基于改进YOLOv8的无人机航拍图像目标检测算法

针对现存无人机航拍图像目标检测算法检测精度较低、模型较为复杂的问题,提出一种改进YOLOv8的目标检测算法。在骨干网络引入多尺度注意力EMA,捕捉细节信息,以提高模型的特征提取能力;改进C2f模块,减小模型的计算量。提出了轻量级的Bi-YOLOv8特征金字塔网络结构改进YOLOv8的颈部,增强了模型多尺度特征融合能力,改善网络对小目标的检测精度。使用WIoU Loss优化原网络损失函数,引入一种动态非单调聚焦机制,提高模型的泛化能力。在无人机航拍数据集VisDrone2019上的实验表明,提出算法的mAP50为40.7%,较YOLOv8s提升了1.5%,参数量降低了42%,同时相比于其他先进的目标检测算法在精度和速度上均有提升,证明了改进算法的有效性和先进性。     

YOLOv5与Deep-SORT联合优化的无人机多目标跟踪算法

针对无人机平台下小目标检测性能差、目标尺度变化较大、复杂背景干扰等导致跟踪失败的问题,该文提出一种联合优化检测器YOLOv5(You Only Look Once)和Deep-SORT(Simple Online and Realtime Tracking with a Deep Association Metric)的无人机多目标跟踪算法。该算法使用改进的CSPDarknet53(Cross Stage Paritial Darknet53)骨干网络重新构建检测器中的特征提取模块,同时通过自顶向下和自底向上的双向融合网络设计小目标检测层,采用无人机航拍数据集训练更新优化后的目标检测网络模型,解决小目标检测性能差问题;在跟踪模块中,提出结合时空注意力模块的残差网络作为特征提取网络,加强网络感知微小外观特征及抗干扰的能力,最后采用三元组损失函数加强神经网络区分类内差异的能力。实验结果表明,优化后的目标检测的平均检测精度相比于原始YOLOv5提升了11%,在UAVDT数据集上相较于原始跟踪算法准确率与精度分别提高了13.288%、3.968%,有效减少目标身份切换频次。     

基于高性能特征提取和任务解耦的无人机航拍图像小目标检测

无人机广泛应用于环境监测、资源规划和电力巡检等多种领域,其航拍图像中存在大量小尺寸目标,给目标检测任务带来难度。为此,在YOLOv5s的基础上提出一种基于高性能特征提取和任务解耦的目标检测网络（HFTT-Net）算法。首先,针对航拍图像中小尺寸目标特征提取困难的问题,在原始骨干网络的基础上引入多头自注意力机制,使网络充分关注小目标信息,在多尺度特征融合过程中使用SPD(Space-to-depth)组件,增强待检测目标的特征;接着,对于目标检测中普遍存在的任务冲突的问题,将分类头与回归头进行解耦操作,进一步提升目标检测精度;最后,结合基于EIoU的回归损失对网络进行监督,提升网络收敛速度,实现无人机航拍图像中目标的精确检测。在VisDrone2019数据集上的实验结果表明,HFTT-Net中的高性能特征提取和任务解耦操作能够充分提升网络的小目标检测能力,在航拍图像的多密集小目标场景任务中表现突出,该算法在能够满足实时检测的情况下与经典的YOLOv5s算法相比精度提升了2.5%。     

基于改进YOLOv7的无人机图像目标检测算法

针对无人机图像中由于目标微小且相互遮挡、特征信息少导致检测精度低的问题,提出一种基于改进YOLOv7的无人机图像目标检测算法。在颈部和检测头中加入了坐标卷积,能更好地感受特征图中目标的位置信息;增加P2检测层,减少小目标特征丢失、提高小目标检测能力;提出多信息流融合注意力机制——Spatial and Channel Attention Mechanism(SCA),动态调整注意力对空间信息流和语义信息流的关注,获得更丰富的特征信息以提高捕获目标的能力;更换损失函数为SIoU,加快模型收敛速度。在公开数据集VisDrone2019上进行对比实验,改进后算法的mAP50值相比YOLOv7提高了4%,达到了52.4%,FPS为37,消融实验验证了每个模块均提升了检测精度。实验表明,改进后的算法能较好地检测无人机图像中的目标。     

