基于改进YOLOv4的电力设备红外图像识别

针对电力设备红外图像存在的图像视觉效果差、尺度差异性大、数据类别不平衡等问题,提出了一种基于改进YOLOv4的目标检测模型。利用该模型并结合MSRCR图像增强算法对电力设备红外图像进行识别。首先,构建电力设备红外图像目标检测数据集,使用MSRCR算法对原始红外图像进行增强处理,改善雨雾天气下红外图像存在的对比度低、像素模糊等问题,进而提高模型在雨雾天气下对电力设备的检测能力;其次,在YOLOv4骨干网络中引入多尺度卷积模块,通过不同大小的卷积核获取输入图像的多尺度特征,增强对初始特征的表征能力;为进一步提升检测精度,采用Focal loss函数,解决了红外图像数据不均衡导致的分类困难问题。经测试,所提方法对8类电力设备的平均识别精度达96.31%,检测速度达71 frame/s。实验结果验证了所提方法的有效性。     

基于改进YOLOv3的避雷器红外图像故障检测方法

针对现有的金属氧化物避雷器（Metal Oxide Arrester,MOA）红外图像故障检测方法存在识别精度低、检测速度较慢的问题，提出一种基于改进YOLOv3的MOA红外图像故障检测方法。首先，以Darknet19网络代替YOLOv3原始的Darknet53网络，并在特征学习时针对样本中不同MOA长宽比例，通过K-means聚类算法对MOA图像中的目标帧进行分析，重新聚类样本中心锚点框，得到合适的锚框数目和大小。最后，利用改进YOLOv3模型完成MOA红外图像故障检测。实验结果表明，改进的YOLOv3模型识别精度达到96.3%，识别速度为6.75 ms。     

基于改进YOLOv3的避雷器红外图像故障检测方法

针对现有的金属氧化物避雷器（Metal Oxide Arrester,MOA）红外图像故障检测方法存在识别精度低、检测速度较慢的问题,提出一种基于改进YOLOv3的MOA红外图像故障检测方法。首先,以Darknet19网络代替YOLOv3原始的Darknet53网络,并在特征学习时针对样本中不同MOA长宽比例,通过K-means聚类算法对MOA图像中的目标帧进行分析,重新聚类样本中心锚点框,得到合适的锚框数目和大小。最后,利用改进YOLOv3模型完成MOA红外图像故障检测。实验结果表明,改进的YOLOv3模型识别精度达到96.3%,识别速度为6.75 ms。     

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。     

基于深度学习的红外舰船目标识别

本文采用深度学习技术中的YOLOv3(You Only Look Once Version 3)目标识别算法对红外成像仪从海面采集的红外图像中舰船进行识别。红外成像仪采集图像的频率高达50帧/s,为了能减少网络计算时间,本文借鉴YOLOv3的一些思想,采用全卷积结构和LeakReLU激活函数重新设计一个轻量化的基础网络,以此加快检测速度。输出层根据采集回来的红外图像的特点采用Softmax算法回归,在提高检测速度的同时,也兼顾了检测精度。     

基于国产平台的轻量化遥感图像目标检测方法

针对遥感图像目标检测模型在国产平台上训练算力支撑不足以及推理性能不高等问题,文章提出一种轻量化的遥感图像目标检测方法,以轻量级深度学习网络YOLOv5s为基础对其进行改进,通过在Backbone骨干网络中添加轻量级注意力模块CBAM以提升模型的检测精度,并结合国产AI卡特点完成算子适配和模型转换,最终将转换后的模型部署在国产智能终端上。实验以遥感图像飞机目标作为检测对象,结果表明,文章提出的目标检测模型AP值为96.9%,在智能终端中的检测速度为48.5FPS,能够满足端侧部署的实时性要求。     

