YOLOv4的钢材表面缺陷检测算法,首先使用K-means++算法分析标注框的分布信息,获取最优的锚框,提高定位精度,减少网络损失;其次在YOLOv4网络原有特征层基础上继续增加一浅层特征即尺度为104×104的新特征层,增大特征检测尺度,提高小缺陷目标检测精度;最后在原始主干网络的基础上引进注意力机制,使网络更多关注有用信息,从而使检测更准确。将上述算法与其它算法在NEU-DET数据集上进行对比实验,所提算法平均检测精度相较于原YOLOv4提高了4.69%达到78.10%,相较于目前其它的主流目标检测算法也更优秀。     

改进YOLOv3遥感小目标检测算法

针对目前在遥感目标检测领域广泛使用的YOLOv3算法存在对小目标物体的特征表达能力不足,检测效果不好的问题,本文提出一种改进的YOLOv3小目标检测算法.首先,引入全局信息注意力机制并改进特征提取网络和特征金字塔结构,提高模型小目标特征提取能力和检测能力;其次,对数据集进行单尺度Retinex融合特征增强,提高模型对小目标特征的学习效果;最后,使用自适应锚框优化算法对anchors进行优化,提高anchors和目标的匹配程度.选用遥感数据集RSOD进行实验,本文算法的全类平均精度为92.5%,相比经典YOLOv3算法,提高10.1%,对遥感小目标的检测效果得到明显提升.     

改进YOLOv4在遥感飞机目标检测中的应用研究

针对遥感图像中飞机目标检测精度低、检测速度慢、背景复杂等问题,提出了一种基于深度学习的改进YOLOv4目标检测算法。改进YOLOv4的主干特征提取网络,保留高分辨率的特征层,去除了用于检测大目标的特征层,减少语义丢失。在卷积神经网络中使用DenseNet（密集连接网络）加强对飞机目标的特征提取,减少梯度消失问题。对数据集使用[K]-means算法得到效果最佳的先验框数量和尺寸。在RSOD（Remote Sensing Object Detection）数据集和DIOR（Detection In Optical Remote sensing images）数据集上的实验表明,该算法满足实时性的需求,且该算法的精确度达到95.4%,较原算法提升了0.3个百分点;召回率达到86.04%,提升了4.68个百分点;mAP值达到85.52%,提升了5.27个百分点。     

改进YOLOv3的金属表面缺陷检测研究

针对金属表面缺陷检测中目标尺寸小和特征不清晰导致漏检的问题,提出一种改进YOLOv3的金属缺陷检测算法。在YOLOv3网络结构的基础上,将第11层浅层特征与网络深层特征融合,生成一个新的尺度为104×104特征图层,提取更多小缺陷目标特征。加入DIoU边框回归损失,为边界框提供移动方向以及更准确的位置信息,加快模型收敛。利用K-Means++聚类分析数据集上的先验框尺寸信息,筛选出最优的Anchor Box,使定位更加精准,降低网络损失。将改进后的算法与其他检测算法在NEU-DET数据集上进行检测性能对比。实验分析表明改进后的YOLOv3平均检测速率为31.6?frame/s;平均检测精度为67.64%,比YOLOv3提高了7.49个百分点,相较于Faster R-CNN等算法也有较大的检测精度优势。结论表明,改进后的YOLOv3可以使小缺陷目标的位置信息和精度更加准确。     

融合GIoU和Focal loss的YOLOv3目标检测算法

YOLOv3目标检测算法检测速度快且精度较高,但存在对小目标检测能力不足、边界框定位不准确等问题。提出了一种基于YOLOv3改进的目标检测算法,该算法在YOLOv3的基础上,对网络中的残差块增加旁路连接,进一步进行特征重用,以提取更多的特征信息。同时,采用GIoUloss作为边界框的损失,使网络朝着预测框与真实框重叠度较高的方向去优化。在损失函数中加入Focal loss,减小正负样本不平衡带来的误差。在PASCAL VOC和COCO数据集上的实验结果表明,该算法能够在不影响YOLOv3算法实时性的前提下,提高目标检测的mAP。该算法在PASCAL VOC 2007测试集上达到83.7mAP（IoU=0.5）,在COCO测试集上比YOLOv3算法提升2.27mAP（IoU[0.5,0.95]）。     

基于改进边界框回归损失的YOLOv3检测算法

YOLOv3检测算法中的边界框回归损失函数对边界框尺度敏感,且与算法检测效果评价标准交并比（IoU）之间的优化不具有强相关性,无法准确反映真值框与预测框之间的重叠情况,造成收敛效果不佳。针对上述问题,提出基于IoU的改进边界框回归损失算法BR-IoU。将IoU作为边界框回归损失函数的损失项,使不同尺度的边界框在回归过程中获得更均衡的损失优化权重。在此基础上,通过添加惩罚项最小化预测框与真值框中心点间围成的矩形面积,并提高预测框与真值框之间宽高比的一致性,从而优化边界框的回归收敛效果。在PASCAL VOC和COCO数据集上的实验结果表明,在不影响实时性的前提下,BR-IoU能够有效提高检测精度,采用BR-IoU的YOLOv3算法在PASCAL VOC 2007测试集上mAP较原YOLOv3算法和G-YOLO算法分别提高2.5和1.51个百分点,在COCO测试集上分别提高2.07和0.66个百分点。     

