基于改进YOLOv5与嵌入式平台的多旋翼无人机检测算法

针对在嵌入式平台上检测无人机时面临的资源占用率高、实时性差的问题,提出一种改进YOLOv5网络的目标检测算法。以YOLOv5s网络为基础模型,使用MobileNetV3网络代替CSP-Darknet53作为骨干网络进行特征提取,并优化改进特征加强网络以及算法的回归框损失函数。基于自建无人机数据集分别在PC机和嵌入式平台RK3399上进行测试,实验结果表明：改进后的YOLOv5算法与原算法相比,在保持较高检测精度的同时,检测速度提升了38%,模型大小降低了45%,有效提升了算法的检测性能,满足应用于嵌入式设备的实际需求。     

基于改进YOLOv5的空中目标部位快速分割算法

为满足导弹武器对空中目标高效毁伤的需求,针对基于深度学习的算法对空中目标部位分割速度慢、准确率低的问题,提出一种基于改进YOLOv5的空中目标部位分割算法。将YOLOv5的检测头替换为类似YOLACT算法的分割头,使其能够完成实例分割任务;对网络进行剪枝,在不影响精度的前提下获得更快的推理速度;在Backbone网络中应用可变形卷积、增加坐标注意力机制(coordinate attention, CA)模块,丰富目标的多尺度空间及语义信息,进一步提升算法的局部特征提取能力;基于Ghost卷积设计C3＿Ghost模块,替换YOLOv5原算法Neck部分的C3模块,显著降低算法计算量,并保证算法精度不受太大影响。对比与消融实验表明,所提方法与改进策略能有效降低计算量,在保证实时性的同时,算法精度也有所提升。     

基于改进YOLOv3的合成孔径雷达图像中建筑物检测算法

传统合成孔径雷达（SAR）图像中建筑物检测算法主要是在特定场景下通过人工提取特征进行特定类别的建筑物检测,存在平均检测精度不高、检测效率低的问题,为此提出一种基于改进YOLOv3的SAR图像中建筑物检测算法,通过深度学习实现建筑物的自动检测。制作SAR图像中建筑物数据集,针对建筑物的尺寸特点,通过改进的K均值聚类算法重新设置先验框大小;在结构上借鉴深度神经网络的聚合残差转换思想,将YOLOv3骨架网络中用于构建特征层的单路卷积残差模块改进为多路卷积残差模块,提高通道信息利用率的同时降低计算量;加入浅层特征融合模块,增加特征图中建筑物的形状特征所占比重,在特征融合层之前,使用转置卷积进行上采样,增加细节特征;使用改进YOLOv3算法进行建筑物检测模型的训练,并在测试集上进行测试。实验结果表明,相比原始YOLOv3算法,改进YOLOv3算法在SAR图像中建筑物数据集上平均检测精度提高了9.2%,召回率提高了6.3%,同时保持了较快的检测速度。     

改进的YOLOv3算法及其在军事目标检测中的应用

复杂环境下军事目标检测技术是提高战场态势生成、分析能力的基础和关键.针对军事目标检测任务在复杂环境下传统检测算法的检测性能较低问题,提出一种基于改进YOLOv3的军事目标检测算法,通过深度学习实现复杂环境下军事目标的自动检测.构建军事目标图像数据集,为各类目标检测算法提供测试环境;在网络结构上通过引入可形变卷积改进的R...     

基于YOLOv3的复杂环境红外弱小目标检测

在复杂环境的红外弱小目标检测问题中,传统算法大多需要对红外目标进行特征增强、背景杂波抑制等预处理工作,算法检测准确率低,控制参数较多。通过对红外目标特性进行分析,本文构建了基于深度学习的复杂环境红外弱小目标检测算法。算法以单阶段目标检测网络YOLOv3为基础,简化处理流程,显著提升对红外弱小目标的检测精度。在红外弱小目标数据集的测试中, YOLOv3较实验对比的方法在检测准确性上具有明显的提升,其平均准确率(AP)可达99.5%以上,验证了算法对红外弱小目标检测的有效性。     

