基于改进YOLOv5的遥感图像检测

针对现有遥感图像目标检测中背景复杂和尺度变化大等问题,基于 YOLOv5 模型提出了一种 改进的遥感图像目标检测算法。 首先,利用 Mosaic 数据增强方法重构数据集,以改善模型的训练效 果和鲁棒性;其次,在 YOLOv5s 的 Backbone 中添加 SE 注意力机制,使改进后模型能够更精准地捕 捉目标特征信息;最后,采用 BiFPN 替代原模型中的 FPN+PAN 结构,使模型能够进行不同尺度的特 征融合,以减少检测过程中浅层信息的丢失。 实验结果表明,相较于原模型,改进后模型的平均精度 均值、准确率和召回率都有所提升;相较于原模型,改进后模型具有更强的特征提取能力及更快的检 测效率。     

利用注意力机制融合的YOLOv5遥感图像目标检测

遥感图像目检测与识别是近年来国内外研究的热点之一。针对检测任务中因目标密集分布、目标尺度不一所导致的精度不高等问题,提出了一种改进YOLOv5的融合注意力机制目标检测算法。首先,将坐标注意力机制(Coordinate Attention, CA)分别融合到YOLOv5的骨干网络、颈部和输出端3个位置,以提高模型的特征提取能力。其次,进行训练和测试,实验结果表明,骨干网络位置最适合融合注意力,能够有效增强模型的检测性能。再次,采用CIoU＿loss作为损失函数,以改善目标检测框的定位精度。最后,进行消融、对比实验,结果表明,提出的改进算法相较于原始YOLOv5算法具有更好的检测性能,mAP50提高了2.9个百分点,有效提高了遥感图像的目标检测精度。     

基于改进YOLOv5的小目标检测算法

针对目标检测中小目标误检、漏检及特征提取能力不足等问题,提出一种基于改进YOLOv5的小目标检测算法.该算法使用Mosaic-8方法进行数据增强,通过增加一个浅层特征图、调整损失函数,来增强网络对小目标的感知能力;通过修改目标框回归公式,解决训练过程中梯度消失等问题,提升了小目标的检测精度.将改进后的算法应用在密集人群...     

基于改进YOLOv5s的水果目标检测研究

为了准确识别果树上不同的水果目标,解决对果实识别精度不理想等问题,提出一种基于YOLOv5s的改进算法。首先,在回归框预测损失上,将EIoU损失函数应用到YOLOv5s上,使目标框与锚框的宽度和高度之差达到最小;其次,在主干网络上添加ECA-Net注意力机制,以更好地提取不同果实目标的特征。实验结果表明,YOLOv5s+ECA+EIoU loss的综合性能优势明显,与现有的几种网络算法对比,改进后的算法各项数据均优于其他算法,进而验证了改进的有效性,可以为机器人采摘时的目标检测研究提供必要的技术支持。     

采用改进YOLOv5网络的遥感图像目标识别方法

针对无人机目标识别中因遥感图像模糊、成像距离远、目标图像占比小等使得目标识别准确度不高问题,提出了一种基于改进YOLOv5网络的方法.该方法通过改进损失函数、改进特征金字塔网络(FPN)结构和增加平衡系数来提高目标识别效果.实验结果表明,在相同训练条件下,相比原始YOLOv5网络,改进YOLOv5网络对目标占比小于5％...     

基于YOLOv5改进的轻量级目标检测模型

目标检测在计算机视觉中具有广泛的应用,而YOLOv5是目标检测领域中的经典模型。然而,YOLOv5的参数量较大,不适合应用于自动驾驶等领域,因此,基于YOLOv5改进了一个轻量级的目标检测模型。首先,使用ShuffleNetv2替换了原有的CSPDarknet53主干网络,从而降低了网络计算量。其次,使用轻量级增加精度的架构Stem Block。再次,在特征提取网络的末端加入了Coordinate Attention,使其更好地聚焦图像中重要信息。最后,使用二元交叉熵损失函数,突出类别互斥的差异。实验结果表明,相比于YOLOv5方法,改进的模型mAP只降低0.08,fps达到了91。因此改进的模型在大幅度降低参数和计算量的同时,取得了理想的检测精度。     

