融合跨阶段局部网络和空间金字塔池化的Yolov3目标检测算法

实际的检测任务中往往存在复杂的环境与背景,容易造成边界框的定位不够准确、对各尺度的目标检测精度不高等情况。为了进一步提高Yolov3的检测精度,本文在原算法的基础上提出一种融合跨阶段局部网络和空间金字塔池化的Yolov3目标检测算法。首先,将主干网络融合跨阶段局部网络CSPNet来提高网络的学习能力;其次,引入一种改进的空间金字塔池化结构增强网络的局部区域特征;最后,在损失函数中融入focal loss解决正负样本不均衡带来的问题。实验表明:改进的Yolov3算法在检测性能上优于原算法。

基于扩展跨阶段局部网络的表面缺陷检测

工业生产中,表面缺陷检测设备常因硬件计算资源有限而存在性能瓶颈。针对检测中高实时性与高精确度的权衡问题,建立了一种基于扩展跨阶段局部网络的表面缺陷检测模型。首先,基于扩展跨阶段局部网络算法和YOLOv5s模型,构建可上下缩放且适用于不同规模网络的YOLOv5s-P系列模型,将网络颈部CSP化提高模型特征提取能力;其次,采用SoftPool下采样方法对颈部空间金字塔池化(SPP)模块进行结构和参数优化,并引入深度可分离卷积使模型轻量化的同时避免精度损失。实验表明,在德国DAGM 2007表面缺陷数据集上获得96.1%的mAP,较原模型在检测精度上提升了5%、参数量降低了1.7%,同时部署到边缘设备Raspberry Pi4B上时检测速度为4fps。

基于两阶段规划模型的跨域服务流程动态构造方法

为了应对来自网络计算环境下业务流程跨越协同过程中层出不穷的业务需求,提出一种基于两阶段规划模型的跨域服务流程动态构造方法.第一阶段,利用跨域服务协同语义模型,基于层次任务网络规划方法,构建满足用户业务需求的跨域抽象业务流程;第二阶段,在各域内部对抽象业务流程确定的候选服务集应用图规划数据流验证模型,构建最终的跨域可执行服务流程.方法在保证了业务需求与跨域服务流程逻辑结构的语义一致性的同时,满足了跨域服务流程中数据流的一致性,为网络计算环境下管理域间的业务协同和互操作提供了更为实际可用的可执行服务流程.原型系统实验及实例验证说明该方法的正确性和有效性.

Dynamic-YOLOX:复杂背景下的苹果叶片病害检测模型

针对目前苹果叶片数据集的叶片病害种类不全以及图片背景单一等问题,构建了复杂背景下包括苹果叶部六种常见病害的苹果叶片病害数据集。针对目前主流苹果叶片病害检测模型检测精度不高、模型复杂和不满足实时监测等问题,提出了一种基于YOLOX-S(you only look once X-S)改进得到的复杂背景下的苹果叶片病害自适应检测模型Dynamic-YOLOX。设计并使用ECA-SPPFCSPC模块(efficient channel attention cross-stage partial fast spatial pyramid pooling module)更换YOLOX-S模型主干网络尾部Dark5中的空间金字塔池化(SPP)以及跨阶段局部网络(CSPNet)模块来增强模型关注深层语义特征、抑制无用信息的能力,并减少硬件内存开销。设计了动态跨阶段局部网络(ODCSP)模块,并用其更换YOLOX-S模型主干网络中Dark2、Dark3、Dark4部分以及颈部网络中所有的CSPNet模块,使得模型在面对不同输入特征时有更强的自适应性,在减少模型的参数量和计算量的同时提高了模型的平均检测精度。引入Varifocal Loss更换模型中分类置信度损失的BCEWithLogits Loss来提升模型对苹果叶片中密集小目标病害的检测精度。在自制数据集上Dynamic-YOLOX相对原始YOLOX-S模型的mAP提升了4.54个百分点,达到84.63%,同时模型的参数量和计算量分别下降了11.97%和13.45%,检测速度达到44.07 FPS。对比主流苹果叶片病害检测模型,Dynamic-YOLOX具有一定优越性。

