基于改进RetinaNet网络的水下机器人目标检测与实验

针对目前水下机器人目标检测算法存在图像退化严重和目标识别率低的问题,提出了一种融合改进RetinaNet和注意力机制的水下目标检测算法。首先,把RetinaNet骨干网络替换成DenseNet网络,保留了更多目标特征并减少了参数量。其次,替换初始卷积为深度分离可变形卷积,从而大大减少了模型的参数量,提高了模型的运算速度。最后,引入CBAM注意力模块,利用CBAM模块在空间和通道2个维度加强特征,减少了水下复杂环境对目标检测的干扰。水下机器人抓取实验结果表明,与初始的RetinaNet算法相比,改进后的算法mAP值可达81.9%,参数量为56.8 MB,检测速度为16.8 f/s,在水下目标检测方面性能优异。

基于改进的RetinaNet大豆外观品质无损检测

快速、准确、有效地区分大豆外观品质是大豆食品质量检验和食品安全与包装中的一项重要而艰巨的任务。本研究提出了基于改进的卷积神经网络Retina Net的大豆外观品质检测模型。将原始主干网络ResNet50替换为ResNet34,在保证准确度的同时降低了模型参数量,提高了运算速度,降低了运算时间。在主干网络和特征金字塔(FPN)的输出端分别嵌入ECA模块,进一步提取有利特征,减轻了冗余特征对网络的影响,提高了网络性能。同时,为保证不失原有特征的丰富性,将FPN后嵌入的ECA模块的输出与主干网络的输出结果相叠加,所得特征作为输入,传入分类器中进行识别检测。结果表明,本研究提出的改进的RetinaNet大豆品质检测模型的精确率达97.39%,mAP值达98.64%。

基于改进RetinaNet模型的口罩规范佩戴检测方法

新冠病毒在全球传播期间,规范佩戴口罩是最有效的防范方式。对公共场所中密集人群的口罩佩戴是否规范进行检测时,由于目标紧邻、遮挡以及含有大量的小目标,存在检测精度低、错检和漏检率高的问题。为了解决上述问题,文章提出一种基于改进RetinaNet模型的口罩规范佩戴检测方法。通过引入ECA-Net注意力模块,使得对口罩目标特征给予更多的关注,提高检测精度;其次,在特征金字塔FPN后引入自适应空间特征融合模块ASFF,来充分利用多尺度特征,进行更加充分的融合。使用该文所提出的方法在自制的口罩规范佩戴数据集进行实验,结果表明该文方法的整体性能优于其他的检测算法。

面向遥感影像目标检测的ACFEM-RetinaNet算法

针对RetinaNet在遥感目标检测任务中多尺度、密集小目标问题,提出了ACFEM-RetinaNet遥感目标检测算法。针对原主干特征提取不充分的问题,采用Swin Transformer作为主干网络,以提升算法的特征提取能力,提高检测精度。针对遥感图像多尺度问题,提出自适应上下文特征提取模块,使用SK注意力引导不同空洞率的可变形卷积自适应调整感受野、提取上下文特征,改善多尺度目标检测效果。针对遥感图像中密集小目标问题,引入FreeAnchor模块,从极大释然估计的角度设计优化锚框匹配策略,提高检测精度。实验结果表明,在公共遥感图像目标检测数据集RSOD上,ACFEM-RetinaNet算法取得了91.1%的检测精度,相较于原算法提高了4.6个百分点,能更好地应用于遥感图像目标检测。

基于改进RetinaNet的轻量化航拍目标检测方法

针对无人机航拍图像中存在目标较小、尺度不一以及目标检测算法模型参数量较大等问题,提出基于RetinaNet的轻量化目标检测算法模型:RetinaNet-S。采用GhostNetV2作为轻量化骨干,增强目标的特征信息;在颈部采用轻量化模块GSConv和VoV-GSCSP,在尽量保证检测精度的同时减少模型的参数量;最后,改进损失函数为Focal SIoU Loss,进一步提升模型的精准度。在VisDrone2019数据集上的实验表明,RetinaNet-S的参数量仅有5.52 M,检测速度提升了9.55 FPS。