基于cosSTR-YOLOv7的多尺度遥感小目标检测

针对地理空间遥感图像存在目标分布密集、尺度变化范围较大及小目标特征信息过少等而造成目标检测精度不高的问题,提出了一种基于Swin Transformer(STR)和YOLOv7的多尺度遥感小目标检测算法cosSTR-YOLOv7。以YOLOv7作为基线网络,首先,使用STR模块替换主干网络中的E-ELAN模块,并利用余弦注意力机制和后正则化方法将其改进为cosSTR模块,以提升模型训练的稳定性;其次,在Neck部分构建新的特征融合层,以减少特征信息丢失;然后,在预测部分增加小目标预测层,以提升模型对小目标的检测能力;最后,采用新的SIoU损失函数计算定位损失,以加快模型收敛速度。利用遥感数据集DIOR进行实验,实验结果表明,所提算法平均精度均值(mAP)达到92.63%,对比原YOLOv7算法提高了3.73个百分点,对多尺度小目标的检测性能有显著提高。     

基于改进YOLOv5s的无人机图像识别

无人机在军事情报、航拍检测等领域能够提供目标相关的图像信息,为处理任务提供目标信息。针对无人机图像背景复杂、检测目标小、可提取特征少等问题,提出基于YOLOv5s的改进无人机图像识别算法。首先,结合CotNet模块对网络结构进行优化,提升模型自学习能力并增强识别精度;其次,对颈部网络进行改进,通过跨层链接和提高特征图分辨率更好地利用浅层特征图中包含的丰富信息来定位目标,并且在检测头部分采用解耦检测头,减少预测过程中定位与分类任务对于特征信息的冲突;最后,为了提高收敛速度和模型精度,在CIoU和EIoU损失函数的基础上对损失函数的宽高纵横比进行优化。在公开数据集VisDrone测试集上进行测试,所提算法相比原始YOLOv5s算法的mAP₅₀与mAP_50∶95分别提升了6.1与2.9个百分点,实验结果表明,所提模型能够有效提升无人机图像识别的准确率。     

基于注意力机制的复杂背景下红外弱小目标检测方法研究

针对复杂场景下红外图像中弱小目标像素占比少、特征细节不明显致使目标特征提取困难、检测准确率低的问题，提出了一种基于注意力机制的复杂背景下红外弱小目标检测方法。该方法以YOLOv5网络为基础，设计SimAMC3注意力机制模块，优化网络的特征提取层；设计目标检测头，通过增加特征融合层来改变其开始进行特征提取的深度，获得新的弱小目标检测层，使浅层特征层更好地保留弱小目标的空间信息；改进预测框筛选方式，提高距离相近或重叠目标的检测精度。实验选取了两个SIRST红外弱小目标图像数据集，对其进行标注并训练。实验结果表明，改进后的算法与原YOLOv5算法相比，平均精度均值（mAP）分别提升了4.8%和7.1%，在不同复杂背景下均可有效检测出红外弱小目标，体现了良好的鲁棒性和适应性，可以有效应用于复杂背景中的红外弱小目标检测。     

复杂场景下基于改进YOLO算法的遥感图像目标检测

遥感图像普遍目标尺度变化较大,背景较为复杂,这些问题导致当前目标检测算法出现漏检或检测效果不佳等现象。文章选择YOLOv3算法作为基础网络进行改进,对训练数据做Mosaic数据增强,增加困难样本数量。结合ECA通道注意力机制,丰富特征的表达能力。使用CIOU损失作为定位损失,增强了目标回归框的检测精度和收敛速度。在遥感图像数据集RSOD上进行训练和测试,实验结果表明,改进的YOLOv3检测效果更佳,鲁棒性更强,具有很好的实用价值。     

基于改进YOLOv5的轻量化绝缘子表面缺陷检测

针对无人机检测缺陷绝缘子时,存在目标特征不明显、小目标检测效果差、无法同时满足检测速度和精度的问题,提出一种基于改进YOLOv5的绝缘子缺陷检测算法。首先,针对目标特征不明显的问题,将ConvNeXt网络应用到YOLOv5主干网络中,以加强网络特征提取能力;其次,针对图像中的小目标特征,在主干网络中引入坐标注意力机制,提高对小目标的检测精度;然后,对改进模型进行剪枝操作,剪去模型中冗余的通道,从而减少模型参数量,使模型更加轻量化。实验结果表明：所提算法在绝缘子缺陷数据集IDID上的平均精度均值达到93.84%,较原始算法提升了3.4个百分点;检测速率达到166 frame/s,较原算法速率提升了69.4%,可以满足对输电线路实时检测的要求。     

