注意力机制优化的全尺寸目标检测方法

针对现有目标检测算法全尺寸目标检测精度低的问题,提出了一种改进的基于YOLOv3模型的全尺寸目标检测算法。该方法设计了一种全新的通道自适应递归FPN网络架构,提出了一种基于通道注意力的递归金字塔模型,提高了YOLOv3的特征提取能力和不同尺度目标的检测能力。同时在训练过程中引入损失函数转换,解决了训练过程中动态参数不优化的问题。与其他主流目标检测算法相比,本文提出的改进模型在小尺寸目标、大尺寸目标与复杂背景多尺寸目标的检测精度分别提高了5.6%、2.6%、1.6%。实验结果表明,本文提出的方法检测精度显著提升。     

基于自适应多尺度特征融合网络的金属齿轮端面缺陷检测方法研究

针对目前金属齿轮端面结构复杂,导致缺陷的小目标占比度高和尺度变化大引起的检测准确度低,难以满足企业实时 在线检测需求等问题。 本文基于 YOLOv5s 网络提出了一种基于自适应多尺度特征融合网络的金属齿轮端面缺陷检测方法 (YOLO-Gear)。 首先,搭建了一个齿轮端面缺陷检测试验台,并制作了齿轮端面缺陷数据集。 然后,提出了自适应卷积注意力 模块(convolutional block attention module-C3,CBAM-C3),CBAM-C3 通过将通道注意力(channel attention module,CAM)和空间注 意力(spartial attention module,SAM)相结合加强了对金属齿轮缺陷小目标缺陷自适应的特征学习与特征提取,及时对模型中的 权重参数进行学习和优化,提高了模型对小目标缺陷的检测准确度;最后,提出了重复加权双向特征金字塔网络( bidirectional feature pyramid network,BiFPN),通过自适应控制不同尺度的特征图之间的融合程度,提高了模型对缺陷多尺度检测能力。 试 验表明,YOLO-Gear 模型在齿轮端面缺陷测试集上的平均精度达到了 99. 2%,F1 值为 0. 99,FPS 值为 33。 相较于其他深度学习 模型,本文提出的 YOLO-Gear 模型提高了检测的精度和效率,能够满足企业的实时在线检测需求。     

基于改进YOLOv5s的光伏电池EL缺陷图像检测模型

针对光伏电池电致发光(electroluminescence, EL)缺陷图像存在复杂背景干扰、缺陷目标长宽比和尺寸变化大等问题,在YOLOv5s网络的基础上提出一种改进的YOLOv5s-GD检测模型。首先在特征提取层融合GhostNetV2模块,通过聚合本地和远程信息同步,在压缩模型参数量的同时增强模型对缺陷特征的提取能力;其次在特征融合层引入改进的DenseNet密集网络模块,通过特征重用进一步深度融合多级特征并改善信息传递,有效减少缺陷图像检测中漏检误检的情况;最后添加坐标注意力(CA)机制模块,兼顾通道和空间信息进行特征增强,提高了模型对缺陷目标区域的关注程度。与YOLOv5s原网络相比,YOLOv5s-GD检测模型在增长少量参数的情况下mAP@0.5提升了3.3%,mAP@0.5:0.95提升了2.8%。研究结果表明,提出的YOLOv5s-GD检测模型对光伏电池EL缺陷图像可以有效地定位识别,检测精度有了显著的提高,同时检测速度达到75 fps,为实际工业生产环境中光伏电池EL缺陷图像检测提供技术参考。     