基于改进YOLOv3和核相关滤波算法的旋转弹目标探测算法

旋转弹的电视摄像头拍摄画面会产生旋转及抖动模糊,在预先侦查目标数据较少且末制导段视野目标较小的情况下,目标难以精确探测,为此提出一种基于改进YOLOv3和核相关滤波（KCF）算法的目标检测与跟踪算法,通过深度学习实现目标的自动检测。制作模拟山地打击场景的数据集,基于少量数据样本的前提,模拟不同天气、光照、运动及旋转模糊等复杂环境,完成在网络学习中数据的增强和扩充;通过在YOLOv3网络基础上添加Inception多尺度分支结构,增加网络对于目标不同尺寸的适应性,减少网络层数,更能适应对小目标的检测;在实现目标定位方法上,将目标检测与跟踪算法相融合,提出一种目标丢失判别机制,并利用弹道的速度—时间信息更新目标跟踪框尺度。仿真实验结果表明,相比原始算法,改进算法能更有效实现复杂环境下的目标检测和跟踪。     

基于典型几何形状精确回归的机场跑道检测方法

在遥感探测领域,实现复杂环境条件下机场跑道类地物目标和轮廓的精确检测具有重要意义。以YOLOv3为代表的主流深度学习算法在目标检测领域取得了显著的成绩,但该方法只能以矩形框给出目标的粗略位置,检测结果具有一定的背景区域且无法准确得到角点位置。针对以上问题,提出一种基于典型几何形状精确回归的机场跑道检测方法。综合利用典型四边形角点回归策略、四边形锚框机制、四边形的非极大值抑制模块以及目标几何拓扑关系,通过网络的轻量化设计和模型压缩,实现对目标在仿射畸变下成像特征的学习,能够快速预测目标的角点坐标,并以目标的四边形轮廓给出其位置。仿真实验结果表明,该算法具备机场跑道目标类型区分和轮廓提取的功能,有效地解决了实际应用中的目标精确定位难题;在不损失精度基础上网络经压缩后较压缩前的检测速度提高了1倍,大幅提升了自动目标检测的准确性和高效性。     

无人机空中回收视觉导航技术

针对无人机空中回收过程中的导航问题,提出一种利用深度学习进行目标检测并配合双目视觉进行位姿 估计的技术。设计空中回收视觉导航系统,通过改进原有目标检测算法YOLOv3 框架提高回收过程中的检测精度和 速度;通过双目视觉系统对特征点进行3 维位姿解算,返回无人机和回收锥套中心相对位置信息。实验结果表明： 改进后的检测算法平均精度比YOLOv3 提高了3.2%,检测速度提高到73 FPS,检测速度明显提升;双目视觉算法 的位姿解算精确度高,两者同时满足导航系统精确性和实时性的要求。     

基于改进YOLOv4的X射线图像违禁品检测算法

为提高安检速度、实现X射线图像中违禁物品的自动检测,提出一种基于改进YOLOv4的X射线图像违禁品检测算法。该算法在单阶段目标检测算法YOLOv4基础上设计一种空洞密集卷积模块。将上采样链路融合后特征输入空洞密集卷积模块中,增强特征表达能力和卷积视野。对融合后特征信息加入注意力机制,用来增强有效特征和抑制无效特征,最终得到表征图像信息的特征图输入检测头部。采用Mosaic数据增强方法训练网络,提升网络的鲁棒性。结果表明：该算法在公开SIXray数据集上的均值平均精度达到80.16%,检测速度为25帧/s;该算法在公开SIXray数据集上多类违禁物品能够取得较高的检测精度,且满足检测的实时性要求。     