基于RetinaNet算法的输电线路耐张线夹压接缺陷图像检测方法

对输电线路耐张线夹进行射线检测时,图像特征投影过程忽略了图像清晰度对检测结果的影响,会导致检测结果AP值较低。因此,提出基于RetinaNet算法的输电线路耐张线夹压接缺陷图像检测方法。该方法通过判别耐张线夹压接图像的灰度值等级,计算最优分割阈值并保留检测目标轮廓,补偿该轮廓的倾角差值以提高其清晰度,然后通过二维傅里叶逆变换重构缺陷图像,引入RetinaNet算法融合提取图像特征,解构耐张线夹压接部位,计算缺陷特征比例得出缺陷检测结果。试验结果表明,所提方法得出的缺陷检测结果的AP值较高,检测精度较高,满足了输电线路耐张线夹压接质量检测的需求。

一种改进RetinaNet深度学习网络的城乡结合部违章建筑检测方法

针对城乡结合部违章建筑类型多样化、小目标待检物较多且检测精度较低等问题,提出了一种改进RetinaNet深度学习网络的城乡结合部违章建筑检测方法。首先,在主干特征提取网络ResNet50中嵌入CA注意力机制,以增强网络对小目标的感知能力;其次,在ResNet50中引入并行空洞卷积(DCB)模块,以实现多尺度特征融合,降低算法的漏检率;最后,将ResNet50网络的ReLU激活函数替换为GeLU激活函数,以加快模型收敛,提升模型稳定性。实验结果表明,改进后模型的平均准确率达到93.28%,参数量为3.920×107,可为城乡结合部违章建筑实时监测及拆除工作提供部分理论依据。

基于Res2Net-RetinaNet的活性污泥指示性微生物目标检测

活性污泥中原生动物、后生动物等指示性微生物是污水处理运行调控的重要指标。针对活性污泥微生物不同种类之间,小目标类微生物体型较小、微生物个体颜色背景和图像颜色背景相似的现象,提出基于Res2Net-RetinaNet的活性污泥指示性微生物检测方法。Res2Net-RetinaNet模型采用精度更高的新维度残差块Res2Net模块捕获原有特征的丰富信息。在主干网络输出的第1层引入通道和空间注意力机制CBAM,进一步帮助浅层特征信息在网络中流动。最后,在特征融合模块中引入深度超参数化卷积(Do-Conv),在不增加计算量的前提下持续加快模型的收敛。将所提方法应用于某污水厂采集数据中进行实验,结果表明:所提方法与Fast R-CNN、SSD、YOLOv3、YOLOv4、FCOS、CenterNet及RetinaNet等目标检测模型相比,检测精度最高(92.8%),相对于原始RetinaNet目标检测算法精度提升4.97%。

基于RetinaNet的PCB焊点数字射线缺陷图像检测

为了避免焊接缺陷引起的故障和质量问题,PCB焊点检测已经成为电子产品生产制造中的重要环节.使用基于深度学习的数字射线无损检测来检查PCB电路板内部焊点缺陷,可以在提高生产效率的同时减轻工人的劳动压力.本文建立了3种常见的数字射线下PCB焊点缺陷图像数据集,基于RetinaNet搭建了自动检测网络模型.经过训练测试,该模型对于缺陷图片的平均检测准确率达到了92.7%,能够有效地提高X射线下PCB焊点缺陷检测的性能和效率.

基于改进RetinaNet的果园复杂环境下苹果检测

为了快速准确地检测重叠、遮挡等果园复杂环境下的苹果果实目标,该研究提出一种基于改进RetinaNet的苹果检测网络。首先,该网络在传统RetinaNet的骨干网络ResNet50中嵌入Res2Net模块,提高网络对苹果基础特征的提取能力;其次,采用加权双向特征金字塔网络(Bi-directional Feature Pyramid Network,BiFPN)对不同尺度的特征进行加权融合,提升对小目标和遮挡目标的召回率;最后,采用基于焦损失(Focal Loss)和高效交并比损失(Efficient Intersection over Union Loss,EIoU Loss)的联合损失函数对网络进行优化,提高网络的检测准确率。试验结果表明,改进的网络在测试集上对叶片遮挡、枝干/电线遮挡、果实遮挡和无遮挡的苹果检测精度分别为94.02%、86.74%、89.42%和94.84%,平均精度均值(meanAveragePrecision,mAP)达到91.26%,较传统RetinaNet提升了5.02个百分点,检测一张苹果图像耗时42.72 ms。与Faster-RCNN和YOLOv4等主流目标检测网络相比,改进网络具有优异的检测精度,同时可以满足实时性的要求,为采摘机器人的采摘策略提供了参考。

