适用于无人机的自动跟踪算法的研究

入侵农田问题给试验田的安全保护带来了严重挑战,传统的保护手段存在诸多限制。为解决这一问题,将无人机技术和目标检测与跟踪算法相结合,提出一种创新的解决方案。该方法通过无人机高空航拍视角获取农田图像数据,并利用YOLO(You Only Look Once)算法实现实时目标检测。同时,采用SORT(Simple Online and Realtime Tracking)算法对入侵目标进行持续跟踪。通过在海南试验田中的应用实验验证该方法的可行性和有效性。实验结果表明,基于YOLO和SORT算法的无人机目标检测与跟踪系统能够在0.4 s内快速检测和跟踪入侵农田目标,为试验田的安全保护工作提供了重要支持。     

改进YOLO V3的道路小目标检测

针对通用目标检测算法在检测小目标时存在效果不佳及漏检率较高等问题,提出了一种基于改进YOLO V3的道路小目标检测算法。对YOLO V3算法网络模型中的聚类算法进行优化,使用DBSCAN+K-Means聚类算法对训练数据集聚类分析,选取更合适的Anchor Box,以提高检测的平均精度和速度;同时引入Focal Loss损失函数代替原网络模型中的损失函数形成改进的YOLO V3算法。进而与其他目标检测算法在KITTI数据集上对行人目标进行对比检测,发现改进的YOLO V3算法能够有效降低小目标漏检率,大大提高检测的平均精度和检测速度。实验结果表明,在KITTI数据集上,改进的YOLO V3算法检测目标的平均精度达到92.43%,与未改进的YOLO V3算法相比提高了2.36%,且检测速度达到44.52?帧/s。     

基于深度学习的目标检测研究进展

首先，介绍了现阶段目标检测的发展并进行分类；然后阐述了YOLO系列算法，特别是YOLO中重要的核心机制，如损失函数、网络结构、优化策略、k-means聚类和批归一化；其次，对YOLO的应用场景进行介绍，如应用于行人检测、工业以及医学方面；最后，总结YOLO系列算法的特点以及未来改进方向。本文对研究基于深度学习的目标检测系统具有一定的指导意义。     

基于双模型的输电线绝缘子自爆检测算法

针对输电线路无人机巡检图像中绝缘子自爆缺陷目标小而难以精准检测的问题,提出一种基于Faster R-CNN和改进的YOLO v3级联双模型的绝缘子自爆缺陷检测算法。首先,利用无人机巡检图像构建绝缘子串缺陷数据集,并对训练图像样本进行翻转预处理,增加样本数量,提高模型泛化能力,避免过拟合;然后,利用Faster R-CNN检测图像中的绝缘子串,再将检测到的绝缘子串图像送入改进的YOLO v3网络进行自爆缺陷的定位。改进的YOLO v3网络是在YOLO v3基础上借鉴FPN的思想,增加特征提取层并进行特征融合,充分利用深层特征和浅层特征;同时采用CIoU Loss函数作为损失函数,以解决边界框宽高比尺度信息。实验结果表明,本文算法在所构建的绝缘子缺陷数据集上的检测准确率达到91.2%,相比Faster R-CNN或YOLO v3等单模型检测算法提升了3.31个百分点以上,能有效实现无人机巡检中绝缘子自爆缺陷的检测,为输电线路智能化巡检故障诊断提供方法支持。     

基于深度卷积神经网络的小目标检测算法

针对YOLO目标检测算法在小目标检测方面存在的不足,以及难以在嵌入式平台上达到实时性的问题,设计出了一种基于YOLO算法改进的dense_YOLO目标检测算法。该算法共分为2个阶段:特征提取阶段和目标检测回归阶段。在特征提取阶段,借鉴DenseNet结构的思想,设计了新的基于深度可分离卷积的slim-densenet特征提取模块,增强了小目标的特征传递,减少了参数量,加快了网络的传播速度。在目标检测阶段,提出自适应多尺度融合检测的思想,将提取到的特征进行融合,在不同的特征尺度上进行目标的分类和回归,提高了对小目标的检测准确率。实验结果表明:在嵌入式平台上,针对小目标,本文提出的dense_YOLO目标检测算法相较原YOLO算法mAP指标提高了7%,单幅图像检测时间缩短了15 ms,网络模型大小减少了90 MB,明显优于原算法。     

