基于改进YOLOv4的田间密集小目标检测方法

为研究农业场景下密集小目标难识别问题,提出一种基于卷积注意力的CBAM-YOLOv4密集小目标检测方法。该方法在YOLOv4模型骨干网络Add层和Concat层后嵌入卷积注意力模块(CBAM),在保证模型检测效率基础上提高模型检测精度。通过设置多种试验条件,使用不同密集程度、光照条件及天气状况下采集的密集葡萄叶片数据测试模型检测效果,试验对比EfficientDet、YOLOv3、YOLOv4及CBAM-YOLOv44种网络,采用统计AP值的评价方法评估各模型差异。结果表明,在密集葡萄叶片数据集中,CBAM-YOLOv4模型识别效果提升明显,对于高度密集叶片数据集,该模型AP值为82.04%,相比YOLOv4提高1.94%,高于其他检测模型3%~4%。将该模型应用于无人机果树资源调查中,对果树的计数精度为90.43%。以上试验结果表明,该方法对农业场景下密集小目标检测具有较高精度。

密集场景的双通道耦合目标检测算法

在空对地场景下的目标检测领域中,传统的单阶段检测算法由于固定尺寸的输入,在对大分辨率图像检测时效果较差,尤其当图像中存在较多密集小目标时,漏检现象严重。因此,模仿人眼的目标搜索行为,提出了一种密集场景聚焦的双通道耦合目标检测算法。算法在You Only Look Once V3(Yolo V3)网络的基础上,增加了密集场景检测通道,对图像中的密集区域进行检测,建立场景耦合结构,将密集场景通道的特征信息与目标实例检测通道的信息进行融合,对检测难度较大的密集区域进行变分辨率检测,以提升对密集小目标的检测精度。在自制空对地密集场景数据集下验证,结果表明,该算法对密集小目标的检测有更好的效果,相比于传统的Yolo V3网络,在检测速度下降9.1帧/s的情况下,平均精度上提升了16.4%。

融入全局相应归一化注意力机制的YOLOv5农作物害虫识别模型

针对YOLOv5(you only look once version five)模型在农作物害虫密集目标上的检测效果无法满足实际需求,以及训练过程中模型收敛速度较慢等问题,该研究提出了融入全局响应归一化(global response normalization,GRN)注意力机制的YOLOv5农作物害虫识别模型(YOLOv5-GRNS)。设计了融入GRN注意力机制的编码器(convolution three,C3)模块,提高对密集目标的识别精度;利用形状交并比(shape intersection over union,SIoU)损失函数提高模型收敛速度和识别精度;在公开数据集IP102(insect pests 102)的基础上,筛选出危害陕西省主要农作物的8种害虫类型,构建了新数据集IP8-CW(insect pests eight for corn and wheat)。改进后的模型在新IP8-CW和完整的IP102两种数据集上进行了全面验证。对于IP8-CW,全类别平均准确率(mean average precision,mAP)mAP@.5和mAP@.5:.95分别达到了72.3%和47.0%。该研究还对YOLOv5-GRNS模型进行了类激活图分析,不仅从识别精度,而且从可解释性的角度,验证了对农作物害虫、尤其是密集目标的优秀识别效果。此外,模型还兼具参数量少、运算量低的优势,具有良好的嵌入式设备应用前景。

基于多重感受野UNet的仪表图像分割方法

为解决现有深度学习图像分割算法不能有效分割指针仪表图像中密集小目标的问题,提出基于多重感受野UNet的仪表图像分割方法。将自编码器结构和空洞卷积结构结合,使多尺度浅层特征和深层语义信息融合;以多种光照强度下采集的指针仪表数据训练模型,充分提升神经网络的泛化能力;并行调节空洞卷积参数,使神经网络学习到最优模型。实验结果表明,算法显著提升了指针仪表图像中密集小目标的分割效果,有效泛化于不同光照强度下采集的同种指针仪表图像,验证了该模型的有效性。

改进YOLOv5算法的钢筋端面检测

钢筋是基建行业不可或缺的结构材料,无论是钢筋生产过程、还是施工现场,对钢筋进行准确计数是必不可少的环节.成捆钢筋存在端面密集、直径尺度不统一、端面边界粘连、端面与背景融合、端面之间存在遮挡等问题.针对上述问题,提出了一种改进的YOLOv5模型框架,以降低密集小目标漏检率、误检率.针对钢筋端面数据集稀缺、没有公开的大型数据集并且钢筋端面特征较弱的问题,自建了钢筋端面数据集,使用半自动标注法对数据集进行标注,并采用数据增强算法对钢筋端面数据集进行扩充.修改了YOLOv5中的主干网络,增加空间金字塔池(spatial pyramid pooling,SPP)和小目标检测层,以获取更大的特征图;使用特征金字塔模型(feature pyramid network,FPN)和路径聚合网络(path aggregation network,PAN)对多尺度特征图融合,提高密集小目标检测精度.在Data Fountain钢筋盘点竞赛数据集和自建钢筋数据集上设计了多组对照试验.实验结果表明,提出的改进算法YOLOv5-P2模型对钢筋端面的检测效果最佳,钢筋端面平均精度均值(mean average precision,mAP)达到了99.9%,相比于YOLOv3、YOLOv4、ScaledYOLOv4以及YOLOv5主流算法,模型的mAP分别提升了9.6%、7.9%、7.0%、1.1%,在工厂真实环境条件下进行测试时都有较稳定的表现,在测试集上相对于原始模型检测精度提升了2.1%.通过修改YOLOv5的主干网络中SPP模块位置和增加检测层都能够显著提升密集小目标检测精度,更好的提取到钢筋端面的边缘特征,取得99.9%的平均精度均值.