基于MCB-FAH-YOLOv8的钢材表面缺陷检测算法

针对现有基于深度学习的钢材表面缺陷检测算法存在误检、漏检和检测精度低等问题,提出一种基于改进CBAM(modified CBAM,MCB)和可替换四头ASFF预测头(four-head ASFF prediction head,FAH)的YOLOv8钢材表面缺陷检测算法,简记为MCB-FAH-YOLOv8。通过加入改进后的卷积注意力机制模块(CBAM)对密集目标更好的确定;通过将FPN结构改为BiFPN更加高效的提取上下文信息;通过增加自适应特征融合(ASFF)自动找出最适合的融合特征;通过将SPPF模块替换为精度更高的Sim CSPSPPF模块。同时,针对微小物体检测,提出了四头ASFF预测头,可根据数据集特点进行替换。实验结果表明,MCB-FAH-YOLOv8算法在VOC2007数据集上检测精度(mAP)达到了88.8%,在NEU-DET钢铁缺陷检测数据集上检测精度(mAP)达到了81.8%,较基准模型分别提高了5.1%和3.4%,该算法在牺牲较少检测速度的情况下取得较高的检测精度,很好的平衡了算法的精度和速度。     

基于改进的YOLOv5城市道路车辆行人检测方法

城市道路上车辆行人的检测是自动驾驶汽车环境感知功能中的核心要素之一。针对现有城市道路车辆行人检测任务在使用目标检测算法检测精度低，检测位置不准确等问题，提出一种基于改进YOLOv5的城市道路车辆行人检测新算法—HCA-YOLOv5目标检测算法。通过K-means++聚类算法重新设计并更新锚框初始值并将其匹配到对应特征层，以提高模型对检测目标的检测性能；通过利用城市道路图像中不同高度上的类别分部特点并结合Transformer结构改进HANet的注意力结构，提高I模型I对输入图像的全局上下文特征提取能力，加强网络.对城市道路场景图片中不同类别的辨别.能力。实验结果表明，在自动驾驶数据集KTT上，所改进算法的均值平均精度（mAP）达到了9193%，相比原YOLOv5算法mAP提高了292个百分点，满足了城市道路场景下车辆形容的准确率要求。     

YOLOv5预测边界框分簇自适应损失权重改进模型

目标检测的精确程度是计算机视觉识别任务的主要影响因素.针对单阶段目标检测模型YOLOv5存在的检测精度问题,从多任务损失优化角度,提出一种在不同分辨率特征图上基于同一目标的预测边界框分簇自适应损失权重改进模型.该模型由GT(ground true)目标边界框UID分配器、GT目标边界框UID匹配器、边界框位置及分类损失权重算法构成,通过改善YOLOv5的位置精度和分类精度实现模型整体精度的提升.实验结果表明,改进模型的平均精度均值(mean average precision, mAP)较YOLOv5.6标准模型相对提升5.23%;相较于更为复杂的YOLOv5x6标准模型,改进模型mAP取得8.02%的相对提升.     

基于多尺度轻量化注意力的钢材缺陷检测

针对当前YOLOv5算法检测钢材表面缺陷精度不高、速度慢等问题,提出一种基于多尺度轻量化注意力的YOLO-Steel钢材表面缺陷检测方法.首先,提出一种轻型通道注意力模块,仅需少量计算成本即可有效关注重要通道;然后,利用空洞卷积扩大感受提出一种轻型空间注意力模块,能够在空间维度上提取有价值信息;接着,提出金字塔注意力结构,利用多级池化放缩特征图在不同分辨率特征图上使用空间注意力模块学习其空间依赖信息,对多级特征图使用通道注意力模块重构其通道相关信息,改善检测效果.实验结果表明,YOLO-Steel在钢材表面缺陷数据集上平均精度均值(mAP)可达77.2%,比YOLOv5s算法提高1.8%,模型时间、空间复杂度与YOLOv5s基本持平,在保证检测速度的基础上能够有效提高精确度.     