YOLO9000模型的车辆多目标视频检测系统研究

提出了一种基于Darknet框架下YOLO9000算法的车辆多目标检测方法。该方法在YOLO9000算法基础下,根据训练结果和车辆目标特征对YOLO9000网络模型进行改进,并对其算法参数进行调整,获得更为适合于当前道路视频检测的YOLO9000-md网络模型下车辆多目标检测方法。为验证检测方法的有效性和完备性,对其模型进行了验证对比分析,同时对视频车辆进行了检测实验,实验结果表明,基于YOLO9000-md网络结构的车辆多目标检测方法,验证检测正确率达到了96.15%,具有一定的鲁棒性和通用性,为今后进行基于视频的更加智能化和自动化的数据分析提供了可靠的理论依据。     

经典YOLO系列目标检测算法及其在乳腺癌检测中的应用

目前乳腺癌已取代肺癌成为年发病率最高的癌症, 基于深度学习的目标检测技术可对乳腺X线、乳腺超声和乳腺核磁共振等非侵入式成像进行自动病变检测, 已成为乳腺癌辅助诊断的首选途径. YOLO (you only look once)系列算法是基于深度学习的目标检测算法, 经典YOLO算法在速度和精准度具有优势, 被广泛应用于计算机视觉各领域, 最新YOLO算法是计算机视觉领域的SOTA (state of the art)模型, 如何利用YOLO系列算法提高乳腺癌检测速度和准确率, 已经成为研究者关注的焦点之一. 基于此, 本文介绍经典YOLO系列算法的原理, 梳理经典YOLO系列算法在乳腺癌图像检测中的应用现状, 并归纳总结现存问题, 同时对YOLO系列算法在乳腺癌检测的进一步应用进行展望.     

基于YOLO框架的血细胞自动计数研究

血细胞检测和计数是血液检验中的一项重要内容，大量细胞显微图像形态多样、目标较小且背景复杂，自动识别血细胞仍然是一项具有挑战性的任务。为解决血细胞检测中复杂小目标识别问题，基于一阶段深度检测YOLO框架，提出了一种新颖的YOLO-Dense网络模型。通过使用[K]-means算法对锚框进行聚类，获得三种不同大小的潜在待识别目标的锚框，并在YOLO基础网络中引入残差模块和特征金字塔的多尺度模块，以提高对小目标的识别精度；通过跳层连接进行残差训练，有效解决深度网络梯度弥散和爆炸等问题；通过在网络架构中增加密集连接模块，使得提出的模型能够有效提升网络推断速度。实验结果表明：YOLO-Dense网络均值平均精度mAP和检测时间分别为0.86和24.9 ms。相比Faster R-CNN和原始的YOLO网络，YOLO-Dense模型在血细胞检测上取得了最好的性能。     

改进YOLOv5的无人机影像小目标检测算法

无人机航拍影像具有目标尺度变化大、背景复杂等诸多特性，导致现有的检测器难以检测出航拍影像中的小目标。针对无人机影像中小目标误检漏检的问题，提出了改进YOLOv5的算法模型Drone-YOLO。增加了检测分支以提高模型在多尺度下的检测能力。设计了多层次信息聚合的特征金字塔网络结构，实现跨层次信息的融合。设计了基于多尺度通道注意力机制的特征融合模块，提高对小目标的关注度。将预测头的分类任务与回归任务解耦，使用Alpha-IoU优化损失函数定义，提升模型检测的效果。通过无人机影像数据集VisDrone的实验结果表明，Drone-YOLO模型较YOLOv5模型在AP50指标上提高了4.91个百分点，推理延时仅需16.78 ms。对比其他主流模型对于小目标拥有更好的检测效果，能够有效完成无人机航拍影像的小目标检测任务。     