改进YOLOv5的红外船舶目标检测算法

针对传统算法依赖于对红外船舶目标与环境背景的精确分离和信息提取,难以满足复杂背景和噪声等干扰环境下的船舶目标检测需求,提出一种基于改进YOLOv5的红外船舶目标检测算法。在YOLOv5网络中添加Reasoning层,以一种新的提取图像区域间语义关系来预测边界框和类概率的体系结构,提高模型的检测精度,同时对YOLOv5目标检测网络的损失函数进行改进,从而达到进一步提高模型准确率的目的。验证结果表明,改进后的YOLOv5算法训练出来的模型,检测精确率和速度与实验列出的几种目标检测算法相比均有明显提升,其中平均精度均值(mAP)可达94.65%。该模型经过验证,既能满足检测的实时性要求,又能保证高精度。     

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。     

基于改进YOLOv4的混凝土裂缝检测方法

为了解决深度学习目标检测模型在混凝土裂缝应用上检测精度低、检测速度慢等问题,提出一种基于改进YOLOv4的混凝土裂缝检测方法。首先将YOLOv4的主干特征提取网络替换为轻量级网络Mobilenetv1,并且将YOLOv4加强特征提取网络中的普通标准卷积修改为深度可分离卷积;其次在PANet模块部分添加轻量级注意力模块CBAM(Convolutional Block Attention Module),在控制参数量的基础上提高裂缝目标检测的精度;最后用模拟人类视觉的RFB-s模块代替YOLOv4中的空间金字塔池化模块(Spatial Pyramid Pooling, SPP),扩大感受野,提高检测精度。实验结果表明,与传统YOLOv4相比,本模型的mAP增加三个百分点,参数量减少至14 M,检测速度可达42帧每秒。     

基于改进YOLOv3-tiny的轻量级车辆检测网络

针对现有的车辆检测网络模型大、不易部署的问题,提出一种基于改进YOLOv3-tiny的轻量级车辆检测网络.改进YOLOv3-tiny的特征提取网络,提高车辆检测的速度和准确性,将空间金字塔池化(Spatial Pyramid Pooling,SPP)融合到网络中,进行特征的拼接,提高网络的学习能力,利用距离交并比(Distance Intersection over Union,DIoU)损失函数来提高网络的性能.实验结果表明,所提出的轻量级网络与YOLOv3-tiny网络相比,模型缩小了0.1 Mb,检测精度提高了5.64％,检测速度满足车辆实时检测的需求.     

针对多尺度目标的轻量级红外目标检测算法

针对现有基于深度学习的红外目标检测算法参数量大、复杂度较高、对多尺度目标检测性能较差等问题，提出了一种针对多尺度目标的轻量级红外目标检测算法。算法以YOLOv3为基础，采用MobileNet V2轻量级骨干网络、设计改进的简化空间金字塔结构（simSPP）、Anchor Free机制、解耦头和简化正负样本分配策略（Sim OTA）分别对Backbone、Neck和Head进行优化，最终得到模型大小为6.25 M，浮点运算量2.14 GFLOPs的LMD-YOLOv3轻量级检测算法。在构建的MTS-UAV数据集上m AP达到90.5%，在RTX2080Ti显卡上FPS达到99，与YOLOv3相比m AP提升了2.60%，模型大小为YOLOv3的1/10。     

基于改进YOLOv3的葡萄叶部病虫害检测方法

为了满足果园植保设备对于病害检测模型实时性、识别精度和轻量化的需求,提出了一种基于改进YOLOv3模型的葡萄叶部病害检测模型YOLO-SL.首先,引入轻量级网络ShuffleNetv2的组成模块优化YOLOv3原有的特征提取网络,以降低网络模型参数,然后在优化后的特征提取网络中融合了CBAM注意力机制,并在YOLOv3网络模型的特征金字塔结构中增加了一层小目标特征检测层,以提升检测模型识别精度.最后,在经过数据增强的数据集上进行了不同检测模型的对比试验,试验结果表明YOLO-SL模型平均检测精度可达90.4%,平均检测时间降低到32.2 ms,权重大小降低为原YOLOv3模型的18.3%,可以为葡萄叶部病害检测技术在实际工作环境中的应用提供参考.     