改进YOLOv5的苹果花生长状态检测方法

针对现有目标检测算法难以在果园复杂环境下对苹果花朵生长状态进行高精度检测的问题,提出一种改进YOLOv5的苹果花朵生长状态检测方法,对花蕾、半开、全开、凋落四类苹果树开花期花朵生长状态进行检测。该方法对跨阶段局部网络模块进行改进,并调整模块数量,结合协同注意力模块设计主干网络,提高模型检测性能并减少参数。结合新的检测尺度与基于拆分的卷积运算设计特征融合网络,提升网络特征融合能力。选用CIoU作为边框回归的损失函数实现高精度的定位。将改进算法与原始YOLOv5算法在自建数据集上进行对比实验,结果表明,改进算法mAP达到0.922,比YOLOv5提高5.4个百分点,与其他主流算法相比检测精度有较大提升,证明了算法的有效性。     

改进YOLOv5的交通标志检测算法

交通标志检测在自动驾驶、辅助驾驶等领域是一个重要的环节,关乎到行车安全问题。针对交通标志中存在目标小、背景复杂等难点,提出一种基于改进YOLOv5的算法。提出区域上下文模块,利用多种扩张率的空洞卷积来获取不同感受野,进而获取到目标及其相邻区域的特征信息,相邻区域的信息对交通标志小目标检测起到重要补充作用,可以有效解决目标小的问题;在主干部分引入特征增强模块,进一步提高主干的特征提取能力,利用注意力机制与原C3模块结合,使网络更能聚焦小目标信息,避免复杂背景的干扰;在多尺度检测部分,将浅层特征层与深层检测层进行特征融合,可以同时兼顾浅层位置信息与深层语义信息,增加目标定位与边界回归的准确度,更有利于小目标检测。实验结果表明,改进后的算法在交通标志检测数据集TT100K上取得了87.2%的小目标检测精度、92.4%的小目标召回率以及91.8%的mAP,与原YOLOv5算法相比较,分别提升了3.5、4.1、2.6个百分点,检测速度83.3 frame/s;在CCTSDB数据集上mAP为98.0%,提升了2.0个百分点,检测速度90.9 frame/s。因此,提出的改进YOLOv5算法可以有效...     

改进YOLOv3的安全帽佩戴检测方法

针对在智能监控中安全帽佩戴检测准确率低和检测速率慢的问题,提出一种基于改进YOLOv3（You Only Look Once）的安全帽佩戴检测算法YOLOv3-WH。在YOLOv3算法的基础上改进网络结构,增大输入图像的尺度,使用深度可分离卷积结构替换Darknet-53传统卷积,减少特征的丢失,缩减模型参数,提升检测速率;使用多尺度特征检测,增加浅层检测尺度,添加4倍上采样特征融合结构,提高安全帽佩戴检测准确率;优化[K]-Means聚类算法,获取安全帽佩戴检测的先验框（anchor box）,按照预测尺度大小分配适合的anchor,提升模型训练和检测速率。实验结果表明YOLOv3-WH相比YOLOv3,每秒检测帧数（FPS）提高了64%,检测平均精确度（mAP）提高了6.5%,该算法在提升了安全帽佩戴检测速率的同时提升了检测的准确率,对安全帽佩戴检测具有一定的实用性。     

基于改进YOLOv5的安全帽佩戴检测算法

针对现有安全帽佩戴检测干扰性强、检测精度低等问题,提出一种基于改进YOLOv5的安全帽检测新算法。首先,针对安全帽尺寸不一的问题,使用K-Means++算法重新设计先验框尺寸并将其匹配到相应的特征层;其次,在特征提取网络中引入多光谱通道注意力模块,使网络能够自主学习每个通道的权重,增强特征间的信息传播,从而加强网络对前景和背景的辨别能力;最后,在训练迭代过程中随机输入不同尺寸的图像,以此增强算法的泛化能力。实验结果表明,在自制安全帽佩戴检测数据集上,所提算法的均值平均精度（mAP）达到96.0%,而对佩戴安全帽的工人的平均精度（AP）达到96.7%,对未佩戴安全帽的工人的AP达到95.2%,相较于YOLOv5算法,该算法对佩戴安全帽的平均检测准确率提升了3.4个百分点,满足施工场景下安全帽佩戴检测的准确率要求。     

基于改进YOLOv5s的焦炉烟火识别算法

针对炼焦厂烟火排放全天候环保监测的要求,提出了基于改进YOLOv5s的焦炉烟火识别算法;该算法以YOLOv5s为基础网络,在主干网络Backbone中添加CBAM注意力机制模块,使网络更加关注重要的特征,提升目标检测的准确率;新增FReLU激活函数代替SiLU激活函数,提高激活空间的灵敏度,改善烟火图像视觉任务;在自建数据集中烟、火样本标签基础上,增加灯光标签来解决强灯光对火焰识别的干扰,并通过分流训练、检测的方式来解决昼夜场景的烟火检测问题;在自建数据集上做对比实验,更换激活函数后,联合CBAM模块的YOLOv5s模型效果最佳;实验结果显示,与原始YOLOv5s模型相比,在白天场景下的烟火识别mAP值提升了6.7%,在夜间场景下的烟火识别mAP值高达97.4%。     

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.