基于改进YOLOv5s的雾天场景车辆检测方法

为了解决现有的目标检测方法在雾天场景下存在识别准确率低、易漏检的问题,提出一种改进YOLOv5s的雾天车辆检测方法。首先,以VisDrone数据集为基础,通过大气散射模型生成轻雾数据集(LightFogVisDrone)和浓雾数据集(ThickFogVisDrone),并收集真实雾天场景图片组成混合浓度数据集(MixFogData);其次,对原始YOLOv5s的Mosaic数据增强方式进行改进,由原始的4张图片改为9张图片进行随机剪切,减少灰色背景面积,加快模型收敛,提高训练效率,在预测端之前添加CBAM注意力机制,以此来增强模型的图像特征提取能力,改善遮挡目标与小目标的漏检问题;最后,优化NMS非极大抑制值先验框,改善车辆目标的漏检问题。实验结果表明：与原始YOLOv5s相比,改进YOLOv5s在轻雾、浓雾和混合雾气状态下的平均精确率分别提高了16.14、16.16和15.05百分点。改进YOLOv5s对于雾天环境下车辆目标的检测具有有效性和实用性。     

基于YOLOv5的服装熨烫目标检测算法研究

针对服装熨烫行业中熨烫目标分类模糊、人工方式导致检测不准确且效率低的问题,本文将YOLOv5算法运用到服装行业熨烫目标检测中,将常见的熨烫目标分为裤兜、缝线及褶皱,建立对应的数据集并标注。同时,通过数据集训练YOLOv5算法模型,对模型进行评价和测试,得到模型准确率达98%,召回率达97%,平均精度均值达95%。同时,选择200张熨烫目标图像,对模型进行测试实验。实验结果表明,该模型对裤兜、缝线和褶皱的识别率分别为100%,96%和95%,检测置信度为0.82～0.97,检测效果较好,满足实验要求,实现了常见服装熨烫目标的识别、分类及定位。该研究提升了服装熨烫行业的生产效率。     

基于改进YOLOv5m的电动车骑行者头盔与车牌检测方法

电动车上路必须佩戴安全头盔已成为交管部门的强制性规定.为了能自动检测出电动车骑行者的头盔佩戴情况,提出一种基于改进的YOLOv5m模型的头盔与车牌检测方法,在检测出骑行者未佩戴头盔的同时还能检测出电动车车牌.模型使用自建电动车骑行者头盔与车牌检测数据集进行训练,用DIOU损失函数代替GIOU损失函数,DIOU_NMS代替加权NMS,增强模型对密集骑行场景的识别能力.在Backone部位与预测中小目标的Neck部位加入ECA注意力机制,使得模型对中小目标的识别率有所提高;用K-means算法对锚框尺寸重新进行聚类.最后,改进Mosaic数据增强方式.实验结果表明:改进的 YOLOv5m 电动车骑行者头盔与车牌检测模型的 mAP 为 92.7％,较原 YOLOv5m 模型提高 2.15个百分点,较 YOLOv4-tiny、Faster RCNN 模型分别提高 5.7个百分点与 6.9个百分点.改进后的 YOLOv5m 模型能有效提高对头盔与车牌的识别率.     

稀疏表达模型在高光谱遥感影像目标探测中的应用

为了更好地利用高光谱影像的空间和光谱信息,提出了一种基于稀疏表达模型的高光谱遥感影像目标探测方法.首先通过对影像训练样本进行训练提取过完备字典,利用稀疏表达模型对遥感影像稀疏表达既达到降维的目的,又可以表示出遥感影像的主要信息;然后利用传统的目标探测器结合目标已知光谱信息对高光谱遥感影像进行目标探测,即基于稀疏表达模型的高光谱遥感影像目标探测(SRM-TD).3种影像数据的实验结果表明:在确定的迭代次数下,通过设置稀疏度L可以得到最优的探测结果.提出的探测方法在参数设置、选择和运行结果上优于传统的高光谱遥感影像目标探测方法.     

基于多尺度马尔科夫随机场融合的遥感图像变化检测

在区域变化检测中,为了克服配准误差或噪声引起的伪变化,从多尺度融合的角度出发,对多尺度分析应用于遥感图像变化检测进行了探讨.首先利用小波变换对原始图像进行多尺度分解,然后利用马氏距离判决函数对不同尺度图像进行变化检测,最后利用马尔科夫随机场将不同尺度变化检测结果进行融合.由于马尔科夫随机场融合方法充分考虑了相邻像素间的相关性和不同尺度检测结果的联系,从而使融合结果更细致和精确.一系列图像的实验结果证明本方法具有很好的实用性和鲁棒性.     