基于超分辨率重建与多尺度特征融合的 输电线路缺陷检测方法

针对输电线路巡检中可能存在拍摄图像质量不高的问题,以及线路缺陷目标小而分布密集而导致传统方法检测精度不高的问题,提出一种基于超分辨率重建与多尺度特征融合的输电线路缺陷检测方法。首先,使用超分辨率网络对巡检图像进行重建,提升清晰度,丰富图像中包含的特征信息;然后使用改进的YOLOX网络检测巡检图像中的缺陷,在主干网络中嵌入卷积块注意力机制,强化模型对重叠小目标的定位能力;为进一步提升小目标的检测能力,在YOLOX的特征融合网络中新增浅层检测尺度进行特征融合;最后,通过使用CIOU优化边界框损失函数提升模型收敛能力,降低缺陷目标的漏检率。实验结果表明,所提方法能在提升巡检图像质量的基础上对输电线路缺陷准确地检测,精度达到93.27%,相比SSD等经典模型,对小而密集的缺陷目标有着更强的提取能力和鲁棒性。     

基于改进YOLOv5的密集场景行人检测方法研究

当前的研究中密集场景行人检测精度较低,为提高检测精度,提出一种基于YOLOv5网络的改进方法V-YOLO,采用加权双向特征金字塔网络(bi-directional feature pyramid network, BiFPN)改进原始网络中的路径聚合网络(path aggregation network, PANet),加强多尺度特征的融合能力,提高对行人目标的检测能力。为了保留更多的特征信息,提高主干网络的特征提取能力,添加残差结构VBlock;引入SKNet(select kernel networks)注意力机制,动态融合不同感受野的特征图,提高对不同行人特征的利用率。使用CrowdHuman数据集进行训练和测试,实验结果表明,所提出算法比原始网络的精确度、召回率和平均精度值分别提高1.8%、2.3%和2.6%,验证了所提出算法能有效的提高密集场景下行人目标检测的准确率。     

基于改进YOLOv5的电力设备检测算法

针对电力设备背景复杂、小目标密集等特点导致无人机智能电力巡检精度低、效果不佳等问题,提出了一种改进YOLOv5的目标检测算法。首先在原模型上增加一层检测层,重新获取锚点框以便能更好地学习密集小目标的多级特征,提高模型应对复杂电力场景的能力;其次对模型的特征融合模块PANet结构进行改进,通过跳跃连接的方式融合不同尺度的特征,增强信息的传播与重用;最后结合协同注意力模块设计主干网络,以聚焦目标特征,增强复杂背景中密集目标区域的显著度。实验结果表明：所提算法的平均精度均值(IoU=0.5)达到97.1%,比原网络检测性能提升了5.6%,有效改善了复杂背景下小目标的错测、漏检现象。     

基于注意力机制与特征平衡的变电站多目标检测

随着电网结构的日益复杂,变电站关键设备的运行状态对电网安全稳定运行的影响逐渐增强。针对变电站复杂背景下多目标识别以及相似目标识别困难的问题,该文提出了一种基于注意力机制与特征平衡的YOLO-AFB(youonly lookonce-attentionandfeaturebalance)网络。通过在Darknet-53网络中引入混合注意力加强对变电站相关目标的特征提取能力,在特征融合模块中加入反卷积来实现特征图的自适应上采样,提出特征平衡策略来缓解特征图语义信息差别,提高特征融合的质量。在含有9类目标的变电站数据集上进行测试,所提模型整体识别精度达到了83.02%,与经典目标检测网络对比,各类目标的检测精度均有大幅提升。同时互感器等相似目标的识别也得到明显改善,验证了特征平衡的策略可以很好地解决变电站中相似目标识别难的问题。     

红外道路场景下车辆与行人检测算法

针对现有算法模型在红外道路场景下,对小尺寸车辆与行人的检测存在精度低和漏检的问题,提出改进YOLOv5s的红外道路检测算法。首先,借鉴Focal-Loss的计算思想引入一种新的动态缩放(focal and complete IOU,Focal-CIoU)损失函数,提高检测精度;其次,引入改进坐标信息嵌入中激活函数为自适应模式的坐标注意力机制(adaptive coordinate attention, Ada-CA),提高准确定位目标的能力;最后,改进C3模块为具有多尺度特征信息的MultiS-C3,提高模型识别能力。通过实验对比可知,改进的目标检测算法较原网络模型准确性提高2.0%,召回率提高7.3%、平均精度提高6.6%,可以有效检测出红外背景下的车辆与行人。     