基于随机森林的无人机检测方法

随着低成本小型无人机的普及带来了一系列的严重问题并且难以监管。并且,由于环境物体的扰动、摄像机的抖动及采样噪声等因素导致现有方法在可见光图像下对无人机等小目标检测准确率低。针对上述问题,提出了一种基于随机森林的无人机检测方法。该方法采集可见光下的图像序列,使用混合高斯模型和聚类检测算法检测图像中的运动小目标,继而通过随机森林算法融合目标的多种特征进行目标的判别,最终得到检测目标。实验结果表明,该方法可有效地检测出无人机运动小目标并大幅提高检测的精确率。     

基于改进YOLO和迁移学习的水下鱼类目标实时检测

为了实现非限制环境中水下机器人基于视频图像的水下鱼类目标快速检测,提出基于改进YOLO和迁移学习的水下鱼类目标实时检测算法.针对YOLO网络的不足,设计适合水下机器人嵌入式系统计算能力的精简YOLO网络(Underwater-YOLO).利用迁移学习方法训练Underwater-YOLO网络,克服海底鱼类已知样本集有限的限制.利用基于限制对比度自适应直方图均衡化的水下图像增强预处理算法,克服水下图像的降质问题.利用基于帧间图像结构相似度的选择性网络前向计算策略,提高视频帧检测速率.实验表明,文中算法能实现在非限制环境下海底鱼类目标的实时检测.相比YOLO,文中算法对海底鱼类小目标和重叠目标具有更好的检测性能.     

基于深度学习的无人机入侵检测方法

无人机滥用给低空范围带来巨大安全隐患,非法入侵无人机目标的检测问题成为低空防御系统中重要的研究方向.本文提出一种基于雷达、RGB相机等多传感器信息融合方法,用于探测低空范围内小目标物体.然后,引入SSD(Single Shot multibox Detector)深度学习算法,训练无人机目标检测模型,对RGB相机捕获到画面中物体类别与位置进行预测.通过搭建实验平台验证信息融合方法能够成功获得目标位置、速度以及外观形态等特征,深度学习模型能够成功判断可疑目标的类别.     

基于可变形卷积的改进YOLO目标检测算法

针对YOLO目标检测算法存在边界框定位不准确及对小目标检测精度低的问题,提出一种改进的YOLO目标检测算法dcn-YOLO。使用k-means++算法聚类出更符合数据集尺寸的锚盒,以降低初始点对聚类结果的影响并加快网络训练收敛速度。构建残差可变形卷积模块res-dcn,分别采用将其嵌入YOLO第一特征提取头模块中和替换3个YOLO特征提取头模块的方式,构建两种改进的dcn-YOLO算法,使网络可以自适应地学习特征点的感受野,从而对不同尺寸和形状的目标提取更有效的特征,提高检测精度。在VOC数据集上的实验结果表明,该算法能有效提高目标检测精度,mAP达到82.6%,相比YOLO、SSD、Faster R-CNN,分别高出了2.1、5.2、9.4个百分点。     

改进YOLO v3算法及其在安全帽检测中的应用

YOLO v3目标检测算法由于其速度快、精度较高,在工业中获得了广泛应用,但存在目标函数与评价指标不统一的问题,针对此问题提出了改进YOLO v3目标检测算法。该算法改进GIoU计算方法,并与YOLO v3算法目标函数相结合,设计了一个新的目标函数,实现了目标函数局部最优为IoU局部最优。公共数据集VOC2007和安全帽佩戴数据集测试结果表明,相比于YOLO v3算法,改进YOLO v3的mAP-50分别提高了2.07%和2.05%。     

无人机小目标检测综述

在无人机技术的驱动下,无人机小目标检测成为当前计算机视觉领域的一个热点和难点。为理清当前无人机小目标检测的发展现状,首先介绍了两种小目标的定义形式,并分析总结出目前无人机小目标检测所面临的难点。之后总结当前常用的无人机小目标检测方法,并在每一个方法后面总结分析了其优缺点。接着总结了每种方法在其论文所实验的数据集上的表现结果。然后对部分常用无人机目标数据集进行了介绍。最后总结了全文并提出了未来能够提升无人机小目标检测性能的研究方向。     