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。

改进RetinaNet的水稻冠层害虫为害状自动检测模型

中国现行的水稻冠层害虫为害状田间调查方法需要测报人员下田目测为害状发生情况,此种人工调查方法存在客观性差、效率低与劳动强度大等问题。近几年,诸多学者开始利用深度学习方法来识别植物病虫为害状,但大多针对单株或单个叶片上病虫害种类进行识别研究。该研究采集了水稻冠层多丛植株上稻纵卷叶螟和二化螟为害状图像,提出一种改进RetinaNet的水稻冠层害虫为害状自动检测模型。模型中采用ResNeXt101作为特征提取网络,组归一化(Group Normalization,GN)作为归一化方法,改进了特征金字塔网络(Feature Pyramid Network,FPN)结构。改进后的RetinaNet模型对2种害虫为害状区域检测的平均精度均值达到93.76%,为实现水稻害虫为害状智能监测提供了理论依据和技术支持。

基于改进RetinaNet的自然环境中蝴蝶种类识别

蝴蝶是一种对栖息地敏感的昆虫,自然环境中的蝴蝶种类分布反映了区域生态系统平衡和生物多样性.专家鉴别蝴蝶种类耗时耗力,计算机视觉技术为野外环境中蝴蝶种类自动识别提供了可能.针对野外环境下的蝴蝶图像特征,提出2种新的硬注意力机制,DSEA(direct squeeze-and-excitation with global average pooling)和DSEM(direct squeeze-and-excitation with global max pooling),改进经典目标检测算法RetinaNet,并引入可变形卷积增强RetinaNet对蝴蝶形变的建模能力,实现野外环境下蝴蝶种类自动识别.以mAP(mean average precision)目标检测指标评价模型性能,通过实验结果可视化,分析影响模型性能的关键因素.实验结果显示,提出的改进RetinaNet对自然环境下的蝴蝶识别任务具有很不错的效果,特别是基于DSEM的RetinaNet;分布平衡的训练集可以提升提出模型的泛化性能;样本的结构相异性是影响模型性能的关键因素.

改进的用于军用车辆目标检测的RetinaNet

目标检测作为信息技术学界的热门话题,无论是科研院校,还是大型的技术型企业,都在追寻着最优秀的目标检测算法,RetinaNet技术的提出者FacebookAI团队参考了大量目标检测的案例,使其在目标检测领域成为炙手可热的方法,它比YOLOv3更加优秀,也没有Fastest R-CNN复杂,十分适用于对指定特征目标的识别。就RetinaNet在军用车辆目标检测方面展开了研究,并提出了一点改进意见。

面向小目标检测的改进RetinaNet模型及其应用

基于深度学习的目标检测算法广泛应用于工业检测,RetinaNet算法因兼具速度与精度两方面的优势而备受关注,但对于小于32×32像素的小目标,该算法的检测精度不能满足工业检测的要求。为此,文中以增强小目标的训练为基本思路,针对RetinaNet算法进行了如下改进:在采样阶段,将低层特征图P2添加到FPN中,以确保小目标能被充分采样,同时引入自适应训练样本选择策略,以保证增加特征层之后仍能保持足够快的检测速度;在训练后期采用了损失权重调整策略,用于提高小目标中困难样本的拟合度。针对公共数据集MS COCO 2017及实际应用中的LED点胶工业数据集,改进后的方法使小于32×32目标的检测精度分别提高了4.1%和10.7%,这表明改进后的方法能显著提升小目标检测的水平。

