改进YOLOv5的无人机影像道路目标检测算法（英文）

针对无人机影像中道路小目标漏检和目标之间遮挡导致的目标检测精度低、鲁棒性差等问题,提出一种多尺度融合卷积注意力模块（Convolutional block attention module, CBAM）的YOLOv5道路目标检测算法,即YOLOv5s-FCC。首先,引入小目标感知层对模型进行多尺度改进,增加一个针对小目标的YOLO检测头以提高网络对道路中小目标的特征提取能力。其次,利用CBAM融合空间和通道信息以增强网络中的重要信息,通过将CBAM引入Backbone主干网络不同位置,以获得CBAM最佳融合位置。最后,采用CIo U作为损失函数,以提高边界框预测所需的计算速度和精度。在自建的无人机道路目标数据集上进行训练,结果表明,相较YOLOv5算法,YOLOv5-FCC算法可将mAP50和mAP50-95分别提高2.0%和4.2%。在VisDrone数据集上也验证了YOLOv5-FCC算法的有效性,并建立了基于无人机的道路目标检测系统,实现道路目标的自动检测。     

基于改进YOLOv5的人脸检测算法

随着计算机视觉行业的不断发展,基于卷积神经网络的目标检测算法也受到了研究人员的重视。针对传统的YOLOv5目标检测算法中的边界框回归损失函数GIOU存在当检测框与真实框呈包含的状态时会退化到传统IOU损失函数,以及当检测框和真实框相交时在垂直和水平两个方向上存在收敛速度慢的问题,提出一种改进的YOLOv5目标检测算法。在传统YOLOv5的基准网络中添加注意力机制,然后在边界框回归损失函数中引入真实框与预测框中心的欧式距离计算预测损失,并分别计算预测框与真实框之间的纵横比作为惩罚项以达到提高回归精度以及加快收敛速度的目的,最后将改进后的YOLOv5目标检测模型应用于人脸检测进行验证。实验利用wideface人脸数据集训练,训练结果表明改进的YOLOv5目标检测算法训练中的损失只有0.013,较传统的YOLOv5目标检测算法损失减少约13.33%,准确率达到82.28%,较传统的YOLOv5目标检测算法提高2.6%。实验表明该目标检测算法能很好的应用于人脸检测中。     

基于改进YOLOv5s的铝材表面缺陷检测方法

针对目前铝材表面缺陷检测算法在实际工程应用中检测精度低以及不够轻量化难以部署等问题,文章提出一种基于改进YOLOv5s的铝材表面缺陷检测方法。该算法以经典YOLOv5s模型为基础,将ShufflenNetV2-Block算法融合到主干网络backbone中,降低模型的计算复杂性;然后添加SE注意力机制,使注意力集中于缺陷相关区域,更好地区分类别之间的差异,提高分类性能和检测效率;最后优化损失函数,采用SIoU(S-intersection over union)替代CIoU,提升网络定位精度。结果表明：针孔类和斑点类缺陷检测精度比原版YOLOv5分别提升了8.3%和8.4%,mAP值提高了6.4%,提高了缺陷检测精度且降低了模型的大小和所占内存,更加便于移动端部署,有效改善了制造过程中漏检问题。     

基于YOLOv5s的晶粒检测算法

为解决传统晶粒定位容易受到光线、噪声等因素影响,耗费大量资源等问题,构建晶粒检测算法YOLOv5s-wafer。首先建立晶粒检测数据集,使用轻量级网络GhostNetv2作为主干特征提取网络,降低模型参数量;其次在特征融合网络中引入CA(coordinate attention, CA)注意力机制,加强特征提取能力;最后采用EIOU作为定位损失函数,提高晶粒检测精度。实验结果表明：算法的平均精度均值为99.3%,参数量为4.637×10⁶,检测性能和算法轻量化达到了理想平衡。     

基于改进YOLOv5算法的密集遮挡零件检测

针对零件在密集遮挡等复杂场景下存在视觉识别难度大、检测精度低和实时性差的问题,提出YOLOv5零件目标检测的改进算法。在YOLOv5的主干网络中添加卷积注意力机制模块,进而增强算法对零件的特征提取能力;将抑制准则改为考虑真实框与预测框重叠区域且同时计算两个框之间中心点距离的DIoU-NMS,并以此作为后处理方法,进而提高零件检测精度。试验结果表明,相比原始YOLOv5算法,本改进算法将mAP@0.5提升1.6%,识别速度达58.8帧/s,可以更好地完成检测密集遮挡零件的任务,同时保证了实时性。     