基于改进YOLO-V4网络的浅海生物检测模型

海洋生物智能检测是海洋牧场战略的一部分,而利用水下机器人在复杂的海洋环境中快速、准确地检测海洋生物是关键问题。由于海底环境复杂、亮度分布不均匀、海洋生物与其生存环境的区分性差、生物被遮蔽或半隐蔽等原因,准确识别海洋生物是一个巨大的挑战。随着卷积神经网络的发展,基于深度学习的目标检测算法成为主流,出现了如EfficientDet、RetinaNet和YOLO-V4等典型算法。这些基于深度学习的算法都不是完全尽善尽美的,不能完全满足海洋生物识别的需求。在探测精度、运算速度、密集目标探测效果等方面都有提高的空间。该研究建立了一个海洋生物数据集,采集了原始图片1810张,数据增强后得到7240张图片,它们被分成训练集(80%)和测试集(20%)。其次,通过引入跨阶段局部网络的概念,构建了嵌连接EC(Embedded Connection)部件,并将其嵌入到YOLO-V4网络的末端,得到改进的YOLO-V4网络。最后,该研究提出了基于改进YOLO-V4网络的海洋生物检测模型MOD(Marine Organism Detection)。试验结果表明,MOD模型的mAP50、mAP75(交并比阈值为0.5、0.75的精度均值)分别为0.969和0.734,计算量为35.328BFLOPs(十亿浮点运算数),检测帧速为139 ms(具有图形加速器GeForce GTX1650上)。与原始YOLO-V4模型相比,MOD模型的mAP50和mAP75提高了0.9和4.8个百分点,而计算量仅提高0.2%。此外,对比两种模型的准确率-召回率曲线,MOD模型的精确度与召回率的平衡点更接近(1,1),因此MOD模型能学习精度和效率的平衡性更好。该研究直接面向浅海生物的目标检测问题,所提供的方法可以为水下机器人精准执行智能捕捞等任务提供有益参考。

基于SE注意力机制的废钢分类评级方法

为了解决传统人工方法对废钢分类评级人为因素干扰大且效率低下等问题,提出基于挤压-激励(Squeeze-Excitation,SE)注意力机制构建废钢分类评级的深度学习网络模型,并对采集到的废钢卸载过程图像进行模型训练和验证.首先,搭建物理尺寸比例为1∶3废钢质量查验物理模型,采用高分辨率视觉传感器模拟采集货车卸载废钢作业场景下不同废钢的形貌特征;然后,对采集到的废钢图像使用跨阶段局部网络进行特征提取,利用空间金字塔结构解决特征丢失问题,采用注意力机制关注通道间的相关性;最后,在包含7个标签分类的两个数据集进行模型训练与验证.实验表明:该模型能够有效地对不同级别的废钢进行自动评级判定,全类别准确率达到83.7%,全类别平均精度为88.8%,在准确性方面相比于传统人工验质方法具有显著优势,解决了废钢入库过程中质量评价的公正性难题.

基于GhostNet与注意力机制的YOLOv5交通目标检测

针对交通目标检测模型参数量大、检测精度低、检测速度慢、泛化性差等问题,提出一种基于GhostNet与注意力机制的YOLOv5交通目标实时检测模型.采用基于遗传算法的K-means聚类方法获取适用于车辆检测的最佳预选框;采用轻量的Ghost卷积提取目标特征,并构建基于CSP结构的C3Ghost模块,大幅度压缩模型参数量,降低计算成本,提高计算速度;在特征融合层添加Transformer block和CBAM注意力模块,来探索模型特征提取潜力以及为模型在密集对象的场景中寻找注意力区域;UA-DETRAC数据集上的消融实验和综合性能评价结果表明所提模型平均精度达到98.68%,参数量为47 M,检测速度为65 FPS,与YOLOv5相比,参数量压缩了34%,速度提升43%,平均精度提高了1.05%.

