基于改进RetinaNet的SAR图像目标检测方法

近年来,深度学习方法在合成孔径雷达(SAR)图像目标检测中得到了广泛的应用.船舶出现在近海、港口、岛礁、远洋等各种场景中,同时海洋环境复杂多变,使得船舶目标检测很难排除混乱背景的干扰.对于大纵横比、任意方向、密集分布的目标,精确定位变得更加复杂.本文基于深度学习的方法提出用于SAR图像目标检测的改进RetinaNet模...     

基于改进RetinaNet的电力设备红外目标精细化检测模型

电力设备在运行过程中会产生大量红外图像,当红外图像中的电力设备存在排列密集、具有倾斜角度、大长宽比的情况时,基于水平矩形框的目标检测网络只能给出目标概略位置,易发生目标检测区域重叠,引入冗余背景信息,使得检测结果不够精细。针对此问题,提出在RetinaNet目标检测网络中引入旋转矩形框机制,并在网络输入端引入Mosaic数据增强技术;将原特征提取网络中ReLU函数替换为梯度流更平滑的Mish激活函数;在原模型FPN模块后追加PAN模块进一步融合图像特征。最后利用现场采集的电力设备红外图像制作数据集,将改进后的模型与Faster R-CNN、YOLOv3、原RetinaNet三种基于水平矩形框定位的目标检测网络进行对比评估,实验表明改进后的模型可以更为精细地检测出密集场景下带有倾角的电力设备红外目标,在多类别电力设备检测准确率对比上高于以上3种模型。     

基于机器视觉和深度学习的建筑垃圾智能识别研究

针对当前建筑垃圾分选中存在的分选效率不高、自动化程度较低等问题,提出了一种基于机器视觉和深度学习的建筑垃圾智能分选系统并对检测识别过程进行了详细研究。该系统采用背景建模法对建筑垃圾进行检测定位,可以有效避免运输皮带抖动、磨损和光照变化等情况,提高检测精度和定位速度。此外该系统基于ResNet卷积神经网络模型对建筑垃圾进行分类识别,并通过迁移学习方法对建筑垃圾分类模型的训练效率进行了优化,将模型的分类准确率提高到了99.47%,有助于更好地实现建筑垃圾的智能化分选。     

基于改进YOLOv3的浮游藻类检测算法

浮游藻类的种类多样性和群落结构是水生态环境建设评价的重要指标,利用细胞图像对其进行识别是实现浮游藻类检测的重要手段。相较于传统的显微镜检法,基于深度学习的目标检测算法因更高效的检测能力而越来越多地被运用到浮游藻类检测领域。针对YOLOv3目标检测算法对部分形态小、边界模糊和粘连浮游藻类的检测精度低等问题,采用空间金字塔池化（SPP）结构改进了YOLOv3目标检测算法的特征提取方式,采用广义交并比（GIoU）边界损失函数改进了YOLOv3目标检测算法的边界损失函数,最终构建了一种基于SPP和GIoU改进的YOLOv3浮游藻类检测算法（SPP-GIoU-YOLOv3）。实验结果表明：在检测速度无明显差异的情况下,所提SPP-GIoU-YOLOv3分类检测算法对实验藻类的平均精度均值达95.21%,比YOLOv3目标检测算法提高了4.24个百分点。本研究为发展准确快速的浮游藻类检测方法技术提供了一定的基础。     

基于改进的电力关键部件识别算法研究

针对无人机在电力巡检过程中存在的待识别部件背景复杂、轮廓特征不清晰、各类部件尺寸相差较大等问题,提出一种改进的YOLOv4算法对电力关键部件进行识别。首先搭建深度可分离卷积残差块(M-Resblock-body),用其代替原特征提取网络中的部分普通卷积残差块,在不降低特征提取能力的情况下减少参数量,加快模型的推理速度。然后引入自适应调节感受野网络(SKNet),对输入的感受野进行自适应调节,捕获不同尺度的目标,通过合理分配特征通道的权重来对特征进行有效的表达,提高模型检测精度。最后为了增强模型的泛化能力,对训练集进行一系列数据增强。实验结果表明,改进后的YOLOv4算法在测试集上精度比原始网络提高8.85%,速度提升2.24 frame/s,能够有效实现电力巡检中关键部件的识别及缺陷检测。     