基于改进YOLOv5的PCB板表面缺陷检测北大核心CSCD

针对当前PCB板检测参数量庞大、检测精度低等问题,提出了一种改进YOLOv5的检测模型。以YOLOv5模型为框架,采用EfficientNetV2结构替换原始模型的主干网络,针对小目标缺陷,引入对空间信息更敏感的CA注意力机制,并采用α-IoU损失函数提高模型回归精度。实验结果表明:改进后的YOLOv5网络模型较原始网络均值平均精度提高了2.6%,参数量减少47%,可应用在小型工业检测设备中。     

基于模型压缩的 ED-YOLO 电力巡检 无人机避障目标检测算法

针对现有卷积神经网络模型体积大、运算量高,导致电力巡检无人机检测速率与精度无法兼顾的问题,提出一种基于模型压缩的ED-YOLO网络实现无人机避障的目标检测算法。该目标检测算法以YOLOv4为基础,首先在主干网络中加入通道注意力机制,在不增加计算量前提下提高检测精度;其次在特征金字塔部分运用深度可分离卷积替换传统卷积,减少卷积计算量;最后利用模型压缩策略裁剪网络中冗余通道,减小模型体积并提高模型检测速度。在自主构建的9 600张电力巡检无人机飞行障碍的数据集进行测试,ED-YOLO与YOLOv4相比,其障碍物目标检测的平均精度均值只降低了1.4%,而模型体积减少了94.9%,浮点运算量减少了82.1%,预测速度提升了2.3倍。实验结果表明,对比多种其他现存方法,本文提出的基于模型压缩的ED-YOLO目标检测算法有着精度高、体积小和检测速度快的优势,满足电力巡检无机避障检测要求。     

基于GM-APD激光雷达数据融合的小目标检测

GM-APD激光雷达具有单光子探测灵敏度,大幅降低了系统体积和功耗,但受像元数限制,难以获得远距离小目标清晰轮廓,目标检测率不高。针对该问题,提出了基于强度像和距离像多级处理的小目标深度学习检测算法,充分挖掘强度图像和点云特征信息及相互关联性,提高小目标检测概率。通过改进特征金字塔网络,将感受野模块和注意力机制模块与特征提取网络相结合,增强强度像初筛目标准确性,在候选区域内将强度像与距离像融合成带有强度信息的四维点云。然后,使用动态图卷积网络对候选区内目标进行二次检测,利用点云信息进一步筛选候选框内的目标。经GM-APD激光雷达远距离车辆数据集测试,网络的检测准确率达到98.8%,对于车辆结构不完整,车辆回波弱,背景存在强反射光斑等复杂场景有很好的鲁棒性。相较于SSD,YOLOv5等较为先进的目标检测网络,检测准确率分别提升了3.1%与2.5%,该算法为激光雷达弱小目标检测识别提供了一种可行性解决方案。     

基于Faster R-CNN的无人机航拍图像小目标检测

为了解决复杂图像背景下无人机航拍图像小目标检测问题,提出了一种基于Faster R-CNN的多尺度小目标检测方法。以高压塔上的鸟巢为检测对象,首先通过改进卷积神经网络ResNet101对目标进行特征提取,然后采用多尺度滑动窗口方式在不同分辨率卷积特征图上获取目标初始建议区域,最后在选取的分辨率较高的卷积特征图上增加一个反卷积操作进一步对特征图的分辨率进行提升,并作为建议窗口的特征映射层传入目标检测子网络中。通过对无人机实际航拍图像中鸟巢的检测结果表明,所提出的算法可以实现对航拍图像中小目标的精确检测。     

基于改进YOLOv4的航空发动机损伤检测方法

针对现有目标检测模型参数量大、检测速度慢,难以适应航空发动机孔探检测轻量化应用需求的问题,提出了基于YOLOv4目标检测算法的轻量化航空发动机损伤检测模型。设计了基于深度可分离卷积的轻量化特征融合结构,在YOLOv4的颈部结构(Neck)中,将普通卷积重构为逐通道卷积和逐点卷积的形式,有效减少了网络中的冗余参数;为进一步降低模型参数量,使用MobileNetv3作为特征提取网络。在减少参数量的同时,2种轻量化改进方法有效提高了模型的检测速度;在轻量化后的路径聚合网络(Path Aggregation Network, PANet)中加入卷积注意力模块(Convolutional Block Attention Module, CBAM),通过仅引入少量的参数来提高轻量化网络的损伤检测精度。实验结果表明,改进YOLOv4算法的平均精度均值(mean Average Precision, mAP)为89.82%,模型大小为73.29 MB,检测速度为37.3 FPS。与YOLOv4目标检测算法相比,改进YOLOv4算法以3.55%的mAP损失,使模型参数量降低了约2/3,检测速度提高了1....     

