融合场景上下文的轻量级目标检测网络

提出了一种融合场景上下文的轻量级目标检测网络,有效地解决了现有检测算法在无人机领域应用效果较差的问题.在该网络的设计中,首先用MobileNetV3替换YOLOv3的主干网络,并通过1×1卷积层提取场景信息.同时,构建场景上下文模块以筛选物体的细粒度特征.再采用完全交并比(CIOU)损失对损失函数中的边界框位置误差项进行优化.最后,在新建无人机航拍数据集上对所提算法进行训练与测试.实验结果表明,相较于YOLOv3算法,所提算法的平均检测精度提高了8.4个百分点,检测速度提高了5.8 frame/s.     

基于YOLOv5算法对斑马鱼幼鱼的检测研究

斑马鱼幼鱼行为学分析常常是药物学研究与基因操作的直观表现,在封闭、复杂环境下对幼鱼进行检测是研究其功能特性的基本步骤。由于幼鱼属于小目标,本文通过去掉YOLOv5网络中的大尺度预测层和大、中尺度预测层,得到了YOLOv5m-sm模型以及YOLOv5m-s模型;由于没有公开的幼鱼数据集,本文使用DarkLabel标注软件将幼鱼头部作为特征标记,得到的Zebradata数据集,并按4:1的比例分为训练集与验证集,分别用来训练及验证模型;为了测试算法对幼鱼的检测能力,使用160张含有23条幼鱼的测试集对YOLOv3m、YOLOv5s、 YOLOv5m-s、YOLOv5m-sm和YOLOv5m模型进行识别实验。实验结果表明,YOLOv5m-s算法具有较高的识别准确度,满足幼鱼目标检测要求。     

基于YOLOv5的UAV夜间目标检测技术研究

针对无人机(UAV)夜间目标检测技术准确率较低的问题,对现有夜间目标检测方法和YOLOv5算法进行简要介绍,提出了基于YOLOv5算法的夜间目标检测技术。通过在原YOLOv5网络中加入改进的Retinex算法对原网络进行动态增强,在模型训练过程中,将Focus层替换成CBS层,改善模型训练效果,并利用改进算法对UAV夜间目标检测性能进行仿真。结果表明,改进的YOLOv5算法在查准率和查全率方面分别比原YOLOv5算法提高了11.22%和5.32%,有效提升了UAV夜间目标检测能力。     

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。     

递归特征融合与并行缩放的航拍工程车辆检测

针对无人机航拍输电走廊图像中背景复杂多变、目标偏小且尺度变化大导致检测精度差的问题,本文提出基于RetinaNet递归特征融合与并行缩放的工程车辆检测方法.该方法更适合检测复杂背景中的工程车辆：首先,增添C2层为基础层,与原始骨干网输出层共同用于生成特征金字塔,避免小目标特征被高度压缩;其次,调整原始特征金字塔层次结构,将具有反馈连接的递归结构用于特征提取增强表征能力,设计新颖轻巧的特征融合策略重构特征金字塔,充分利用上下文信息,提高对复杂背景中目标的检测能力;最后,在骨干网C5层的基础上使用多个反卷积块和平均池化层构造并行输出的特征缩放分支,进一步增加特征图的分辨率,提高对小目标的检测精度.在本文构造的工程车辆APEV数据集和公开的PASCAL VOC数据集上分别进行对比实验,结果表明,所提方法的检测速度在满足工程应用需求的前提下,检测精度比原始RetinaNet网络分别提升4.9%和2.7%,与Faster R-CNN、SSD、YOLOv3、YOLOv5、LSN、S-RetinaNet等方法相比精度更高.     

复杂背景下基于YOLOv7-tiny的图像目标检测算法

“黑飞”无人机一旦带有炸弹等物品,会对人们带来威胁。对在公园、游乐场、学校等复杂背景下“黑飞”的无人机进行目标检测是十分必要的。前沿算法YOLOv7-tiny属于轻量级网络,具有更小的网络结构和参数,更适合检测小目标,但在识别小目标无人机时出现特征提取能力弱、回归损失大、检测精度低的问题;针对此问题,提出了一种基于YOLOv7-tiny改进的无人机图像目标检测算法YOLOv7-drone。首先,建立无人机图像数据集;其次,设计一种新的注意力机制模块SMSE嵌入到特征提取网络中,增强对复杂背景下无人机目标的关注度;然后,在主干网络中融入RFB结构,扩大特征层的感受野,丰富特征信息以增强特征提取的鲁棒性;然后,改进网络中的特征融合机制,通过新增小目标检测层,增加对小尺度目标的检测精度;然后,改变损失函数提高模型的收敛速度,减少损失以增强模型的鲁棒性;最后,引入可变形卷积(Deformable convolution, DCN),更好的根据目标本身形状进行特征提取,提升了检测精度。在PASCAL VOC公共数据集上进行对比实验,结果表明改进后的算法YOLO7-drone相比于YOLOv7-t...     