红外热成像中低分辨率行人小目标检测方法

红外热成像图像的目标检测中,针对低分辨率小目标检测效果差、复杂尺度目标检测率低等问题,提出一种基于改进YOLOv5的红外低分辨率目标检测算法。选用LLVIP红外数据集,通过引入不同注意力机制来对比检测效果。选用效果最佳的注意力机制,改进目标检测网络的损失函数提高对小目标的检测率。利用TiX650热成像仪采集小目标图像样本对原数据集进行优化采样和增广,分别使用改进前后的YOLOv5网络进行训练。从模型训练结果和目标检测结果评估模型的性能提升,实验结果表明:相较于原始训练模型,改进后YOLOv5的训练模型,在红外成像的同一场景中对低分辨率小目标的检测精度上有明显提升,且漏检率低。     

基于注意力机制改进的轻量级目标检测算法

针对通用的目标检测算法在检测生活场景下的多类目标时检测精度低、速度较慢的问题，提出了一种基于注意力机制改进的轻量级目标检测算法YOLOv4s。该算法以CSPDarknet53-s作为主干特征提取网络提取图像特征，通过注意力模块进行特征选择，再利用特征金字塔网络对特征进行融合，最后通过检测头分别处理特征融合后的两个输出，进而提高对生活场景下多类目标检测的能力。实验结果表明：相比改进前的算法，YOLOv4s算法在PASCAL VOC数据集上的平均均值精度（mAP）及MS COCO数据集上的平均精度（AP）都有一定程度的提升；相较于轻量级算法Efficientdet,YOLOv4s算法在MS COCO数据集上的AP也有一定提高，并且实现了有效的显著目标检测。     

基于并行注意力机制的地面红外目标检测方法（特邀）

地面背景下的红外目标检测是伪装防护、精确制导等领域的关键技术。针对现有基于深度学习的目标检测模型对地面背景下红外目标进行检测时容易受到复杂背景干扰、对目标关注不足,从而导致检测准确率不高的问题,文中提出了一种基于并行注意力机制的地面红外目标检测方法。首先,利用卷积和注意力并行的下采样方式,在降低模型的空间复杂度和提升训练速度的同时,对目标特征进行聚焦和关注;其次,对主干网络提取的多尺度特征进行融合,通过不同尺度信息的复用与互补抑制背景信息的干扰,提升目标检测的准确率;最后,利用焦点损失函数和CIOU损失函数提高模型的分类与回归精度。实验结果表明,在Infrared-VOC数据集上该模型的平均检测精度为82.2%,比YOLOv3提高了6.9%,同时模型的空间复杂度仅为YOLOv3的32.6%,训练时间为YOLOv3的43.7%,实现了模型训练效率和检测精度的提升。     

基于DCS-YOLOv8模型的红外图像目标检测方法

针对低信噪比与复杂任务场景下,YOLOv8模型对红外遮挡目标和弱小目标检测能力不足的问题,提出了改进的DCS-YOLOv8模型（DCN＿C2f-CA-SIoU-YOLOv8）的目标检测方法。以YOLOv8框架为基础,主干网络构建了基于可变形卷积的轻量级DCN＿C2f(Deformable Convolution Network)模块,自适应调整网络的视觉感受野,提高目标多尺度特征表示能力。特征融合网络引入基于坐标注意力机制CA(Coordinate Attention)的模块,通过捕捉多目标空间位置依赖关系,提高目标的定位准确性。改进基于SIoU(Scylla IoU)的位置回归损失函数,实现预测框与真实框之间的相对位移方向匹配,加快模型收敛速度并提升检测与定位精度。实验结果表明,相较于YOLOv8-nsmlx系列模型,DCS-YOLOv8在FLIR、OTCBVS与VEDAI测试集上平均精度均值m AP@0.5平均提高了6.8%、0.6%、4.0%,分别达到86.5%、99.0%与75.6%。同时,模型的推理速度满足红外目标检测任务的实时性要求。     