基于视觉显著性的高分遥感影像变化检测

随着遥感科学技术的快速发展,对地观测数据的时间、空间分辨率以及光谱分辨率都得到了显著的提高.然而面对目前丰富的影像信息,传统的遥感影像处理算法难以进行快速、准确、全面的解译,因此高分影像就不能彰显出它的优势.由于视觉注意机制的显著性具有速度快、定位准的优势,利用人类视觉注意机制的显著性来研究多时相高空间分辨率遥感影像的变化检测技术,并通过新的显著性计算模型,模拟人类视觉对显著变化目标信息的捕捉机制,来实现高分影像真实变化目标的快速高精度提取.在显著变化目标提取过程中尽可能的使显著图分辨率与原影像一致,防止失真,并且解决了虚警率、漏警率和总错误率相互冲突无法同时降低的问题.     

基于改进YOLOv7的番茄果实目标检测

针对农业采摘机器人在采摘过程中面临果实重叠、果实遮挡和果实体积小难以识别等一系列问题,提出一种改进YOLOv7网络对番茄果实进行目标检测。首先在YOLOv7网络结构中增加SimAM注意力模块和CA注意力模块,提高网络特征提取能力;其次结合特征融合网络的张量拼接操作与加权特征金字塔,提高特征融合能力;再用Soft-NMS算法代替NMS算法,增加网络对重叠区域的检测能力;最后将CIOU Loss替换成EIOU Loss,优化网络性能。实验结果表明,改进后的 YOLOv7网络 mAP值可达 96.7%,准确率为 96.2%,召回率为 99.0%,满足网络对番茄检测精度的要求。     

基于数学形态学的遥感图像边缘检测方法研究

提出了一种基于双结构元形态学的遥感图像边缘检测方法,与经典边缘检测算法的仿真比较表明,其算法在边缘连续性、边缘定位精度和地物细节体珥方面都取得了良好效果。     

一种基于改进YOLOv5s的车道线检测方法

为提高车道线检测的实时性与准确性,在机器学习的框架下,提出了一种基于改进的YOLOv5s模型检测方法。该方法在图像预处理后增加了一个二值化通道与原图像一起更新数据集;为了高效提取车道线特征,加入anchor-free改进其锚框问题;为节省GPU内存、增强机器对目标的识别能力,采用mixup与mosaic结合的方式增强数据;为加快收敛速度和提高识别准确率,将损失函数改进为EIOU。实验结果表明,所提检测算法能够实现较为准确的车道线检测,实时性和准确性比YOLOv3的高很多,mAP增加了约30%,与YOLOv5s相比,其mAP约增加了11%,且改进方法具有良好的鲁棒性。     

基于改进YOLOv3的运动目标分类检测算法研究

提出一种基于改进YOLOv3算法的一类运动目标检测算法. 为进一步提高YOLOv3的检测精度,采用基于DIoU优化的边界框回归损失函数进行计算; 优化非极大值抑制,有效减少了目标框重叠的现象,提高检测精度; 针对运动目标检测,提出一种基于目标框多中心点位移的检测算法. 经UA-DETRAC数据集上的实验表明,改进后的算法在提高检测精度的同时保证了较快的速度,准确率和召回率相比原始YOLOv3分别提高了 8.07%和3.87%,对运动目标的检测速度可达20 fps/s,可满足实时检测的要求.     

基于改进YOLOv3模型的交通视频目标检测算法研究

针对现有的基于YOLOv3的目标检测算法在多尺度目标检测上存在速度与精度难以平衡的问题,在已有算法的基础上改进形成新的YOLOv3多尺度目标检测算法. 该算法首先通过k-means++聚类为各个尺度选择候选锚框的数量和长宽比维数,有效降低原始算法在初始聚类点所造成的聚类偏差; 其次将YOLOv3的检测尺度从3扩展到4,以提高对不同尺度下目标检测的精度; 最后为避免梯度衰落,将检测层前的6个卷积层转换为2个残差单元. 在UA-DETRAC数据集上的实验结果表明,该方法比原始YOLOv3的准确率和召回率分别提高了7.91%和4.57%,同时此算法的处理速度可实现对交通视频的实时处理.     

基于小波变换的遥感数据融合与边缘检测

介绍了小波图像的分解和重构方法以及小波融合过程。采用Symlet小波变换融合方法对西安地区鲸鱼沟 水库的TM4、TM5子图进行单尺度二维离散小波变换融合,并进行水库的边缘检测。对图像通过TM4分解的低 频图与TM5分解的高频图像融合再与TM4影像原图比较,融合图像提取细节效果明显优于TM4原图像。