基于YOLOv5 改进的小目标检测算法

针对传统目标检测算法存在对小目标检测的识别精度低和不稳定的问题,提出基于YOLOv5 改进的小目 标检测算法。基于卷积神经网络加入额外的检测头,采用数据增强策略并更改网络卷积步长,解决了小目标像素低、 占比小、易重叠和难以分辨等问题;同时依托真实检测场景制作一个全新的针对飞机检测的卫星影像数据集,该数 据集的待检测小目标占比达61%,飞机姿态及场景丰富,有助于客观全面地验证网络精度。将改进后的算法与原始 的YOLOv5 模型进行对比,结果表明,其平均精确率AP 值较原始YOLOv5 模型提升约3%。     

基于特征地图的改进回环检测算法

为提高移动机器人回环检测模块的准确率和实时性,提出一种基于特征地图的改进回环检测算法。在传 统模型的基础上,对关键帧的特征点进行筛选,选取高效特征点构建特征地图,利用视觉字典树对特征地图和关键 帧进行场景描述;对词袋模型进行改进,将场景分割用在图像信息的提取和特征聚类上;建立基于分层K++均值的 视觉字典树,得到改进的基于分层金字塔TF-IDF(term frequency–inverse document frequency)的匹配方法。实验结果 证明：相比FAB-MAP(fast appearance-based mapping)和RGB-D SLAM v2,改进算法在特征点规模、实时性、召回 率方面性能更优。     

基于改进YOLOv4-tiny 的舰面多目标检测算法

针对舰面多目标的检测问题,提出一种改进YOLOv4-tiny 的舰面多目标检测算法。在卷积神经网络中引 入卷积注意力模块(convolutional block attention module,CBAM),通过混合通道特征和空间特征来关注舰面目标和 抑制背景特征,提高网络的抗背景干扰能力;针对目标尺度变化加入空间金字塔池化结构(spatial pyramid pooling, SPP)以融合不同尺度的特征,提高对不同大小目标的检测能力;使用Mish 激活函数替代Leaky ReLU 激活函数以获 得更好的泛化能力。实验结果表明：5 类舰面目标的平均检测精度为92.22%,接近YOLOv4 算法的96.48%,而检测 速度(frames per second,FPS)达到了42.5 帧/s,远高于YOLOv4 的18 帧/s;该算法能较好地平衡准确率和速度的关 系,可以对舰面目标进行实时检测。     

基于改进YOLO 的不规范佩戴安全帽检测

为改善现有变电站巡检人员不规范佩戴安全帽检测时效率、精度低的问题,提出一种基于改进YOLO 的 轻量化变电站人员不规范行为检测模型。该模型由特征提取网络、ECA-SPP 和ECA-PANet 网络以及预测网络组成; 特征提取网络中使用MobileNetV3;提取4 个尺度的特征图并将其输入到SPP 和PANet 网络中,并基于注意力机制 进行优化;以建立的变电站人员不规范佩戴安全帽检测数据集为例,验证所提模型有效性。实验结果表明：所提模 型mAP 为0.824 4,FPS 为38.06,明显优于Faster RCNN、YOLOv4、YOLOx 等模型,具有较高精度和更快的检测 速度,可为变电站人员不规范佩戴安全帽的实时检测提供参考。     

基于双卷积链的双目人体姿态距离定位识别

现有的基于无人机的目标定位与判别方法往往达不到实用性要求,而采用无人机常用单摄像头采集的图像信息往往只能获取二维信息,无法获得摄像头基于目标的相对距离。常用的基于双摄像头的距离采集算法又过于复杂,不够稳定,且要求开发人员具有较高的知识水平,固件开发门槛高,应用困难。因此,提出了通过双摄像头下人体姿态识别图像数据集,训练基于双通道Darknet-53基本结构的特征提取网络,运用其参数初始化YOLO-V2网络,通过在训练用于识别人体姿态图像中的人体位置、相对距离以及所属类别。实验结果表明：利用该方法进行人体姿态的人体位置和类别识别,相比于单卷积链的YOLO-V2在识别准确度提高了3.85%、4.83%,且在基于目标的相对距离上精度高于65%;新算法能有效用于无人机远距离快速识别人体姿态并取得较好的识别效果,满足实时需求。