基于改进YOLOv4-Tiny模型的红外弱小目标检测

针对复杂环境下红外弱小目标检测查准率与查全率低的问题，采用改进的YOLOv4-Tiny模型提出一种新的红外弱小目标检测方法。以轻量化的目标检测神经网络YOLOv4-Tiny模型为基础，该模型在训练难度与检测性能2方面取得了较好的权衡。对YOLOv4-Tiny模型的特征提取部分进行了修改，通过增加卷积层数与卷积核尺寸来增加红外图像特征提取的信息量，避免忽略弱小目标的有用信息；对YOLOv4-Tiny模型的激活函数进行了修改，提高对弱小目标的细节学习能力。在多个红外弱小目标数据集上的实验结果表明，相较于原YOLOv4-Tiny模型和其他对比模型，所提方法对红外弱小目标的检测取得了明显的性能提升，可较好地兼顾检测性能与检测效率。     

基于深度卷积神经网络的食品包装缺陷检测算法研究

在薯片流水线生产中,如果直接使用YOLOv5网络进行包装缺陷目标检测,精度不够高、训练时间偏长,于是提出了一种基于SENet-YOLOv5的食品包装缺陷目标检测方法。首先,从数据增强这一角度出发,改用了基于Canny边缘检测算法对数据进行处理。然后,在原先DarkNet-53主干网络中融合SENet网络,把重要的特征进行强化来提升准确率。其次,将3处传统卷积层替换为深度可分离卷积层,减少参数量和计算量,最后训练候选区域数据,从而精确地实现定位与分类缺陷。仿真训练结果得出：SENet-YOLOv5模型的检测精度与速度皆得到了提升,对薯片食品包装缺陷的检测准确率为94.6%,检测的平均精度均值(mAP)达到了94.8%,相较干YOLOv5算法提高了7.9个百分点,识别速度大幅度提升。表明所提SENet-YOLOv5缺陷检测方法可应用于薯愿包装检测以提高企业的工作效率。     

基于改进YOLOv4的无人机影像路面病害检测方法

针对无人机影像下由于目标特征融合不充分导致的路面病害检测精度较低、检测模型较大,导致无法将其迁移到移动端运行,以及现有无人机路面病害检测数据集数量小且样本不均衡等问题,在YOLOv4模型的基础上做了以下改进：采用深度可分离卷积(DC)作为YOLOv4中卷积方式以减少模型计算的参数量;为了更好地利用各通道之间的有效信息引入了Squeeze-and-Excitation(SE)模块,按照每个通道的重要性分配不同的权重,有效利用通道间的信息;通过引入自适应空间特征融合(Adaptively Spatial Feature Fusian, ASFF)模块,充分学习高低层之间的特征信息,自适应地学习各尺度特征映射融合的空间权重,解决由于YOLOv4中特征金字塔网络(Feature Pyramid Network, FPN)和路径聚合网络(Path Aggregation Network, PANet)特征融合不充分问题;使用Focal Loss损失函数进行训练,解决了现有无人机路面病害检测数据集各种样本之间类别不均衡造成的部分检测结果精度较低的问题;通过自制数据集以及现场实验对所提方法进行验证。...     

基于目标检测模型的无人机影像识别技术

YOLOv5具有较高的目标检测速度和检测精度,但在无人机影像小目标检测方面效果不太好。为解决在自然环境情况下小目标检测精度低及鲁棒性差等问题,本文以自然环境情况下无人机影像为研究对象,提出了一种改进的YOLOv5小目标检测模型。通过对特征图增加上采样处理,使特征图继续扩大,从而降低采样率和缩小感受野,提高模型对小目标的检测能力。改进的模型在天大无人机影像VisDrone数据集上进行了训练和测试。实验结果表明,改进YOLOv5的算法平均精度值为46.4%,与原YOLOv5模型相比,平均精度值提升了14.9%,改进YOLOv5在一定程度上改善了YOLOv5无人机影像识别率。     

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。     

双目测距和YOLOv5s的无人机快速识别定位追踪系统

无人机的识别与监控是目前安防领域研究的热点,现有的无人机检测方案成本过高、实现困难,存在一定的缺陷。针对此问题,文中提出一种使用最新型深度学习算法YOLOv5s的无人机光学快速识别定位追踪系统。首先通过深度学习算法实时检测是否存在无人机,并准确定位无人机的位置信息;再进一步使用KCF快速追踪算法锁定并持续追踪入侵目标;最后采取双目深度摄像头实时测算跟踪目标距离,定位位置信息后再转换输出无人机三维位置数据。所设计系统使用最新一代YOLOv5s深度学习模型,并通过改进训练模型使得其对无人机的识别达到了较高的准确率,特别是在运算速度方面,大大超过现有算法,满足高速追踪的要求。实验结果表明,相较于YOLOV3,YOLOv5s模型的准确率提高5.84%,召回率提高6.41%,推理速度提高300%。采用YOLOv5s和KCF算法相结合可稳定连续定位目标,且由于双目摄像头定位精确,全局识别速度高达80 f/s,完全具备高速追踪定位无人机的能力。     