改进YOLOv5的矿用输送带损伤检测方法

文中针对目前输送带损伤检测大多是输送带撕裂且缺乏其他损伤类型研究的问题,提出一种改进YOLOv5的矿用输送带损伤检测方法。将SPD-Conv模块替换Conv模块中的卷积层,提升小目标的检测效果;在骨干特征网络与最后预测网络之前引入CBAM注意力机制,对重要的特征通道进行强化;最后,在YOLOv5的基础上引入高斯滤波器消除噪声干扰,提升算法目标检测效率。试验结果表明：改进后的YOLOv5目标检测网络在对输送带的撕裂、击穿、表面划伤、破损4种损伤类型的检测平均精度均值达92.3%,相较于YOLOv5算法提高了35.1%,检测速度达90帧/s,提高了20%,实现了对矿用输送带损伤的快速识别。     

基于改进YOLOv8的交通标志检测算法

目前交通标志检测在自动驾驶和辅助驾驶等智能驾驶中扮演着重要的角色,其性能的好坏影响着车辆行驶的安全。针对交通标志图像背景复杂和检测目标小等问题,提出了一种基于改进YOLOv8的交通标志检测算法。首先使用全局注意力模块,通过引入空间注意力和通道注意力机制,对输入特征图进行全局关注,有效捕捉输入特征图的全局上下文信息,对特征图在通道和空间维度上进行加权,使模型能够更加关注图像中的交通标志,避免干扰信息的影响,提高网络检测精度;其次引入幻影卷积替换原网络中的普通卷积,减小网络模型体积的同时提高模型的检测速度;最后增加一个小目标检测层,保留特征图更多浅层细节信息,提高网络对小尺寸交通标志的检测能力。实验结果表明,改进后的算法在精确率、召回率和平均精确率上相比于原算法分别提升2.6%、1.1%和1.5%,检测速度满足实时性要求。     

基于机器视觉的多旋翼无人机追踪方法研究

为了解决现阶段视频中物体检测方法对目标较小的多旋翼无人机识别能力差、检测不准确等问题,提出一种基于神经网络多层级特征识别及跟踪无人机的方法.该方法包含前向跨阶段连接和反向特征构建两部分:前向跨阶段连接将神经网络每一阶段的输出层输入到其余阶段的输入层,反向特征构建部分是把上采样得到特征图与前向传播得到的特征图进行相加进而...     

基于改进YOLOv3的前车检测算法的研究

近年来,计算机的算力越来越高,高性能辅助驾驶系统层出不穷。辅助驾驶主要包含感知、决策、控制三个部分。感知系统是整个辅助驾驶系统的“窗户”,因此感知的好坏直接影响到辅助驾驶的性能。在目标检测领域,深度学习得到越来越广泛的应用。深度学习的诞生伴随着更优化的算法、更高性能的计算能力、更大数据集的时代背景,以后的应用会深入到方方面面。本文基于YOLOv3算法,对算法的网络主体以及检测部分做改进和调优,引入SE注意力机制和DropBlock以获得对前车目标更高的检测精度。     

基于度量元学习的铁路小样本入侵目标检测方法

异物入限是导致铁路安全事故频发的主要原因之一,传统深度学习需要大量训练样本进行网络训练,但铁路场景中入侵样本很少且难于获取。本文提出了基于改进度量元学习的铁路小样本异物入侵检测方法。为了让入侵目标的特征表征在分类时发挥更大作用,提出了基于通道注意力机制的特征提取网络;为解决样本数量不足时个别样本在特征空间中产生偏离的问题,提出了一种基于类中心微调的网络用于类别中心的修正;同时,基于center loss与交叉熵构建了中心相关损失函数用于小样本网络训练,提升特征空间中同类别特征分布的紧凑性。在公共数据集miniImageNet上与经典小样本学习模型中最优的相比,本文算法在5-way 5-shot设置下图像分类准确率提升了7.31%。在铁路入侵小样本数据集的5-way 5-shot消融实验表明：本文提出的通道注意力机制（Channel Attention Mechanism,CAM）和中心相关损失函数分别提升0.86%和1.91%的检测精度;提出的类中心微调和预训练方法对检测精度的提升效果更明显,分别达到3.05%和6.70%,上述模块综合应用的提升效果达到了7.90%。     