基于改进YOLOv5的低光照图像目标检测

针对低光照环境下现有的目标检测算法普遍存在检测精度较低的问题，提出一种改进YOLOv5的双通道低光照图像目标检测算法（YOLOv5＿DC）。首先，通过伽马变换和叠加高斯噪声的方法合成低光照图像，扩充数据集，提高模型的泛化能力；其次，提出特征增强模块，引入通道注意力机制，融合增强图像和原始图像的低级特征，抑制噪声特征的影响，改善网络的特征提取能力；最后，在颈部网络中加入特征定位模块，增加特征图在目标区域的响应值，使网络更关注目标区域，提高网络的检测能力。实验结果表明：所提YOLOv5＿DC算法实现了更高的检测精度，在低光照图像目标检测数据集ExDark*上的平均精度均值（mAP）@0.5达71.85%，较原始的YOLOv5算法，提高了1.28个百分点。     

基于YOLO-MIR算法的多尺度红外目标检测网络

针对红外图像相对于可见光检测精度低,鲁棒性差的问题,提出了一种基于YOLO的多尺度红外图目标检测网络YOLO-MIR(YOLO for Multi-scale IR image)。首先,为了提高网络对红外图像的适应能力,改进了特征提取以及融合模块,使其保留更多的红外图像细节。其次,为增强对多尺度目标的检测能力,增大了融合网络的尺度,加强红外图像特征的进一步融合。最后,为增加网络的鲁棒性,设计了针对红外图像的数据增广算法。设置消融实验评估不同方法对网络性能的影响,结果表明在红外数据集下网络性能得到明显提升。与主流算法YOLOv7相比在参数量不变的条件下平均检测精度提升了3%,提高了网络对红外图像的适应能力,实现了对各尺度目标的精确检测。     

深度学习的无人机双目视觉避障研究

针对无人机避障系统中视觉防撞的关键技术进行研究,改进YOLOv4-tiny目标检测算法,并提出一种基于目标检测的视觉防撞方法.结合MobileNet的可分离卷积结构,优化YOLOv4-tiny目标检测网络,以此提高检测精度.通过去除非检测目标区域的冗余信息,提高SURF匹配算法的效率,由最小二乘法对目标区域进行三维解算,将解算的深度与无人机的位姿信息作为防撞判定区域视野尺度的依据,并结合目标检测的像素位置,实现无人机视觉防撞.最后,利用标准数据集对改进后的网络模型进行分析,mAP值为69％,并搭建无人机视觉通讯模块进行视觉防撞测试,最终验证了方法的合理性.     

基于改进YOLOv4-tiny的无人机航拍目标检测

针对无人机航拍图像中存在目标尺寸小、数量多和背景复杂等问题,提出了一种基于改进YOLOv4-tiny的无人机航拍目标检测算法。该算法在原有网络的基础上扩大了检测尺度范围,提高对不同尺寸目标的匹配程度,并利用深层语义信息自下而上地与浅层语义信息进行融合以丰富小目标的特征信息。同时引入注意力机制模块,在主干网络后的每个尺度上进行感兴趣区域特征信息的二次筛选,过滤冗余特征信息,保留重要特征信息。在无人机航拍数据集上进行对比实验,实验结果表明,所提算法在满足实时性的基础上,平均精确率比原网络提高了5.09%,具有较好的综合性能。     

基于YOLOv5的CCTSDB小目标检测算法研究

为了提高全新中国交通标志检测数据集2021(CCTSDB 2021)的小目标检测精度。在YOLOv5网络模型上,融入归一化的注意力模块（NAM）和协调注意力模块（CA）,同时新增加160×160的检测特征图,增加小目标检测层,用于检测4×4以上的目标。在YOLOv5中采用改进的SIou目标回归损失函数,使得整个网络模型对图像特征的学习能力和目标检测精度得到一定的提升。实验表明,CCTSDB2021在改进的YOLOv5算法中,小目标检测精度mAP@.5和mAP@.5:.95达到85.87%、57.21%,相比原YOLOv5网络mAP@.5、mAP@.5:.95分别提升了5.72%、5.85%,检测精度和精确率-召回率得到了明显提升,减少了推理时间,提高了整体网络的鲁棒性,具有更好的检测性能和目标分辨能力。     

