侧扫声纳检测沉船目标的轻量化DETR-YOLO法

基于YOLOv5算法的侧扫声纳海底沉船目标检测方法虽然在检测精度和速度上取得了不错的成绩,但是如何在复杂海洋噪声背景下进一步提高小目标检测的准确性、降低重叠目标漏警和虚警率的同时实现模型的轻量化是一个亟需解决的课题。为此,本文创新融合DETR(end-to-end object detection with transformers)与YOLOv5结构,提出了基于DETR-YOLO模型的轻量化侧扫声纳沉船目标检测模型。首先,加入多尺度特征复融合模块,提高小目标检测能力。然后,融入注意力机制SENet(squeeze-and-excitation networks),强化对重要通道特征的敏感性。最后,采用加权融合框(weighted boxes fusion, WBF)策略,提升检测框的定位精度和置信度。实验结果表明,本文模型在测试集AP_0.5和AP_0.5∶0.95值分别达到84.5%和57.7%,较Transformer和YOLOv5a模型大幅度提高,以较小的效率损失和权重增加为代价取得了更高的检测精度,在提升全场景理解能力和小尺度重叠目标处理能力的同时满足轻量化工程部署需求。

基于目标识别的钢材缺陷检测方法

为实现热轧钢板表面缺陷检测,设计一个端到端的缺陷检测算法YOLOv5-MD。为达到各种样本数量均衡分布,使用数据增强算法对钢材缺陷数据集处理,使用通道混洗模块缓解特征融合中计算量的占用问题;引入注意力机制和加权边界框融合(weighted-boxes-fusion,WBF)消除重叠度较高的预测框;在PANet(path aggregation network)模块中添加残差的跳跃结构并提取多尺度特征来获取更多的细节图像信息。经实验结果验证,所提模型的平均检测精度(mean average precision,mAP)可达97.2%,相较于YOLOv5提高了10%左右,检测速度和YOLOv5持平,是Faster RCNN的7.1倍,是SSD的1.7倍,验证了该方法的可行性、有效性。

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。

基于改进Faster R-CNN的自然环境下麦穗检测方法

小麦麦穗的自动检测在产量预估、种子筛选等方面具有一定的科研应用价值。为进一步提高自然环境下麦穗识别与计数的准确性,本文提出了基于改进型Faster R-CNN深度神经网络麦穗检测方法。针对传统Faster R-CNN算法应用于麦穗检测时存在漏检的问题,并结合自然环境下麦穗重叠和遮挡的特点,本研究采用加权框融合(Weighted Boxes Fusion,WBF)算法代替原有的非极大值抑制(NMS)算法,通过区域建议网络产生的所有预测框的置信度来构造融合框。试验证明,改进后的Faster R-CNN在全球麦穗检测数据集上的平均精度均值mAP0.5:0.75、mAP0.5分别达到了74.21%和92.15%,相较于传统Faster R-CNN提升了5.75%和3.74%,提升效果明显,减少了麦穗漏检的情况,能够在自然环境下对麦穗进行计数和产量预估。