基于深度学习的复杂气象条件下海上船只检测

为了解决复杂海情环境下的不同种类和大小的舰船检测问题,提出一种实时的深度学习的目标检测算法。首先,提出了一种清晰图片和模糊图片（雨、雾等图片）判别的方法;然后,在YOLO v2的深度学习框架的基础上提出一种多尺度目标检测算法;最后,针对遥感图像舰船目标的特点,提出了一种改进的非极大值抑制和显著性分割算法,对最终的检测结果进一步优化。在复杂海情和气象条件下的舰船目标公开比赛的数据集上,实验结果表明,相比原始的YOLO v2,该方法的准确率提升了16%。     

基于改进SSD的多尺度低空无人机检测

鉴于低空场景下无人机尺度多变、背景复杂的特点,提出一种基于深度学习的多尺度低空无人机目标检测算法.针对高层卷积特征对小无人机目标特征表达能力差的问题,引入VGG16低层特征图Conv3_3,构建特征金字塔网络,利用有效感受野技术,重新设计各特征图中先验框的尺寸和长宽比例,建立多尺度、多背景且包含干扰目标的低空无人机图像数据集,完成算法的训练和优化.实验结果表明,该算法相比原始SSD网络,平均精度(average precision,AP)提高了7.32％,有较好的抗干扰效果和实时检测能力.     

深度学习小目标检测算法研究综述

目标检测的主要目的是在图像中快速精准地识别定位出预定义类别的目标。而随着深度学习技术的不断发展,检测算法在相应行业大、中目标已达到了不错的成效。鉴于小目标在图像中尺寸较小、特征不全、与图像中背景差异大等特点,基于深度学习的小目标检测算法性能仍需要进一步提升和优化;小目标检测在无人驾驶、医疗诊断、无人机导航等多个领域都有着广泛的需求,因此研究有着很高的应用价值。在文献调研的基础上,先给出小目标检测定义,找到当前小目标检测的重难点;根据这些重难点从六个研究方向分析当前研究现状,并总结各算法优缺点;结合文献及发展现状对该领域未来的研究方向做出合理预测与展望,为后续研究提供一定基础参考。     

一种基于视觉特征区域建议的目标检测方法

虽然基于深度学习的目标检测器具有较高的检测精度,但是大多数检测器的检测速度不能满足实时性要求.此外,目前主流的实时检测算法如SSD(single shot multibox detector)和YOLO(you only look once),对小目标的检测精度不高.鉴于此,提出一种基于视觉特征区域建议的目标检测算法,能够综合平衡检测精度和检测速度.算法分为区域建议和网络分类,区域建议根据目标的特征信息提取候选区域ROI(region of interest);网络分类使用CNN(convolutional neural network)对区域建议中提取的ROI进行处理,计算每个ROI类别的置信度,置信度大于设定阈值的ROI即为目标检测结果.实验结果表明,所提出算法的检测精度明显高于Faster R-CNN、SSD和YOLO,并且具有接近SSD和YOLO的检测速度.     

无人机视角下的目标检测研究进展

在人工智能技术的支持下,无人机初步获得智能感知能力,在实际应用中展现出高效灵活的数据收集能力。无人机视角下的目标检测作为关键核心技术,在诸多领域中发挥着不可替代的作用,具有重要的研究意义。为了进一步展现无人机视角下的目标检测研究进展,本文对无人机视角下的目标检测算法进行了全面总结,并对已有算法进行了归类、分析和比较。1）介绍无人机视角下的目标检测概念,并总结无人机视角下目标检测所面临的目标尺度、空间分布、样本数量、类别语义以及优化目标等5大不均衡挑战。在介绍现有研究方法的基础上,特别整理并介绍了无人机视角下目标检测算法在交通监控、电力巡检、作物分析和灾害救援等实际场景中的应用。2）重点阐述从数据增强策略、多尺度特征融合、区域聚焦策略、多任务学习以及模型轻量化等方面提升无人机视角下目标检测性能的方法,总结这些方法的优缺点并分析了其与现存挑战之间的关联性。3）全面介绍基于无人机视角的目标检测数据集,并呈现已有算法在两个较常用公共数据集上的性能评估。4）对无人机视角下目标检测技术的未来发展方向进行了展望。