基于麻雀搜索算法改进的YOLOv7-ECA-SSA 模型的车辆检测

为解决复杂背景下小目标车辆检测存在的误检、漏检等现象,创新性提出一种改进YOLOv7网络的目标检测算法。首先,为解决小目标车辆存在次要信息干扰问题,将高效通道注意力(ECA)机制融于YOLOv7模型的主干网络特征层,通过自适应学习来增强目标区域信息权重占比,抑制无关信息;其次,为解决神经网络检测模型训练的超参数随机经验设定性问题,将麻雀搜索算法(SSA)对检测模型训练超参数进行优化,通过内外双循环迭代方式,快速收敛出全局最优学习率,进而得到最优组的权重信息,最终提高小目标车辆检测精度。实验结果表明,基于结构优化、超参数优化的YOLOv7-ECA-SSA检测模型在BDD100K数据集上的检测精度为79.01%,比原始模型提高了5.38%,具备更好的小目标车辆检测性能。     

基于改进YOLOv8n的 PCB 缺陷检测算法

针对现有的印刷电路板(PCB) 缺陷检测方法计算量大、小目标缺陷易漏检、检测速度较慢等问题,提出 YOLOv8n- 4SCDP缺陷检测算法。首先,在YOLOv8n 颈部网络增加上采样,融合 Backbone 中浅层语义信息,同时增加微小目标检测层 降低PCB小目标缺陷漏检率;其次,在Backbone 中融入坐标注意力(CA) 机制,强化特征语义和位置信息,提高了模型特征融 合能力;另外,设计密集连接机构,提高模型的缺陷特征利用率,采用PConv对模型进行压缩,既保证了模型的准确性,又大大 减小了模型的尺寸;最后,针对难易样本不平衡的问题,采用线性区间映射法重新定义回归损失函数(Focaler-SIoU),提高模 型收敛速度和回归精度。实验结果表明,YOLOv8n-4SCDP 算法的整体缺陷的平均精度均值(mAP) 达到95.8%,检测帧率达 到了65 fps。有效改善YOLOv8n 对于PCB小目标缺陷漏检率高、检测精度低等问题。     

基于改进YOLOv5的 SAR 图像飞机目标细粒度识别

针对合成孔径雷达(synthetic aperture radar,SAR)图像飞机目标细粒度识别中的小目标和多尺度检测问题,提出了 一种基于YOLOv5的改进SAR图像飞机目标识别算法。该方法首先对网络进行重构,加入小目标检测层,改善小目标的漏 检问题,提高目标定位精度。其次,在颈部网络中引入极化自注意力机制(polarized self attention,PSA),并使用双边特征金 字塔结构(bir-directional feature pyramid network,BiFPN)进行多层特征带权融合,提高对飞机目标散射信息的关注度和滤除 干扰信息。最后,使用SIoU(SCYLLA intersection over union)作为网络损失函数提高网络收敛速度和检测精度。利用SAR- AIRcraft-1.0数据集进行了算法有效性试验研究,实验结果表明,算法有效提升了飞机目标的检测精度,精确率、召回率、平均 精度均值分别达到92.6%、84.1%、90.1%。     

面向密集场景结合TC-YOLOX的小目标检测方法

密集场景下小目标的高效精确检测是目标检测领域的关键问题。为了解决环境的多样性和小目标自身复杂性存在着特征难以提取、检测精度低等问题，提出一种面向密集场景结合TC YOLOX的小目标检测方法。首先，通过在CSPNet中引入Transformer Encode模块，不断更新目标权重实现增强目标特征信息，提高网络的特征提取能力；其次，在特征金字塔网络中增加卷积注意力机制模块，关注重要特征并抑制不必要特征，提高不同尺度目标的检测准确度；然后，采用CIoU代替IoU作为回归损失函数，使得模型训练过程中网络收敛更快，性能更好；最后在PASCAL VOC 2007数据集上验证。实验结果表明，所设计的TC YOLOX模型能够有效的检测出多样化场景中正常、密集、稀疏、黑暗条件下的小目标物体，mAP和检测速度可以达到946%和38 fps，与原始模型相比提升了109%和1 fps，对多种密集场景下的小目标检测任务均具有较好的适用性。     