面向航拍小目标的改进YOLOv5n检测算法

针对无人机视角下目标尺度差异大、检测场景复杂、目标小且密集而导致的检测精度不高的问题,提出了一种基于改进YOLOv5n的实时目标检测算法。首先,通过引入轻量通道注意力(ECA)模块提高卷积神经网络对特征图内有效信息的提取能力;其次,在特征金字塔网络输出端后,加入自适应空间特征融合(ASFF)模块,提高不同尺度特征图的识别精度;再次,使用EIoU损失函数计算预测框和目标框的差异值,加快收敛速度并提高检测精度;最后,改进YOLOv5n的检测头,优化模型对小目标的检测性能。在VisDrone数据集上训练测试,相比于基础的YOLOv5n模型,在640×640分辨率下,改进后模型的类平均精度(mAP₅₀)提高了6.1个百分点;在1504×1504分辨率下类平均精度(mAP₅₀)提高了7.1个百分点;同时,改进后的模型检测速度在硬件上可达22帧/s以上。该算法模型在精度提高的同时保证了足够高的检测速度,更适用于无人机的小目标实时检测。     

面向嵌入式系统的轻量级目标检测算法

由于嵌入式设备的内存和计算能力有限,在无人机平台上运行基于深度学习的目标检测算法进行实时解析具有很大的挑战性,同时,算法在小目标、高密度、多类别的场景下,检测精度有待提高。在此前提下,构建NCWS-YOLO轻量级算法,以YOLOv5算法为基础,基于非极大值抑制方法,融合加权框融合算法,提出了NCW方法,重构了预测端目标框筛选网络,使检测精度提升了3.9%。并且利用通道剪枝技术,对批归一化层进行通道稀疏化训练,选择不包括shortcut的层进行修剪,使参数量减少了74%,模型大小缩减了72.2%,浮点数运算降低了37.6%,将算法部署于嵌入式设备上实现了对无人机数据集的目标检测任务。所提方法在无人机数据集上测试精度(Pr)和平均精度(mAP@0.5)分别达到了0.941和0.969,在Nvidia Jetson TX2上推理速度提升了49.6%。实验数据表明,该网络能够在低功耗、算力低的嵌入式设备上进行实时检测。     

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%。     

基于改进YOLOv5的航空发动机表面缺陷检测模型

针对目前航空发动机表面人工缺陷检测效率低的问题，提出一种基于改进YOLOv5的缺陷检测模型YOLOv5-CE。首先，在网络中融合数据增强策略搜索算法，自动为当前数据集搜索最佳的数据增强策略，实现训练效果的提升；其次，在backbone网络中引入坐标注意力机制，在通道注意力的基础上嵌入坐标信息，提高对小缺陷目标的检测能力；最后，将YOLOv5的定位损失函数改进为efficient intersection over union损失，在加快模型收敛的同时提高预测框回归精度。实验结果表明，所提YOLOv5-CE模型，相比原YOLOv5s网络，在检测速度几乎没有下降的情况下平均精度均值提高了1.2个百分点，达到了98.5%，能够高效智能检测航空发动机4种常见类型缺陷。     

一种基于小波变换的YOLOv5火灾检测改进算法

由于复杂环境下类烟火物体的干扰,常导致火灾检测误判。为了提高图像中火灾信号的检测精度,减少火灾误报,利用传统光谱分析在火灾图像检测技术中的优势,提出了一种基于小波变换的YOLOv5火灾检测改进算法。该算法利用二维Haar小波变换提取图像的光谱特征,将其输入到YOLOv5s的主干网络CSPDarknet中,与卷积层进行通道上的特征融合,增强烟火的纹理细节特征;通过嵌入CA注意力机制的CAC3模块,对融合小波特征后的网络层的位置信息进行增强,提高网络的信息提取和定位能力;为明确衡量边界框宽高的真实差,平衡烟火难易样本,采用α-EIOU损失函数替换原本的CIOU,提高框定位准确性。在公开的火灾数据基础上结合自制火灾数据构建火灾数据集,并进行模型训练和推理。实验结果表明,改进后算法的mAP比原YOLOv5s提升了2.3%,实现了对火灾场景烟火目标较好的检测效果。     

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。     

基于级联网络的输电线路螺栓故障检测

针对输电线路无人机巡检图像中螺栓尺寸小且特征不明显等特点而导致故障螺栓检测精度低、检测速度慢等问题,提出一种NanoDet-YOLOv5-GN级联网络检测系统。其系统整体采用分级检测原则,采用NanoDet网络对巡检图像进行处理、定位,并分割螺栓连接部位,增大螺栓在整体图像中的占比;使用改进的YOLOv5-GN网络对缺陷螺栓进行检测。在改进的YOLOv5-GN网络中,在backbone部分嵌入了CBAM注意力模块,在neck部分引入了gnConv重构颈部网络,在head层新增小目标检测层,强化模型对于小目标特征的提取能力。并采用800幅线路无人机巡检缺销螺栓图像对其进行实验验证和测试,结果表明,所提级联网络检测系统的准确率为94.5%,召回率为91.4%,mAP为76.1%,其检测速度达到平均25.2帧/秒,能够较好地满足无人机巡检速度与精度上的要求。     

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。