改进YOLOv4的输送带纵向撕裂检测

输送带纵向撕裂检测是煤矿安全生产的重要问题之一.针对矿用输送带纵向撕裂检测存在因数据量不足、损伤形态多样化、极致宽高比而导致的检测精度不足、存在误检与漏检等问题,本文提出一种改进YOLOv4的输送带纵向撕裂检测算法.首先,通过数据增强的方式扩充现有数据,构建输送带纵向撕裂数据集.其次,在主干网络之中添加可变形卷积,增强模型对多样化损伤形态的特征提取能力.最后,在特征融合阶段,引入跨阶段局部网络(CSPNet)结构,提升模型对极致宽高比的纵向撕裂检测性能,进一步降低模型的漏检与误检.实验结果表明,输送带纵向撕裂检测准确率达到92.5%, F1分数达到93.1%,基本满足输送带纵向撕裂检测要求.

LiDAR点云中融合点注意力机制的三维目标检测

针对Pillar编码点云的三维目标检测算法中存在一定细粒度信息的丢失以及对点云特征提取能力不足等问题,基于PointPillars提出一种融合逐点空间注意力机制和跨阶段局部网络的三维目标检测算法。首先在支柱特征网络层中融入逐点空间注意力机制,增强网络对局部几何信息的提取并保留深层次信息,使得到的关键特征更适合检测任务;其次将对点云伪图像进行高维特征提取的降采样模块中的普通卷积替换为跨阶段局部网络,进一步提升网络的学习能力;最后算法在高速公路的应用场景下,以KITTI数据集中car类作为检测目标,与基准网络相比,在简单、中等和困难三种情况下的3D检测精度分别提高了2.23%、2.25%和2.30%。实验结果表明,所提算法在检测性能上有明显提升,同时检测速度达到实时检测水平,对自动驾驶技术的优化和完善具有一定的积极意义。

复杂场景下基于改进YOLOv3的口罩佩戴检测算法

新型冠状病毒可以通过呼吸道飞沫等方式传播,正确佩戴口罩可以有效防止病毒传染,但是自然场景中通常存在遮挡、密集人群和小尺度目标等复杂因素,对人脸佩戴口罩的检测效果产生影响。针对该问题,在YOLOv3算法的基础上,提出复杂场景下的口罩佩戴检测算法。结合跨阶段局部网络对DarkNet53骨干网络进行改进,以降低计算消耗并提高训练速度。在YOLOv3算法中引入改进的空间金字塔池化结构,通过自上而下和自下而上的特征融合策略优化多尺度预测网络,从而实现特征增强。选取CIoU作为损失函数,考虑目标与检测框之间的中心点距离、重叠率以及长宽比信息。实验结果表明,与YOLOv3算法相比,该算法在人脸目标和人脸佩戴口罩目标上的检测精度分别提高7.3%和14.9%,检测速度平均提高6FPS。

改进Mask R-CNN的温室环境下不同成熟度番茄果实分割方法

基于深度神经网络的果实识别和分割是采摘机器人作业成功的关键步骤,但由于网络参数多、计算量大,导致训练时间长,当模型部署到采摘机器人上则存在运行速度慢,识别精度低等问题。针对这些问题,该研究提出了一种改进Mask R-CNN的温室环境下不同成熟度番茄果实分割方法,采用跨阶段局部网络(Cross Stage Partial Network,CSPNet)与Mask R-CNN网络中的残差网络(Residual Network,ResNet)进行融合,通过跨阶段拆分与级联策略,减少反向传播过程中重复的特征信息,降低网络计算量的同时提高准确率。在番茄果实测试集上进行试验,结果表明以层数为50的跨阶段局部残差网络(Cross Stage Partial ResNet50,CSP-ResNet50)为主干的改进Mask R-CNN模型对绿熟期、半熟期、成熟期番茄果实分割的平均精度均值为95.45%,F1分数为91.2%,单张图像分割时间为0.658 s。该方法相比金字塔场景解析网络(Pyramid Scene Parsing Network,PSPNet)、DeepLab v3+模型和以ResNet50为主干的Mask R-CNN模型平均精度均值分别提高了16.44、14.95和2.29个百分点,相比以ResNet50为主干的Mask R-CNN模型分割时间减少了1.98%。最后将以CSP-ResNet50为主干的改进Mask R-CNN模型部署到采摘机器人上,在大型玻璃温室中开展不同成熟度番茄果实识别试验,该模型识别正确率达到90%。该研究在温室环境下对不同成熟度番茄果实具有较好的识别性能,可为番茄采摘机器人精准作业提供依据。