基于改进YOLOv7模型的变电站异物入侵识别

针对无人值守的变电站频繁出现鸟巢、塑料袋等异物入侵的问题,现有的区域卷积神经网络(R-CNN)和YOLO算法不能满足实时、准确检测识别的要求。因此提出一种基于改进YOLOv7的图像识别方法。首先,利用灰度化处理和高斯噪声增强图片数据,然后在特征提取网络中增加分支以提高小目标的检测能力。在此基础上,采用卷积块注意模块(CBAM)分支注意力机制来加强通道数和空间自适应学习能力,并在输出路径上引入SimAM注意力机制,使其在不增加参数的情况下提高模型对异物特征的提取能力,最后通过某变电站实际监控图进行算法验证。结果表明改进后的YOLOv7异物识别平均精度均值(mAP)为94.40%,比原YOLOv7mAP提升了3.69%,比Faster R-CNN和SSD分别提高了17.46%和16.66%,可以做到对变电站异物的实时检测识别,所提方法具有较好的可行性和工程使用价值。     

基于Efficientnet的红外目标检测算法

针对复杂场景下红外目标检测存在准确率低、召回率低的问题，为了提高红外图像中的小目标以及被遮挡目标的检测识别能力，提出基于Efficientnet的红外目标检测算法。首先，将高效轻量的Efficientnet作为模型的特征提取主干网，降低模型的参数量，提升训练速度。在Efficientnet主干网的最后一个输出层引入SPP模块，丰富特征图的表达能力，进行多尺度融合，扩大特征图的感受野；在模型特征融合部分，使用FPN特征金字塔网络，特征融合后增加CSPNet模块和ECA注意力机制，加强特征提取。检测部分使用YOLO Head，对目标进行分类和回归，并用CIoU Loss作为边界框回归损失函数，提高对被遮挡目标的识别能力。实验结果表明，基于Efficientnet的模型大小仅为YOLOv3的188%，并且在FLIR数据集上mAP达到8074%，相比于YOLOv3算法提高1012%，该模型在减少模型参数量的同时，提升了检测精度。该模型在FLIR数据集上具有良好的泛化能力，提高了对小目标和遮挡目标的检测能力。     

基于改进SSD的骑行人员佩戴头盔检测

为了解决骑行人员佩戴头盔检测任务中目标小、密集、准确率差、检测速度慢、应用困难等问题,本文基于SSD网络提出了EfficientNetV2-SSD算法。针对原SSD网络参数多的问题,使用改进后的轻量级网络EfficientNetV2替换SSD中的特征提取网络,减少网络参数,提升网络检测速度;针对难检测的小目标,使用自上而下与自下而上的FPN金字塔结构,最大程度丰富所有预测特征层信息,提升小目标的检测准确率;针对头盔等被检测的目标特征,重新设计先验框尺寸与比例,提高了小目标检测的准确率,同时加快网络收敛速度,减小网络体积。实验结果表示,EfficientNetV2-SSD网络对佩戴头盔的检测平均精度均值相比SSD网络提高7.01%,网络体积减少75%,具有更好的实用性。     

基于CS-YOLOv5s的无人机航拍图像小目标检测

无人机航拍图像存在小目标分布密集且目标尺度变化大等检测难点,本文提出一种面向无人机航拍图像小目标的跨尺度目标检测模型—CS-YOLOv5s。首先,在YOLOv5s基础上,引入小目标检测器,提高模型对小目标的捕捉能力;进一步,将最大池化分支嵌入上下文增强模块,提取并增强骨干网络尾部的深层特征,再注入PANet,实现深浅层特征有效融合和模型跨尺度检测能力的提升;同时采用SPDConv模块替换下采样卷积模块,实现无人机航拍图像中密集目标高效检测。实验表明,CS-YOLOv5s在数据集VisDrone2019达到42.0% mAP0.5,较基准模型提升9.8%,有效增强网络模型对无人机航拍图像小目标的识别能力,为无人机目标智能识别提供支撑。     