改进YOLOv8的遥感图像检测算法

针对目前遥感图像目标检测算法中存在的误检、漏检和检测精度低等问题,提出了一种改进YOLOv8的遥感图像检测算法。在主干网络中引入注意力机制EMA到C2f模块,以提高模型对多尺度目标的特征提取能力;在颈部网络中提出Slim-PAN结构,以减少模型计算量;使用WIOU损失函数代替CIOU损失函数,以提升模型的检测精度。通过在DIOR和RSOD遥感数据集上的实验结果表明,改进后的算法与原YOLOv8算法相比,mAP分别提升了1.5%和2.3%,计算量降低了0.3 GFLOPs,改进算法在不增加计算量的同时能提高检测精度,证明了改进算法的有效性和先进性。     

基于深度学习的旋转目标检测技术研究

针对传统目标检测算法未考虑物体角度信息而出现的漏检、错检问题,提出了一种基于YOLOv5s的改进算法。在原始YOLOv5s的基础上,首先结合环形平滑标签技术（CSL）及对损失函数的改进,让网络有了对角度预测的能力;其次增加目标检测层提升了网络对小目标检测的能力,接着融合CBAM注意力机制让网络重点关注对有用信息的学习;最后采用迁移学习的策略初始化网络各层参数。为了验证算法的有效性,自制了标签数据集LDS并做了算法对比试验,实验结果表明,在LDS数据集上,改进后的YOLOv5s算法检测精度达89.94%,相较于原始网络,在检测速度没有下降的基础上检测精度提升了4.80%。     

基于X-Ray图像的锂电池电极检测方法

针对锂电池X-Ray图像中电极排布密集且模糊导致工业生产中难以高效检测的问题,提出了一种锂电池电极位置检测的方法。首先通过调整YOLOv5的骨干网络来增强模型对于目标特征的提取能力;其次,针对目标排布密集且像素占比较小的问题,增加目标检测层来提升模型对于小目标的检测性能;同时由于图像中的阴阳极特征较弱,引入注意力机制来进一步加强网络的特征提取能力;最后选取CIoU损失函数来提高定位精度。实验结果表明,提出的方法与主流目标检测方法YOLOv3、YOLOv4、RetinaNet、YOLOv5、TPH-YOLOv5相比,在性能上具有优势,与原始YOLOv5算法相比,mAP提高了约15.2%。提出的方法可以有效改善锂电池电极位置检测的准确性,有助于提高工业生产中锂电池缺陷检测的效率。     

基于改进YOLOv3的目标检测方法研究

针对目标检测算法YOLOv3检测精度低、目标识别效果差等问题,从特征提取和特征融合的角度提出一种改进的YOLOv3目标检测算法。采取连续残差结构和深度卷积双路特征提取来扩展感受野,在深度卷积模块中以改进的混合池化来替换最大池化;在特征融合方面,引入CBAM,并在增强残差模块中增加了注意力特征融合模块。实验结果表明,改良后的YOLOv3算法在百度与北京林业大学合作的Insects昆虫数据集上的检测精度达到了71.22%,比原始算法的检测精度提升4.88个百分点,验证了该算法的有效性。     

基于SIOU函数的改进YOLOv5遥感目标检测方法

为提升YOLOv5算法对遥感图像密集目标的检测精度并改善漏检问题,提出了一种改进的YOLOv5遥感目标检测算法。改进方法首先采用7*7卷积模块替换骨干网络中Focus模块以增大模型感受野;其次,在保证与原模块效果相同的情况下使用SPPF以提升检测速度;最后,引入SIOU损失函数,利用边界框回归之间的向量角度来重新定义损失函数,有效提高了检测的准确性。实验结果表明,针对公开的NWPU VHR-10遥感数据集,所提改进算法在保持与原算法相同检测速度的情况下,检测精度提高了3.5%。     

基于改进YOLO模型的遥感小目标检测

针对遥感图像中小目标检测精度低以及漏检现象严重的问题,提出一种基于YOLOv4改进的遥感小目标检测算法。该算法首先改进特征提取网络,删除深层次特征层,减少语义丢失现象;其次将轻量级注意力机制与RFB-S结构融合,拓展感受野,并加强网络对重要信息的关注程度,从而提升检测精度;最后使用Focal Loss函数解决正负样本不均衡问题,抑制背景目标,进一步增强检测效果。在RSOD数据集上的实验结果表明,改进后算法检测平均精度为96.5%,召回率达到87.2%,检测效果明显提升,有效改善了小目标漏检现象,对遥感图像小目标检测具有重要意义。