改进MobileNetv3-YOLOv3交通标志牌检测算法

提出了一种改进的MobileNetv3-YOLOv3算法.引入SPPNet去除重复特征,提高候选框的选取速度,加快模型的推理速度;引入CSPNet消除计算瓶颈,节省计算量;引入Focus层防止特征图信息丢失,保证模型的准确度.在CCTSDB数据集上的实验结果表明:MobileNetv3与YOLOv3算法结合最佳,改进MobileNetv3-YOLOv3算法的平均精度高达97.7%,检测速度FPS达到89,与YOLOv3算法相比较,本文算法精确度(P)、召回率(R)、平均精度值(mAP)、每秒传输帧数(FPS)都得到了提升,分别提升6%,1.8%,1.8%和15%,与最新的算法相比较本文的P值以及mAP值均取得了最优的结果.可以看出所提出的算法在极大地减少模型参数量和计算量的同时,提高了检测精度以及检测速度.

SAR影像船舶目标检测技术研究

针对SAR影像特征单一、小船舶目标检测召回率低和近岸目标虚警率高等问题,提出基于跨阶段局部聚合残差变换网络CSPResNeXt(Cross Stage Partial ResNeXt)的SAR影像船舶检测算法。该算法首先在浅层特征提取网络中加入了感受野模块RFB(Receptive Field Block)来模仿人类视觉感知,用以增强目标特征的可辨识性和网络对小尺寸船舶的适应性;其次采用多特征层双向加权融合和多尺度检测方法,对特征进行重组优化,提升目标检测能力;最后提出了相适应的损失函数的计算方法,并通过数据增强提升网络的鲁棒性。在HRSID和SSDD数据集上的实验结果表明,改进算法对密集小目标的检测效果得到了提升,有效降低了近岸强散射目标的误检率,检测速度和精度更加优越。

融合跨阶段深度学习的脑肿瘤MRI图像分割

目的磁共振成像(magnetic resonance imaging,MRI)作为一种非侵入性的软组织对比成像方式,可以提供有关脑肿瘤的形状、大小和位置等有价值的信息,是用于脑肿瘤患者检查的主要方法,在脑肿瘤分割任务中发挥着重要作用。由于脑肿瘤本身复杂多变的形态、模糊的边界、低对比度以及样本梯度复杂等问题,导致高精度脑肿瘤MRI图像分割非常具有挑战性,目前主要依靠专业医师手动分割,费时且可重复性差。对此,本文提出一种基于U-Net的改进模型,即CSPU-Net(cross stage partial U-Net)脑肿瘤分割网络,以实现高精度的脑肿瘤MRI图像分割。方法CSPU-Net在U-Net结构的上下采样中分别加入两种跨阶段局部网络结构(cross stage partial module,CSP)提取图像特征,结合GDL(general Dice loss)和WCE(weighted cross entropy)两种损失函数解决训练样本类别不平衡问题。结果在BraTS(brain tumor segmentation)2018和BraTS 2019两个数据集上进行实验,在BraTS 2018数据集中的整体肿瘤分割精度、核心肿瘤分割精度和增强肿瘤分割精度分别为87.9%、80.6%和77.3%,相比于传统U-Net的改进模型(ResU-Net)分别提升了0.80%、1.60%和2.20%。在BraTS 2019数据集中的整体肿瘤分割精度、核心肿瘤分割精度和增强肿瘤分割精度分别为87.8%、77.9%和70.7%,相比于ResU-Net模型提升了0.70%、1.30%和1.40%。结论本文提出的跨阶段局部网络结构,通过增加梯度路径、减少信息损失,可以有效提高脑肿瘤分割精度,实验结果证明了该模块对脑肿瘤分割任务的有效性。