基于 MBDC 和双重注意力的变电站人员穿戴检测

安全帽与工作服是变电站工作人员安全的重要保障,为解决现有检测模型对其检测精度低的问题,本文提出了MBDC和双重注意力的变电站人员穿戴检测算法。该算法提出了多分支深度卷积(multi branch deep convolution, MBDC)网络增加深度可分离卷积层以增强特征提取的完备性;然后提出多通道交互注意力(multimodal interaction attention, MIA)增加模型对小目标的检测能力,并将MIA机制结合高效通道注意力(efficient channel attention, ECA)机制构成双重注意力机制,增强模型对于小目标和遮挡目标的识别精度;最后引入焦点损失函数和SIOU(scylla intersection over union)作为损失函数以解决正负样本不平衡问题并加快收敛速度。实验表明,本文算法全类平均精度达到84.88%,比原算法高9.92%,总体性能优于对比算法。     

融合混合注意力和改进YoloX的铁路落石检测方法

铁路周边危岩落石侵入铁路限界内会严重危害旅客生命财产与铁路行车安全。针对传统检测方法对复杂动态环境识别误检高、小目标识别准确率较低等问题,提出一种基于视频的铁路落石侵限检测深度学习方法。首先,融合混合注意力模块,增强网络对与背景相似落石检测能力。其次,改进YoloX部分网络结构为双向特征金字塔网络,加强了不同层级特征的相互交流,提升小目标识别能力。同时采集大量不同场景模拟落石数据,构建模拟落石数据集,并在训练中使用Mosaic数据增强方法,增强方法的泛化能力。实验结果表明,本文方法随着改进模块的添加,识别精度不断提高。对比多种主流目标检测方法,取得了最高识别准确度,不同大小目标识别稳定,证明了本文算法在实际铁路场景的应用价值。     

改进YOLOv5s的交通多目标检测方法

为了提高交通目标检测的精度和效率,提出一种改进YOLOv5s的交通场景多目标检测方法,在YOLOv5s的主干网络中引入高效的层聚合网络结构来提高模型学习目标特征的能力,引入了通道注意力和空间注意力结合的卷积注意力模块(BAM)机制,进一步提高网络模型的特征提取能力,通过采用α-IoU作为边界框回归损失函数,提高了边界框回归精度。实验结果表明,改进的目标检测模型相较于YOLOv5s原模型在检测精度上提升了2.4%,模型参数量和模型大小分别降低了20.9%和19.1%。实现了在不同时间段准确且高效的检测交通场景的多种目标,保证了实时检测的应用需求。     

轻量化无人机航拍目标检测算法

针对无人机航拍背景复杂、检测目标小且密集。提出一种基于YOLOv5的轻量化无人机航拍目标检测算法SDS-YOLO。首先,SDS-YOLO算法重构轻量化网络结构,对特征提取网络和特征融合网络进行重构。调节检测层和感受野架构,建立深层语义与浅层语义多尺度检测信息依赖关系,增加浅层网络特征层的权重,提高对微小目标的检测能力;其次,利用聚类算法对预选框进行调整,实现重构网络最优的预选框选择机制,加快模型收敛速度。最后,使用Varifocal loss训练SDS-YOLO使IACS回归,提高模型对密集物体的检测能力。结果表明,模型经过优化后,精度提高了7.64%;模型体积4.25MB,相较于原模型大幅下降;模型计算量和推理速度均有提高。相较于当前主流算法,SDS-YOLO在各方面均取得了不错的改进,满足无人机航拍实时目标检测要求。