基于YOLOv5的红外相机野生动物图像识别

为在红外相机等资源受限平台上实时、准确地实现海量野生动物图像自动识别,改善野生动物监测过程中数据传输负载重、时效性低等问题,基于YOLOv5模型,利用5类物种的红外相机图像构建数据集,对YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x四种网络结构进行训练。通过对比不同网络结构的精度、检测速度、体积,明确最优网络结构;同时分析模型在复杂背景信息干扰下的识别效果,评价YOLOv5在真实野外场景的适用性;并通过与其他同类算法的比较,明确YOLOv5用于野生动物识别的优势。实验结果表明：四种网络结构的识别精度均较高,F1-score和平均精度（mAP）均在90%以上,其中YOLOv5m的综合性能最好;YOLOv5在多种复杂背景信息干扰下识别效果仍较好,能够很好地适应真实野外场景;与其他算法相比,YOLOv5同时具有精度高、鲁棒性强、资源占用低等优势。YOLOv5是一种轻量化的模型且性能优越,为在资源受限的平台上进行野生动物实时识别提供了新的契机。     

基于YOLO-IDSTD算法的红外弱小目标检测

针对复杂背景下红外弱小目标难以准确快速检测的问题,提出了一种红外弱小目标轻量化实时检测网络模型YOLO-IDSTD。首先,为提高检测速度,重新设计了特征提取部分的网络结构,并在输入层后使用Focus模块以减少推理时间;其次,为增强检测能力,特征融合部分采用路径聚合网络,添加了改进的感受野增强模块;最后,目标检测部分增加至四尺度检测。在红外弱小目标数据集上进行的对比实验表明,相较于经典轻量化模型YOLOv3-tiny,文中提出的模型召回率提升了7.57%,平均检测精度提高了1.92%,CPU推理速度提升了36.1%,可较好地兼顾精度和速度,计算量与参数量明显减少,模型尺寸压缩至7.27 MB,减少了对硬件平台运算能力的依赖,实现了红外弱小目标准确又快速的检测。     

轻量化改进网络的实时光纤端面缺陷检测模型

光纤是现代通信系统及量子保密通信网中不可或缺的传输介质。针对光纤端面缺陷对光传输系统造成传输质量下降甚至永久性损伤的问题,提出了一种改进YOLOv5算法的光纤端面检测模型YOLOv5＿CS。该模型首先将轻量化网络ShuffleNetV2作为主干特征提取网络,利用深度卷积操作以及通道随机混合策略,缩减模型容量,丰富特征信息;随后引入卷积注意力机制（CBAM）,同时在空间维度和通道维度上进行特征增强,提升网络性能;最后缩减特征融合层的卷积核数量,实现进一步的模型压缩,并利用数据增广技术构建的光纤端面数据集,对所提方法的有效性进行对比验证。结果表明,与YOLOv5算法相比,所提模型的模型容量压缩了80%,检测速度提升了31.1 frame/s,均值平均精度（mAP）提高了1.7%,能够较为准确以及实时地检测光纤端面缺陷。此项工作面向便携式智能检测装置的研制,可为光纤端面缺陷检测及相关视觉传感产业提供技术支持。     

基于深度学习的目标检测技术的研究综述

深度学习已经成为机器视觉领域应用最为广泛的技术方法,基于深度学习的目标检测技术是当前的一项热门研究课题。文章首先对国内外目标检测技术的最新研究进展进行了梳理,并分析和总结了传统目标检测方法的优缺点;然后详细介绍了几种基于深度学习的目标检测技术及其优缺点;最后讨论了现阶段深度学习存在的问题和未来的发展方向。     

基于深度学习的电路板焊接异常检测算法研究

焊点的焊接质量决定了电路板的可靠性,而电路板焊接异常的快速检测是大批量生产的先决条件。为了快速地实现焊接异常的精确检测,提出了一种基于深度学习的焊点图像识别算法。该算法通过自适应矩估计配合加速卷积神经网络实现,可对大量焊接图片进行快速分类识别检测。实验选取5 000幅焊接图像训练集测试,并与传统的K-means聚类算法和Canny边缘检测算法对比。实验结果显示,在小球和连桥缺陷中3种方法效果相近,而在虚焊、少锡缺陷中,本算法具有明显优势。在1 000组测试集实验中,其综合检出率及召回率分别达97.92%和98.21%,明显优于传统方法,验证了本算法具有更好的应用前景。     