基于CBD-YOLOv3的小目标检测算法

针对主流目标检测算法在检测小目标时精度差、无法满足实时性能的问题,提出了一种基于改进YOLOv3的小目标检测算法:CBD-YOLOv3.首先对YOLOv3的主干特征提取网络进行优化,将其与跨阶段局部网络融合,使得计算量减少的同时保持了卷积网络的学习能力,再利用双层的特征金字塔网络加强特征提取并生成4张特征图用于预测,同时引入改进的DIoU损失函数代替原网络中的均方误差损失,提高小目标定位精度,最后再结合有效的数据处理与训练方法形成CBD-YOLOv3算法.本文在COCO数据集与其他目标检测算法进行对比测试,实验结果表明CBD-YOLOv3算法能够在满足实时性能的前提下有效提高小目标检测的平均精度,且对中大型目标也有一定程度的提升.

复杂背景下红外图像弱小目标检测

红外弱小目标检测是安防监控、侦察探测、精确制导等领域的关键技术。为了提高复杂背景条件下红外弱小目标检测的准确性和实时性,提出了一种基于深度学习的红外弱小目标检测算法YOLO-FCSP。根据红外图像中弱小目标的特点,在YOLO检测框架的基础上,通过减少下采样次数,结合跨阶段局部模块、Focus结构和空间金字塔池化结构设计了特征提取网络。借鉴多路径聚合的思路优化特征融合网络,同时调整检测输出层数量,通过信息复用提高特征利用效率。实验结果表明,本文提出的算法在检测红外弱小目标时具有较高的准确率和检测速度,精度和召回率分别为91.9%和94.6%,平均准确率(AP)值达到92.6%,检测速度达到170 f/s,满足实际应用中实时检测的需求。

用于PCB缺陷检测系统的YOLOv5算法设计

本文提出了ATCSP-YOLOv5用于PCB中的小目标检测。将跨阶段局部网络(CSPNet)的思想和Transformer中多头自注意力机制(Multi-Head Attention)相结合,在YOLOv5的主干网络中加入多头自注意力跨阶段局部网络(ATCSP)模块。同时,在特征金字塔部分融合生成感受野更小的目标检测层,用于添加小目标探测头。除此之外,还使用了SRGAN和数据增强来扩充数据集,更好的实现了缺陷检测。在实验中ATCSP-YOLOv5的mAP@0.5为98.38%,相较于原始的YOLOv5s提升了3.06%,同时检测速度没有明显下降。

一种基于深度学习的公路巡检无人机实时目标跟踪算法

公路中心标线的实时跟踪是公路巡检无人机视觉飞行中关键的一环。针对目前主流目标跟踪算法实时性差的问题,提出一种基于改进YOLO(you only look once)v3和Deep-SORT(deep simple online real-time tracking)的目标跟踪模型用于公路巡检无人机自主视觉飞行。通过引入并改进跨阶段局部网络,优化网络层级结构,使用泛化能力更好的激活函数,提升了公路道路标线的检测准确率和无人机平台的检测速度。对检测到的公路标线信息使用Deep-SORT算法进行公路中心标线跟踪。实验结果表明,与几类典型目标跟踪模型相比,在跟踪准确度基本不变的情况下,处理速度提升了数倍。

基于改进YOLOv4算法的室内场景目标检测

针对传统方法在室内场景目标检测中存在检测精度低、检测速度慢等问题,提出一种改进的YOLOv4算法模型。构建室内场景目标检测数据集,使用K-means++聚类算法优化先验框参数,提高先验框与目标的匹配度;调整原始YOLOv4的网络结构,将跨阶段局部网络结构融入模型颈部网络中,消除在特征融合阶段梯度反向传播导致的梯度信息冗余现象,提高对室内目标的检测能力;引入深度可分离卷积模块,取代模型中原有的3×3卷积层,减少模型参数,提升检测速度。实验结果表明,改进后的YOLOv4算法在室内场景目标检测数据集上的平均精度达83.0%,检测速度达72.1 frame/s,较原始YOLOv4算法,分别提高了3.2个百分点和6 frame/s,同时模型规模缩小了36.3%,优于目前其他基于深度学习的室内场景目标检测算法。