基于目标图像组合算法的改进YOLOv5模型

针对YOLOv5目标检测模型训练时间长、检测精度偏低问题,提出一种目标图像组合算法,考虑必要的图像背景及图像覆盖对目标图像进行分割,设计减少图像失真的重组策略提高单张训练集图像内目标个数,降低模型训练时长。改进先验框生成策略,以绝对差值作为距离函数,对训练集目标边框的长和宽分别进行一维K-means聚类,提高先验框对训练集的适应度。提出多层并列卷积结构,对输入特征经过三层并列卷积后的输出进行融合,增强特征表征能力。以VOC2007和VOC2012训练集和验证集作为训练图像,采用目标图像组合算法,模型训练时间减少30%以上,改进先验框生成策略使先验框对训练集的适应度达到0.735。在VOC2007测试数据集上测试,改进YOLOv5模型平均准确率均值（mAP）由79.1%提升至80.3%。     

无人机激光雷达遥感图像显著性目标检测方法

遥感图像目标远程检测通常采用单一模态特征提取方法,显著性目标特征信息提取不全面,会导致显著性目标检测效果较差,为此提出无人机激光雷达遥感图像显著性目标检测方法。在VGG16网络的支持下,结合级联运算与ReLu激活函数提取激光雷达遥感图像的多模态特征,以对显著性目标的特征进行全面描述。根据多模态特征提取结果,利用多分支组融合与单组融合找出不同等级间相的关性,通过Conv+ReLu层完成各等级特征融合。根据特征重要程度赋予特定的权重值,采用空间竞争函数,将各层加权和进行叠加,生成显著性目标图,实现无人机激光遥感图像显著性目标检测。实验结果表明,所提出检测方法的显著性目标检测精度高,且检测时间开销小,最长时间开销在14 s左右。     

基于融合多维非对称策略的螺纹缺陷检测方法

目前机械零件螺纹的缺陷检测主要依赖人工目视检测,存在速度慢、误差大等问题,为此,基于融合多维非对称策略提出一种计算机视觉螺纹缺陷检测方法。首先,在YOLOv7目标检测算法的网络结构部分新增一层160×160的特征提取层,增加模型的目标检测尺度;设计LAM+DBAM注意力模块,引入标准差权重影响因子,从而构建新的权值计算公式,将发挥重要程度不同的特征提取层进行非对称融合,提升网络对小目标的特征提取能力。其次,采用TIoU损失函数,将预测框和标签框进行区分,非对称地处理输入的2个边界框,提升前景信息在网络特征提取过程中发挥的作用。最后,对模型的BN层进行稀疏化训练,通过缩放因子γ判断卷积核的重要程度,对非重要卷积核进行剪枝,消除模型的冗余参数,提升检测速度。试验结果表明,提出的基于融合多维非对称策略的螺纹缺陷检测方法的精度均值达到93.72%,检测速度达到53 f/s。     

基于YOLOv5的岸边集装箱桥式起重机钢丝绳损伤检测方法

针对岸边集装箱桥式起重机钢丝绳传统监测方式存在着故障识别率低的问题,提出了一种基于改进YOLOv5的岸边集装箱桥式起重机钢丝绳损伤检测方法。首先,在骨干特征提取网络部分引入注意力机制CBAM,对重要的特征通道进行强化;其次,选用损失函数EIOU对训练模型进行优化;最后替换原YOLOv5算法使用的加权NMS算法,提高边框的位置精度。实验结果表明,改进后的YOLOv5目标检测网络在钢丝绳损伤数据集上对断丝、磨损、畸变3种损伤类型的平均精度均值达90.3%,比原始的YOLOv5算法提高了3%,检测效果更优,实现了对钢丝绳更快速的识别,为今后开发岸边集装箱桥式起重机钢丝绳在线监测系统提供了一定的理论基础。     

改进YOLOv5s的纱管目标检测方法

为解决传统纱管分类方法效率低下、误差较高的问题,提出一种基于改进YOLOv5s算法的纱管目标识别方法。该算法融合了坐标注意力模块(CA)和Transformer模块,提出了新的SPP模块(SPP+)替换传统的SPP模块,使用加权双向特征金字塔网络(BiFPN)思想增强特征融合,并使用WIoU损失函数替代原有的损失函数。为验证改进算法性能,制作了一套纱管数据集,并基于改进YOLOv5s算法进行了纱管检测实验。实验结果表明改进的算法具有更好的识别效果。