基于增强小目标特征提取的PCB板缺陷检测模型

针对印制电路板(PCB)表面缺陷所具有的分辨率低、小目标性以及多样性等问题,提出基于YOLOv5的增强小目标特征提取的PCB板缺陷检测模型——SPDYOLOv5模型。在主干网络引入SPDConv,提高主干网络对各尺度特征的提取能力。在主干网络最深层加入CA注意力,加强深层信息的传递能力。提出T3Head特征融合结构,在上下采样阶段融入CBAM注意力机制,加强各尺度间的信息传递能力;借助转置卷积和空间深度卷积,优化特征融合结构对小目标特征的表达能力。在训练过程中,迁移VOC预训练权重加速收敛。采用EIOU-NMS进行后处理,改善模型检测效果。实验结果表明:文中模型在北京大学开源PCB板缺陷数据集上mAP0.5可达92.4%,性能优于其他检测方法。

基于PPLCFaster-YOLOv5的PCB表面缺陷快检模型

针对现有PCB表面缺陷检测方法精度低、召回率低以及实时性较差等问题,提出PPLCFaster-YOLOv5模型。该方法以改进后的PPLC-Net作为主干网络,将Focus结构作为网络第0层,提高特征图对位置信息的表达能力。在深度可分离卷积结构内引入通道混洗机制,使各分组卷积获取的特征对全局特征具有等贡献度;引入Dropout机制限制不平衡正则化因子。提出低参数量G4Head特征融合网络结构,将更为浅层的信息加入特征融合中,提高模型对缺陷的定位能力;在主干网络与特征融合之间增加残差连接,提高主干网络信息对特征融合的贡献度;采用SIOU损失函数,加速回归框收敛。将训练后的模型采用Flask服务器框架进行部署。实验表明,部署后的PPLCFaster-YOLOv5模型在DeepPCB以及北京大学PCB表面缺陷检测数据集上检测时间可达0.009 s,且准确率、召回率等相比于其他主流模型均获得提升。

基于秩分解和强语义信息融合的电力巡检算法

针对现行电力巡检方法对于高似然目标区分能力较差、检测速度较慢等问题,提出TR-YOLOv5模型。在网络第0层引入卷积注意力机制模块(CBAM),加强网络对细粒度特征的提取能力,并在网络最深层借助Transformer注意力进行编码,加强语义信息的传递能力。对于模型残差结构中的3×3卷积进行秩分解,压缩模型的冗余参数量。在特征融合阶段提出GPAN结构,以GSPP控制各尺度的变换,提高特征融合对各尺度信息的融合。在主干网络与同尺度特征融合结构的连接中加强了语义信息的融合,提高模型的检测能力。在模型训练过程中,以边框回归损失函数(SIOU)和CrossEntropy Loss作为IOU和分类损失回归函数提高模型的定位、分类能力。将训练完成的模型采用PyQt进行封装,提高了人机交互体验。实验结果表明,TR-YOLOv5模型检测平均精度值(mAP)达到97.1%,模型浮点运算量减少到3.6 GFLOPs。消融实验与对比试验证明了TR-YOLOv5模型能有效解决电力巡检过程中的前述问题。

基于颜色随机化和全相关注意力的跨模态行人重识别

针对跨模态行人重识别过程中,模态差异导致难以提取充分的辨别性身份特征的问题,提出一种颜色随机化数据增强算法,并设计了基于全相关注意力的双流多分支网络模型。模型以ResNet-50为骨干网络,首先,对输入样本进行颜色随机化处理,提高模型的颜色风格鲁棒性;采用双流网络,在网络浅层设置权重参数非共享模式,分别用于处理可见光图像和红外图像;其次,提出全相关注意力,从空间和通道维度获得不同像素的关联程度,提高模型对于结构信息的提取能力;最后,采用多分支结构提取多尺度全局特征和局部特征增强提取特征的判别性。实验结果表明,所提方法在SYSU-MM01数据集的全搜素测试模式下,Rank-1和平均精度均值(mAP)分别达到70.01%和67.40%,优于其他方法。

基于微调式结构化剪枝的架空输电线路绝缘子检测算法

针对现行架空输电线路绝缘子检测算法存在的复杂度高和实时性差等问题,文章提出基于结构化剪枝的检测算法。首先引入HardSwish激活函数,加速模型收敛;其次,使用K-means++算法对锚框聚类,使锚框更贴合目标;在训练过程中利用归一化层缩放因子γ进行L1正则化稀疏训练,优化滤波器以及卷积核权重,剪除信息量较少的通道。对于剪枝后的模型,通过知识蒸馏进行微调,恢复精度。采用DIOU-NMS算法进行后处理,优化模型实际检测结果。实验表明:文章模型浮点数运算量减小至8.2GFLOPs,有效降低了模型的复杂度;m AP0.5高达96.8%,性能优于其他模型;检测速度可达21.23fps,可以较好地满足实时性检测需求。