使用Lp归一化权重的红外目标检测网络压缩

针对红外图像相比于RGB图像纹理较少的特性,提出一种使用Lp归一化权重的红外目标检测网络压缩方法,旨在改进基于卷积神经网络的目标检测方法对红外图像场景的适应性,在压缩网络规模的同时提升其泛化能力。首先阐述了Lp归一化权重的稀疏性可以通过调节p进行精确控制这一现象。基于该现象,提出了一种目标检测网络稀疏化训练方法。该方法分别使用Lp球面梯度下降与经典梯度下降训练主干网络和检测器,以平衡网络规模与拟合精度。仿真红外数据集测试结果表明,其在网络规模和目标检测精度方面均优于稠密模型:在网络规模上,稀疏化方法将Faster R-CNN、(Single Shot multibox Detector,SSD)与YOLOv3的有效参数分别减少了52%、78%和66%;在检测精度上,稀疏化方法将Faster R-CNN、SSD和YOLOv3的(mean Average Precision, mAP)分别提高了0.1%、0.3%和0.2%,验证了所提出方法的有效性。     

改进YOLOv5s的道路目标检测算法

针对目前主流的目标检测算法存在模型参数过大、不能很好地移植到移动设备端之中应用于辅助驾驶这一问题，本文提出了一种改进YOLOv5s的目标检测算法。首先，将YOLOv5s算法的主干网络CSPDarknet替换为轻量化网络模型MobileNet-V3，解决了网络模型较大、参数较多的问题，减少了网络的深度并提升了数据推断速度；其次，对特征提取网络采用加权双向特征金字塔结构Bi-FPN加强特征提取，融合多尺度特征进而扩大感受野；最后，对损失函数进行优化，使用CIoU为边界框回归损失函数，改善模型原始GIoU收敛速度较慢问题，使预测框更加符合于真实框，同时降低网络训练难度。实验结果表明，改进后算法在KITTI数据集上的mAP相较于YOLOv5s、SSD、YOLOv3、YOLOv4＿tiny分别提升了4.4、15.7、12.4、19.6，模型大小相较于YOLOv5s与轻量级网络YOLOv4＿tiny分别减少了32.4 MB和21 MB，同时检测速度分别提升了17.6%与43%。本文改进后的算法满足模型小、精确度高的要求，为辅助驾驶中道路目标检测提升检测速度与精度提供了一种解决方案。     

基于通道注意力机制与金字塔池化的包裹破损检测算法

为了解决自然场景包裹破损检测中由于目标形态与尺度多样、模型耗时过长造成的检测难题,设计了一种基于通道注意力机制与快速空间金字塔池化(Space Pyramid Pool-Fast, SPPF)的轻量级包裹破损检测算法。在YOLOv5s的基础上,使用改进的ShuffleNetV2网络模型对其主干结构进行轻量级优化,降低模型计算量,提高检测速度;在模型的主干网络部分引入通道注意力机制——Squeeze Excitation(SE),减少了卷积神经网络对图像相关特征的重复提取,提高信息的表征能力;利用SPPF有效避免了对图像区域裁剪、缩放操作导致的图像失真,有效减少误检与漏检。在数据集上的测试结果表明,该方法对包裹图像的检测速度达到了68.5帧/秒,模型计算量仅为2.5 GFLOPs,与YOLOv5s相比,检测速度提升了105.7%,模型计算量下降了84.2%,利于边缘计算设备部署。     

基于改进YOLOv5的复杂背景红外弱小目标检测算法

针对传统算法依赖于对红外目标与环境背景的精确分离和信息提取,难以满足复杂背景和噪声等干扰因素下的检测需求。论文提出一种基于改进YOLOv5（You Only Look Once）的复杂背景红外弱小目标检测算法。该算法在YOLOv5基础上,添加注意力机制提高算法的特征提取能力和检测效率,同时改进原YOLOv5目标检测网络的损失函数和预测框的筛选方式提高算法对红外弱小目标检测的准确率。实验选取了来自不同复杂背景的7组红外弱小目标数据集,将这些图像数据集进行标注并训练,得到红外弱小目标检测模型,然后从模型训练结果和目标检测结果的角度评估算法和模型的正确性。实验结果表明:改进的YOLOv5算法训练出来的模型,检测准确性和检测速度对比实验列出的几种目标检测算法均有明显的提升,平均精度均值（mean Average Precision,mAP）可达99.6%以上,在不同复杂背景下均可有效检测出红外弱小目标,且漏警率、虚警率低。