基于RetinaNet的海洋鱼类检测算法

为了更好地保护和利用海洋鱼类资源,需要对海洋鱼类进行有效监测,但海洋环境复杂,导致海洋鱼类的识别检测普遍存在检测精度不佳等问题。针对上述问题,本文提出一种基于RetinaNet改进的海洋鱼类检测算法。首先,用DenseNet-121替换RetinaNet原有的主干网络,减少参数量的同时保留了更多的鱼类图像特征。然后,在主干网络中引入卷积注意力模块,引导神经网络更有针对性地提取图像特征。其次,在原有的FPN网络中引入新的卷积层,使得改进后的PFPN网络能够融合更多尺度的图像特征。最后,在分类和回归网络中引入soft-NMS,有效改善了相同类别的鱼距离过近和相互遮挡造成的漏检问题。实验表明,提出算法的平均精度（mAP）达到92.12%,相比SSD等算法的检测效果有明显提高,相比原算法的mAP提升了4.71%,对于海洋鱼类具有较好的检测效果。     

基于深度学习的SAR图像舰船目标检测综述

近年来,合成孔径雷达成像技术因具备全天时和全天候的目标感测能力,在海洋实时监测和管控等领域发挥着重要作用,特别是高分率SAR图像中的舰船目标检测成为当前的研究热点之一.首先分析基于深度学习的SAR图像舰船目标检测流程,并对样本训练数据集的构建、目标特征的提取和目标框选的设计等关键步骤进行归纳总结.然后对检测流程中的各部...     

基于Transformer目标检测研究综述

目标检测是计算机视觉领域三大任务之一,同时也是计算机视觉领域内一个最基本和具有挑战性的热点课题,近一年来基于Transformer的目标检测算法研究引发热潮.简述Transformer框架在目标检测领域的研究状况,介绍了其基本原理、常用数据集和常用评价方法,并用多种公共数据集对不同算法进行对比以分析其优缺点,在综述研究...     

注意力优化RetinaNet的多尺度目标检测算法

针对目标检测算法RetinaNet在多尺度物体检测任务中存在利用特征上下文信息和多尺度特征融合不充分及边界框回归不够快速精准的问题,提出了一种注意力优化RetinaNet的多尺度目标检测算法。在特征提取模块嵌入无参数的3D注意力机制,来充分利用特征上下文信息;同时,构建了特征融合细化模块,实现多尺度融合特征的细化和增强;使用距离交并比(Distance Intersection over Union, DIoU)损失函数优化定位损失,提升边界框回归精准度。为了论证该方法的有效性,分别在PASCAL VOC数据集和MS COCO数据集上进行实验。改进模型的检测精度分别达到了82.1%、52.3%,其中,小目标、中目标和大目标的检测精度相比原算法分别提升了1.9%、1.1%和1.4%。     

基于深度学习的光学遥感图像目标检测综述

目标检测是光学遥感图像解译的核心环节,广泛应用于情报侦察、土地利用、城市规划等领域。近年来,深度学习的发展成熟使光学遥感目标检测的精确度和效率得到大幅提升。本文首先综述了基于深度学习的通用目标检测算法;然后介绍了当前常用的光学遥感图像目标检测数据集并依据数据特点分析了数据集的发展趋势;接着根据遥感图像检测难点,从任意方向、多尺度、小目标、密集分布、复杂背景5个方面详细梳理了算法的优化方案;最后展望了光学遥感图像目标检测研究的发展方向。     

基于改进Faster-RCNN的目标检测算法研究

目标检测是图像处理领域一个重要的研究方向,深度学习方法需要大量数据进行训练,训练的繁杂和复杂的网络结构限制了目标检测的速度.本文基于Faster RCNN的网络架构,创新性提出了light tail Faster RCNN网络架构.light tail Faster RCNN算法在保证精度的情况下,大大提升了处理速度....     

基于SSD改进的目标检测方法研究

为了满足目标检测任务实时性的要求,基于轻量级深度学习目标检测网络SSD_Mobilenetv1,通过改进其网络结构,以及增加更细粒特征图参与位置回归和分类来综合网络的上下文信息及引入反残差模块提升网络提取特征的能力,实验表明在保证实时检测速度的同时提高了检测精度,并在KITTI数据集上进行训练验证,取得了良好的效果。