采用改进RetinaNet的笼养肉鸽繁育期个体检测模型

实现繁育期精准个体检测是提高集约养殖环境下肉鸽繁育效率和精准管控效果的有效手段,其中小目标鸽蛋及粘连乳鸽的精准检测是关键。该研究提出了一种基于改进RetinaNet的目标检测模型,以RetinaNet网络为基础框架,将ResNet50特征提取网络与特征金字塔网络(FeaturePyramidNetworks,FPN)结合,增加特征金字塔网络中特征检测尺度,提升对图像中遮挡鸽蛋与粘连乳鸽的检测精度;在分类和回归子网络前引入卷积注意力模块(ConvolutionalBlock Attention Module,CBAM),提升对小目标检测的精度。试验结果表明,该研究提出的模型对于笼养肉鸽个体检测的平均精度均值(mean Average Precision,m AP)达到80.89%,相对SSD等传统模型有明显提升;对成鸽、乳鸽与鸽蛋检测的平均精度(Average Precision,AP)分别为95.88%,79.51%和67.29%,相对原始RetinaNet模型提高了2.16、21.74和22.48个百分点,在保证成鸽精准检测的基础上,提升了对复杂环境下存在局部遮挡的小目标鸽蛋以及粘连乳鸽的检测精度,为实现集约化养殖环境下肉鸽繁育周期个体检测和精准管控提供有效支持。

注意力机制优化RetinaNet的密集工件检测方法研究

针对密集工件存在相似度高、排列无序的特性导致检测难度大的问题,提出了一种注意力机制优化RetinaNet的密集工件检测方法。首先将注意力机制引入到RetinaNet主干特征提取网络以减少干扰物对检测效果的影响,提高神经网络的特征提取能力;然后利用Soft-NMS构建新的预测框提高重叠定位精度;最后通过迁移学习的方法训练数据集,提高模型训练效率。在密集工件数据集上验证该方法的有效性,实验结果表明,改进后的方法检测精度达到了98.11%,相较于改进前提高了2.59%,单张图片检测速度达到了0.026 s,该方法能够满足实际工业生产过程中精准检测工件的目的,在保证速度的同时降低了漏检率和误检率。

改进RetinaNet的刺梨果实图像识别

为实现加工车间刺梨果实的快速识别,提出一种基于改进的RetinaNet刺梨果实图像的识别方法。基于RetinaNet的模型,对RetinaNet框架中Focal loss的bias进行改进,使其能根据不同的情况控制bias的取值,再运用维度聚类算法找出Anchor的较好尺寸并匹配到相对应的特征层,对卷积神经网络结构进行优化。通过改进RetinaNet目标检测算法对7426幅刺梨果实图像进行检测识别,并与原始RetinaNet目标检测算法对比。试验结果表明:改进的RetinaNet网络模型识别方法对6类刺梨果实的识别率分别为99.47%、91.42%、96.92%、90.92%、96.89%和93.53%,平均识别率为94.86%;相对于原始RetinaNet目标检测算法,改进算法的识别准确率提高4.21%,单个刺梨果实检测时间由60.99 ms缩减到57.91 ms,检测时间缩短5.05%。本文改进算法对加工车间刺梨果实的识别具有较高的正确率和实用性。

RetinaNet图像识别技术在煤矿目标监测领域的应用研究

为了解决当前煤矿监控中存在的人工干预多、监测效率低等问题,建立基于RetinaNet的单阶段煤矿目标检测器,通过实验确定检测关键参数并验证检测效果。实验结果表明:RetinaNet目标检测器能够自动检测及提取人员等关键对象,整体性能可以满足煤矿监控的需求;RetinaNet目标检测器能够在较差的环境条件下实现对目标对象的准确检测,对于人员的辨识已经达到较为理想的水平;基于现有数据构建的图像识别模型,尚不能较好地识别各类煤矿机械设备。RetinaNet目标检测器相关功能的实现,有赖于建立专业图像数据集,并准确地训练模型进而发掘数据的深度价值。

基于RetinaNet的低小慢无人机目标识别

近年来,机场附近存在低小慢目标“黑飞”“滥飞”现象,其中以多旋翼无人机危害最大,由此给航空飞行安全带来不小的隐患。为加强净空防护,保障民用航空安全飞行,采用具有快速性和准确性的典型目标识别算法RetinaNet,构建深度神经网络,对飞行中的多旋翼无人机进行目标定位和回归。训练集中分类准确率与回归准确率分别为97.16%、80.23%,测试集中识别准确率为94.0%,有较好的泛化能力,可有效地对多旋翼无人机进行识别与定位。